211service.com
Hoe Google van plan is kunstmatige intelligentie op te lossen
Gestoffeerde muren, sombere verlichting en een plafond met bloemenbehang. Het ziet er niet uit als een plek om baanbrekende ontdekkingen te doen die het traject van de samenleving veranderen. Maar in deze gesimuleerde, claustrofobische gangen denkt Demis Hassabis dat hij de basis kan leggen voor software die slim genoeg is om de grootste problemen van de mensheid op te lossen.
Ons doel is erg groot, zegt Hassabis, wiens nuchtere manier de brutaliteit van zijn ideeën kan maskeren. Hij leidt een team van ongeveer 200 computerwetenschappers en neurowetenschappers bij Google's DeepMind, de in Londen gevestigde groep achter de AlphaGo-software die eerder deze maand een wereldkampioen op Go versloeg in een serie van vijf wedstrijden, waarmee hij een mijlpaal in de informatica betekende.
Het zou slechts een vroeg controlepunt zijn in een poging die Hassabis beschrijft als het Apollo-programma van kunstmatige intelligentie, gericht op het oplossen van intelligentie, en dat vervolgens te gebruiken om al het andere op te lossen. Wat tegenwoordig doorgaat voor slimme software, is gespecialiseerd in een bepaalde taak, bijvoorbeeld het herkennen van gezichten. Hassabis wil creëren wat hij algemene kunstmatige intelligentie noemt - iets dat, net als een mens, kan leren om zowat elke taak op zich te nemen. Hij stelt zich voor dat het dingen doet die zo divers zijn als het bevorderen van de geneeskunde door wetenschappelijke theorieën te formuleren en te testen, en zich te bewegen in behendige robotlichamen.
Om dat te doen, is de software van DeepMind nodig om verder te gaan dan Go's geordende wereld van zwarte en witte stenen. Het moet grip krijgen op de rommelige echte wereld - of om te beginnen met een sombere, pixelachtige benadering ervan. De gesimuleerde wereld van DeepMind heet Labyrinth en het bedrijf gebruikt het om zijn software te confronteren met steeds complexere taken, zoals het navigeren door doolhoven. Dat zou de onderzoekers van DeepMind ertoe moeten aanzetten te leren hoe ze nog slimmere software kunnen bouwen, en de software moeten pushen om te leren hoe ze moeilijkere beslissingen en problemen kunnen aanpakken. Ze doen dit door gebruik te maken van de technieken die worden getoond in AlphaGo en eerdere DeepMind-software die Atari-games uit de jaren 80, zoals Space Invaders, beter leerde spelen dan een mens zou kunnen. Maar om te slagen, zal Hassabis ook zijn weg moeten vinden in een aantal al lang bestaande uitdagingen op het gebied van kunstmatige intelligentie.
Zelfverbetering
Hassabis, 39, werkt al een groot deel van zijn leven aan de vraag hoe hij intelligentie kan creëren. Een schaakwonder dat al vroeg de middelbare school afrondde om een succesvolle carrière in de videogame-industrie op te bouwen, hij behaalde later een doctoraat in de neurowetenschappen en publiceerde spraakmakend onderzoek over geheugen en verbeelding.
Hassabis was medeoprichter van DeepMind in 2010 om een deel van wat hij leerde over biologische intelligentie over te dragen aan machines. Het bedrijf onthulde software die Atari-games leerde beheersen in december 2013 en begin 2014 werd het door Google gekocht voor een bedrag van 400 miljoen pond, destijds meer dan $ 600 miljoen (zie Google's Intelligence Designer). DeepMind breidde zich snel uit, nam tientallen extra onderzoekers aan en publiceerde tientallen papers op toonaangevende conferenties over machine learning en kunstmatige intelligentie. In januari onthulde het het bestaan van AlphaGo en dat het in oktober 2015 de beste Go-speler van Europa had verslagen. AlphaGo versloeg eerder deze maand een 18-voudig wereldkampioen, Lee Sedol (zie Vijf lessen uit AlphaGo's historische overwinning).
Demis Hassabis leidt een groep binnen Google die gericht is op het 'oplossen van inlichtingen'.
Atari-games en Go zijn heel verschillend, maar DeepMind pakte ze allebei aan met dezelfde aanpak, losjes geïnspireerd door de manier waarop dieren nieuwe trucs kunnen worden geleerd met behulp van beloningen en straffen van een trainer. Bij versterkingsleren, zoals het wordt genoemd, is software geprogrammeerd om een nieuwe omgeving te verkennen en het gedrag ervan aan te passen om een soort virtuele beloning te vergroten.
De Atari-software van DeepMind was bijvoorbeeld alleen geprogrammeerd met de mogelijkheid om het spelscherm te besturen en te zien, en een drang om de score te verhogen. Voor tientallen titels is een paar uur oefenen genoeg voor de software om zichzelf op te trekken en een menselijke expert te verslaan.
AlphaGo combineert versterkend leren met andere componenten, zoals een systeem dat leerde mogelijke zetten te evalueren door tientallen miljoenen bordposities te analyseren van spellen van deskundige Go-spelers, en een zoekmechanisme dat de meest veelbelovende zetten selecteert. Maar het was versterkend leren dat AlphaGo in staat stelde zichzelf in de vorm van wereldkampioen te verslaan door miljoenen keren tegen zichzelf te spelen.
Hassabis gelooft dat de benadering van versterkend leren de sleutel is om machine learning-software veel complexere dingen te laten doen dan de trucs die het tegenwoordig voor ons uitvoert, zoals het transcriberen van onze woorden of het begrijpen van de inhoud van foto's. We denken dat alleen observeren niet voldoende is voor intelligentie, je moet ook handelen, zegt hij. Uiteindelijk is dat de enige manier waarop je de wereld echt kunt begrijpen.
DeepMind's 3D-omgeving Labyrinth, gebouwd op een open-source kloon van de first-person-shooter Quake , is ontworpen om de volgende stappen te bieden om dat idee te bewijzen. Het bedrijf heeft het al gebruikt om agenten uit te dagen met een spel waarin ze gedurende 60 seconden willekeurig gegenereerde doolhoven moeten verkennen, punten moeten winnen voor het verzamelen van appels of het vinden van een uitgang (wat leidt tot een ander willekeurig gegenereerd doolhof). Toekomstige uitdagingen vereisen mogelijk een complexere planning, bijvoorbeeld leren dat sleutels kunnen worden gebruikt om deuren te openen. Het bedrijf gaat software ook op andere manieren testen en overweegt het videospel Starcraft en zelfs poker te gaan spelen. Maar het stellen van steeds grotere uitdagingen in Labyrinth zal nog een tijdje een rode draad zijn in het onderzoek, zegt Hassabis. Het moet goed zijn voor de komende jaren, zegt hij.
Andere bedrijven en onderzoekers die werken aan kunstmatige intelligentie zullen nauwlettend in de gaten houden. Het succes van het versterkende leren van DeepMind heeft veel onderzoekers op het gebied van machine learning verrast. De techniek werd in de jaren tachtig ontwikkeld en is niet zo algemeen nuttig of zeer krachtig gebleken als andere manieren om software te trainen, zegt Peter Zondagen , een professor die werkt aan machine learning aan de Universiteit van Washington. DeepMind versterkte de eerbiedwaardige techniek door deze te combineren met een methode die deep learning wordt genoemd, die onlangs grote vooruitgang heeft opgeleverd in hoe goed computers informatie zoals afbeeldingen kunnen decoderen en een recente hausse in machine-learningtechnologie heeft veroorzaakt (zie 10 Breakthrough Technologies 2013: Deep Learning ).
Wat DeepMind heeft gedaan is indrukwekkend, zegt Domingos. Maar hij zegt ook dat het te vroeg is om te zeggen of wat Hassabis denkt dat een raketmotor is die veel verder kan vliegen dan de huidige resultaten, in feite geen vuurwerk in de achtertuin is - de recente reeks indrukwekkende resultaten zal misschien niet lang duren. Het optimisme van Demis over versterkend leren wordt niet gerechtvaardigd door zijn trackrecord tot nu toe, zegt Domingos. Vooruitgang is niet lineair in machine learning en kunstmatige intelligentie; we hebben spurten van vooruitgang en dan lange perioden van langzame vooruitgang.
Hassabis erkent dat veel mensen in zijn vakgebied twijfelen aan het potentieel van versterkend leren, maar zegt dat ze zullen worden gewonnen. Hoe verder we hierin gaan, hoe meer we voelen dat onze stelling klopt, en ik denk dat we het hele vakgebied aan het veranderen zijn, zegt hij. Naar onze mening zal versterkend leren de komende twee of drie jaar net zo groot worden als diep leren.
Veiligheid eerst
De resultaten van DeepMind tot nu toe kunnen de bewering van Hassabis rechtvaardigen dat versterkend leren binnenkort veel nuttige toepassingen zal vinden. De overwinning van AlphaGo verraste professionele Go-spelers en computerwetenschappers omdat het spel te complex is om te worden aangepakt door software die voornamelijk afhankelijk is van het berekenen van de mogelijke uitkomsten van verschillende zetten, de methode die IBM's DeepBlue gebruikte om in 1997 wereldkampioen schaken Garry Kasparov te verslaan. een schaker heeft elke beurt 35 mogelijke zetten; in Go zijn er 250. Er zijn meer mogelijke Go-posities dan er atomen in het heelal zijn. Schaken is een rekenspel, zegt Hassabis. Go is te complex, dus spelers gebruiken hun intuïtie. In de klas is het totaal anders. Je kunt AlphaGo zien als bovenmenselijke intuïtie in plaats van bovenmenselijke berekening.
World Go-kampioen Lee Sedol beoordeelt een game tijdens zijn 4-1-serie nederlaag tegen DeepMind's AlphaGo-software.
Of je het er nu mee eens bent of niet dat AlphaGo intuïtie vertoont, het kan duidelijk nuttig zijn om software in staat te stellen om complexere taken onder de knie te krijgen. DeepMind is werken met de Britse National Health Service op een project gericht op het trainen van software om medisch personeel te helpen tekenen van nierproblemen te herkennen die vaak worden gemist en die grote aantallen vermijdbare sterfgevallen veroorzaken. De groep werkt ook samen met bedrijfsafdelingen van Google, waar, zegt Hassabis, zijn technologie zou kunnen opduiken in virtuele assistenten of aanbevelingssystemen kan verbeteren, die cruciaal zijn voor producten zoals YouTube (vergelijkbare systemen sturen ook enkele van Google's advertentieproducten aan).
Verder vooruitkijkend, zal DeepMind veel doorbraken nodig hebben om in de richting van Hassabis' doel van het oplossen van intelligentie te blijven gaan, zelfs in de komende jaren van experimenteren in Labyrinth. Een van de meest cruciale ontbrekende stukjes is een truc genaamd chunking die menselijke en dierlijke hersenen gebruiken om de complexiteit van de wereld aan te pakken. Hassabis legt het uit aan de hand van het voorbeeld van naar het vliegveld moeten. Je kunt je voorstellen hoe je daar komt en dat plan uitvoeren zonder dat je precies hoeft te bedenken waar je je voeten moet plaatsen als je naar de deur loopt, hoe je aan de hendel draait of elke beweging van je spiervezels onder controle houdt. We kunnen plannen en acties ondernemen door te werken met concepten op hoog niveau die veel details verbergen, en ons aanpassen aan nieuwe situaties door de brokken of concepten die we al kennen opnieuw te combineren. Het is waarschijnlijk een van de belangrijkste problemen in AI, zegt Hassabis.
Het is een probleem waaraan veel onderzoeksgroepen werken, waaronder anderen binnen Google. Maar een ongebruikelijke manier waarop DeepMind dit hoopt op te lossen, is door echte hersenen te bestuderen. Het bedrijf heeft een team van neurowetenschappers onder leiding van een prominente onderzoeker, Matthew Botvinick, die tot eind vorig jaar een professor aan Princeton was. In tegenstelling tot de meeste neurowetenschappelijke onderzoeken, zijn de experimenten ervan zowel bedoeld om te informeren hoe DeepMind software ontwerpt als om te onthullen hoe de hersenen werken.
Een recent experiment testte een theorie van Hassabis over de manier waarop menselijke hersenen concepten organiseren, met behulp van een standaardprocedure dat creëert valse herinneringen . Het houdt in dat proefpersonen een lijst met verwante woorden krijgen, bijvoorbeeld koud, sneeuw en ijs. Mensen herinneren zich vaak ten onrechte dat ze ook andere verwante woorden hoorden, zoals winter.
DeepMind-medewerkers tijdens de match met Sedol in Seoul eerder deze maand.
Met mijn machine learning-hoed op dacht ik dat dat een enorme aanwijzing moest zijn voor hoe dat soort conceptuele informatie in de hersenen is georganiseerd, zegt Hassabis. Het DeepMind-team werkte een theorie uit over hoe de voorste temporale kwab van de hersenen werkt met concepten, en bevestigde de voorspellingen door te kijken naar de hersenen van mensen die de geheugentaak in een scanner uitvoeren. De resultaten kunnen helpen veranderen hoe DeepMind zijn kunstmatige neurale netwerken ontwerpt om informatie weer te geven.
Andere dingen op de te ontdekken-lijst van DeepMind omvatten een manier om onderzoek te combineren dat het heeft gedaan naar software om de betekenis van tekst te begrijpen met zijn werk aan agenten die in Labyrinth rondzwerven - een mogelijkheid is om borden op te hangen in de virtuele ruimte. Hassabis zegt dat hij ook een ambitieuze manier plant om agenten te testen wanneer ze klaar zijn voor een meer realistische wereld dan Labyrinth. Op een gegeven moment wil hij dat DeepMind-software de controle over robots overneemt, die volgens hem worden tegengehouden door het onvermogen van software om de wereld te begrijpen. Er zijn verbazingwekkende robots in de buurt die niet volledig kunnen worden gebruikt omdat de algoritmen er niet zijn, zegt hij.
Succes kan een aantal lastige filosofische en ethische vragen oproepen over wat het betekent om mens te zijn en de acceptabele use-cases van kunstmatige intelligentie. Hassabis zegt dat hij de discussie over de mogelijke risico's van de technologie aanmoedigt. (Hoewel hij ook met voldoening constateert dat natuurkundige Stephen Hawking is gestopt met waarschuwen dat kunstmatige intelligentie mensen zou kunnen uitroeien sinds zijn ontmoeting met Hassabis; Tesla-oprichter Elon Musk, die onderzoek naar kunstmatige intelligentie heeft vergeleken met het oproepen van de demon, heeft ook een anti-pep talk gekregen .) DeepMind heeft een interne ethische raad van filosofen, juristen en zakenmensen. Hassabis zegt dat hun namen waarschijnlijk binnenkort bekend zullen worden gemaakt, en dat hij ook werkt aan het bijeenroepen van een soortgelijk, extern, bestuur dat gedeeld wordt door meerdere computerbedrijven.
De ingenieurs van DeepMind hebben echter nog geen ethisch advies nodig bij het plannen van nieuwe experimenten, zegt Hassabis. We zijn niet in de buurt van iets waar we ons zorgen over zouden maken, zegt hij. Het gaat er meer om dat iedereen op de hoogte is. Als alles loopt zoals Hassabis hoopt, zal zijn ethische raad uiteindelijk echt werk te doen hebben.