Silna sztuczna inteligencja będzie się uczyć na swoich błędach

Testuje się je na grach komputerowych, aby szkolić ich umiejętności kompetytywne. Wykorzystywane są w branży telewizyjnej do poprawiania jakości wyświetlanego obrazu, do usprawniania procesów przesyłu danych, a także do tworzenia nowych, innowacyjnych narzędzi do analizy danych. Jak przekonuje Mo Gawdat, były szef marki Google X, silna sztuczna inteligencja będzie w stanie uczyć się na swoich błędach, a w przyszłości pomoże rozwiązać m.in. problem zmian klimatycznych.

– Rozwój sztucznej inteligencji nie przypomina tradycyjnego programowania, gdzie każda linijka kodu zasadniczo mówi komputerowi, co dokładnie ma zrobić. Pokazujemy komputerowi wystarczająco dużo wzorców pozwalających na to, by zaprogramował się samodzielnie i wybierał sposoby na rozwiązanie problemów lub zmierzenie się z wyzwaniem. Tworzymy tzw. stronnicze algorytmy danych. Jeżeli chcemy, żeby nasza maszyna była najlepszym graczem w danej grze, pokażemy jej wzorce tylko tej gry, nie pokażemy jej innych gier czy innych aspektów życia – mówi Mo Gawdat, założyciel One Billion Happy.

Szeroko zakrojone badania nad wykorzystaniem algorytmów uczenia maszynowego w procesie doskonalenia sztucznej inteligencji prowadzi firma OpenAI, która testuje stronnicze algorytmy danych w oparciu o popularne gry wieloosobowe. Firma wyszkoliła od zera m.in. boty do gry Dota 2, aby te były w stanie podejmować niezależne decyzje, bazując wyłącznie na danych wizualnych wyświetlanych podczas rozgrywki. W wyniku wielomiesięcznych eksperymentów udało się wytrenować drużynę botów OpenAI Five i przetestować ją w starciu z zawodowymi graczami e-sportowymi. Zespół mistrzów uległ sztucznej inteligencji.

– W ciągu następnej dekady oczekujemy pojawienia się silnej sztucznej inteligencji, która pozwoli na to, żeby maszyna pozyskiwała informacje bez ograniczeń w celu rozwinięcia inteligencji obejmującej wiele dziedzin. Jeżeli zostanie wprowadzona, maszyny będą dysponowały dużo większym zasobem informacji: kiedy jeden samochód autonomiczny wyciągnie wniosek z błędu, pozostałe samochody w sieci nauczą się tego samego. A kiedy człowiek spowoduje wypadek, ktoś inny nie wyciągnie z niego wniosków. Maszyny będą miały dużo więcej możliwości nauki, będą mogły czerpać z większej bazy danych zawierającej wiedzę – twierdzi ekspert.

Duże nadzieje w rozwoju systemów sztucznej inteligencji pokłada także firma Google, która szkoli swój algorytm AlphaStar na grze StarCraft II. Korporacji udało się dopracować ją do tego stopnia, że jest w stanie wygrać 99,8 proc. punktowanych rozgrywek. AlphaStar jest pierwszą sztuczną inteligencją, która osiągnęła poziom arcymistrzowski w StarCraft II. Tymczasem podczas gry nie wykorzystuje w pełni swojego potencjału – aby wyrównać szanse, twórcy ograniczyli szybkość jej interakcji z interfejsem. AlphaStar może wydawać do 22 komend w ciągu pięciu sekund, co upodabnia ją do zawodowych graczy. Gdyby znieść to ograniczenie, byłaby jeszcze skuteczniejsza.

Google wykorzystuje SI we wszystkich swoich produktach. Algorytmy uczenia maszynowego znajdziemy w wyszukiwarce, filtrze antyspamowym Gmaila czy reklamach AdSense, które dostosowują wyświetlane treści do użytkownika i uczą się jego preferencji. Firma powołała do życia także projekt TensorFlow, otwarty framework sztucznej inteligencji, który pozwala zewnętrznym firmom wykorzystywać technologię uczenia maszynowego do analizowania dużych zbiorów informacji.

– Zasoby Google i całego internetu staną się źródłem wiedzy niezbędnej do rozwiązania poważnych problemów przez maszyny. Być może odpowiedź na globalne ocieplenie i zmiany klimatyczne leży w czymś więcej niż tylko zmianie naszych nawyków, stanowiącej jeden z fundamentalnych rozwiązań tego problemu. Może rozwiązania należy szukać po trochu w chemii, w połączeniu ze zrozumieniem pewnych zagadnień z zakresu fizyki kwantowej czy filozofii. Jedna osoba nie jest w stanie tego połączyć, a maszyna wykorzystująca sztuczną inteligencję ma taką umiejętność – twierdzi Mo Gawdat.

Według analityków z firmy Verified Market Research wartość globalnego rynku uczenia maszynowego w 2018 roku wyniosła 3,02 mld dol. Przewiduje się, że do 2026 roku wzrośnie do 26,64 mld dol. przy średniorocznym tempie wzrostu na poziomie 41,5 proc.