Framtiden kommer inte att skapas av vare sig människor eller maskiner ensamma - utan av båda, arbetar tillsammans. Teknik som modellerats för hur mänskliga hjärnor fungerar ökar redan människors förmågor, och kommer bara att bli mer inflytelserika när samhället vänjer sig vid dessa allt mer kapabla maskiner.

Teknikoptimister har föreställt sig en värld med stigande mänsklig produktivitet och livskvalitet när artificiella intelligenssystem tar över livets slit och administration, gynnar alla. Pessimister, å andra sidan, har varnat för att dessa framsteg kan komma till stora kostnader i förlorade jobb och störda liv. Och skrämmare oroar sig för att AI så småningom kan göra människor föråldrade.

Dock, människor är inte särskilt bra på att föreställa sig framtiden. Varken utopi eller undergång är troligt. I min nya bok, "Deep Learning Revolution, "Mitt mål var att förklara det förflutna, nutid och framtid för detta snabbt växande område av vetenskap och teknik. Min slutsats är att AI kommer att göra dig smartare, men på sätt som kommer att överraska dig.

Känner igen mönster

Djupinlärning är den del av AI som har gjort mest framsteg när det gäller att lösa komplexa problem som att identifiera objekt i bilder, känna igen tal från flera högtalare och bearbeta text på det sätt som människor talar eller skriver det. Deep learning har också visat sig vara användbart för att identifiera mönster i de allt större datauppsättningarna som genereras från sensorer, medicinsk utrustning och vetenskapliga instrument.

Målet med detta tillvägagångssätt är att hitta sätt en dator kan representera världens komplexitet och generalisera från tidigare erfarenhet - även om det som händer härnäst inte är exakt detsamma som det som hände tidigare. Precis som en person kan identifiera att ett specifikt djur hon aldrig sett förut faktiskt är en katt, djupinlärningsalgoritmer kan identifiera aspekter av vad som kan kallas "katt-ness" och extrahera dessa attribut från nya bilder av katter.

Metoderna för djupinlärning bygger på samma principer som driver den mänskliga hjärnan. Till exempel, hjärnan hanterar massor av data av olika slag i många behandlingsenheter samtidigt. Neuroner har många kopplingar till varandra, och dessa länkar förstärks eller försvagas beroende på hur mycket de används, etablera samband mellan sensoriska insatser och konceptuella utgångar.

Det mest framgångsrika nätverket för djupt lärande är baserat på 1960 -talets forskning om den visuella cortexens arkitektur, en del av hjärnan som vi använder för att se, och inlärningsalgoritmer som uppfanns på 1980 -talet. Då, datorer var ännu inte tillräckligt snabba för att lösa verkliga problem. Nu, fastän, dom är.

Dessutom, lärande nätverk har lagts ovanpå varandra, skapa banor av anslutningar som mer liknar hierarkin av lager som finns i visuell cortex. Detta är en del av en konvergens som äger rum mellan artificiell och biologisk intelligens.

Djup inlärning i verkliga livet

Djup inlärning ökar redan mänskliga förmågor. Om du använder Googles tjänster för att söka på webben, eller använda dess appar för att översätta från ett språk till ett annat eller förvandla tal till text, tekniken har gjort dig smartare, eller mer effektivt. Nyligen på en resa till Kina, en vän talade engelska i sin Android -telefon, som översatte det till talade kinesiska för en taxichaufför - precis som den universella översättaren på "Star Trek".

Dessa och många andra system fungerar redan, hjälpa dig i ditt dagliga liv även om du inte är medveten om dem. Till exempel, djupinlärning börjar ta över läsningen av röntgenbilder och fotografier av hudskador för att upptäcka cancer. Din lokala läkare kommer snart att kunna upptäcka problem som är uppenbara idag bara för de bästa experterna.

Även om du vet att det finns en maskin inblandad, du kanske inte förstår komplexiteten i vad de faktiskt gör:Bakom Amazons Alexa finns en mängd djupa inlärningsnätverk som känner igen din begäran, bläddra igenom data för att svara på dina frågor och vidta åtgärder för dina räkning.

Framstegsinlärning

Deep learning har varit mycket effektivt för att lösa problem med mönsterigenkänning, men för att gå utöver detta krävs andra hjärnsystem. När ett djur belönas för en handling, det är mer troligt att vidta liknande åtgärder i framtiden. Dopaminneuroner i hjärnans basala ganglier rapporterar skillnaden mellan förväntade och mottagna belöningar, kallas belöningsprognosfel, som används för att ändra styrkorna i anslutningar i hjärnan som förutsäger framtida belöningar.

Att koppla detta tillvägagångssätt, kallas förstärkningslärande, med djup inlärning kan ge datorer makt att identifiera oväntade möjligheter. Genom att känna igen ett mönster och sedan svara på det på ett sätt som ger belöningar, maskiner kan närma sig beteenden i linje med vad som kan kallas mänsklig kreativitet. Detta kopplade tillvägagångssätt är hur DeepMind utvecklade ett program som heter AlphaGo, som 2016 besegrade stormästaren Lee Sedol och året därpå slog världsmästaren i Go, Ke Jie.

Spel är inte lika rörigt som den verkliga världen, som är fylld av skiftande osäkerheter. Massimo Vergassola vid University of California, San Diego, och jag använde nyligen förstärkningslärande för att lära en segelflygplan i fältet hur man svävar som en fågel i turbulenta termik. Sensorer kan kopplas till faktiska fåglar för att testa om de använder samma signaler och svarar på samma sätt.

Trots dessa framgångar, forskare förstår ännu inte helt hur djupinlärning löser dessa problem. Självklart, vi vet inte hur hjärnan löser dem heller.

Medan hjärnans inre funktioner kan förbli svårfångade, det är bara en tidsfråga innan forskare utvecklar en teori om djupinlärning. Skillnaden är att när man studerar datorer, forskare har tillgång till varje anslutning och aktivitetsmönster i nätverket. Framstegen är snabba, with research papers appearing daily on arXiv. Surprising advances are eagerly anticipated this December at the Neural Information Processing Systems conference in Montreal, which sold out 8, 000 tickets in 11 minutes, leaving 9, 000 hopeful registrants on the waiting list.

There is a long way to go before computers achieve general human intelligence. The largest deep learning network today has only the power of a piece of human neural cortex the size of a rice grain. And we don't yet know how the brain dynamically organizes interactions between larger brain areas.

Nature already has that level of integration, creating large-scale brain systems capable of operating all aspects of the human body while pondering deep questions and completing complex tasks. I sista hand, autonomous systems may become as complex, joining the myriad living creatures on our planet.

Denna artikel publiceras från The Conversation under en Creative Commons -licens. Läs originalartikeln.