Under en pressekonference for at annoncere autopilotfunktionen i Tesla Model S i oktober 2015 sagde Teslas administrerende direktør Elon Musk, at hver chauffør vil blive en”eksperttræner” for hver model S. Hvert køretøj vil være i stand til at forbedre sine egne autonomifunktioner. at lære af sin chauffør, men endnu vigtigere, når en Tesla lærer af sin chauffør, deles denne viden blandt resten af Tesla-køretøjer.
Meget snart bemærkede Model S-ejere, at køretøjets selvkørende funktioner gradvist blev bedre. I et eksempel foretog Teslas forkerte tidlige afkørsler på motorveje og tvang deres ejere til manuelt at navigere i køretøjet langs den rigtige rute. Efter blot et par uger bemærkede ejere, at biler ikke længere foretog for tidlige udgange.
”Det er utroligt, at forbedringen skete så hurtigt,” sagde en Tesla-ejer.
Intelligente systemer som dem, der drives af den nyeste maskineuddannelsessoftware, bliver ikke bare smartere: de bliver smartere hurtigere og hurtigere. At forstå hastigheden, hvormed disse systemer udvikler sig, kan være en særlig vanskelig del af styringen af teknologiske fremskridt.
Ray Kurzweil har skrevet omfattende om huller i menneskelig forståelse og beskriver det såkaldte "intuitive lineære" syn på teknologisk forandring og den "eksponentielle" ændringshastighed, der sker nu. Næsten to årtier efter at have skrevet et vigtigt essay kaldte han The Law of Accelerating Return - en teori om evolutionær ændring, der beskrev hvordan forbedringshastigheden i systemerne ændrer sig over tidsrelaterede enheder begyndte at dele viden imellem sig og fremskynde deres egen forbedring.
”Jeg tror, dette er sandsynligvis den største eksponentielle tendens i AI,” siger Hod Lipson, professor i maskinteknik og datalogi ved Columbia University.
”Alle eksponentielle teknologier har forskellige 'eksponenter' for trends, tilføjer han. "Men denne er nok den største." Efter hans mening er denne "maskinlæring" - når enheder overfører viden til hinanden (ikke at forveksle med maskinlæring) - et vigtigt skridt i retning af at fremskynde forbedringen af sådanne systemer.
”Nogle gange er dette samarbejde, for eksempel når en maskine lærer af en anden, som om de har en svermbevidsthed. Nogle gange er det en hoppefro, som et våbenløb mellem to systemer, der spiller skak med hinanden."
Salgsfremmende video:
Lipson mener, at denne vej til AI-udvikling er stærk, delvis fordi den fjerner behovet for træningsdata.
”Data er brændstof for maskinlæring, men selv for maskiner er det svært at få nogle data - det kan være risikabelt, langsomt, dyrt eller uopnåeligt. I sådanne tilfælde kan maskiner dele deres oplevelser eller skabe syntetiske oplevelser for hinanden for at supplere eller erstatte data. Det viser sig, at dette ikke er en så svag effekt - det er i det væsentlige selvforstærkning og eksponentielt i det."
Lipson citerer DeepMinds seneste gennembrud, AlphaGo Zero, som eksemplarisk træning AI uden træningsdata. Mange kender AlphaGo, en maskinlærings AI, der blev verdens bedste Go-spiller ved at undersøge en enorm mængde data på millioner af spil, der blev spillet i Go. AlphaGo Zero var i stand til at slå selv ham uden at se på træningsdataene, bare lære spillereglerne og lege med sig selv. Derefter slog han verdens bedste skak-software efter kun otte timers træning.
Forestil dig tusinder af disse AlphaGo nul, der straks deler deres erhvervede viden.
Og dette er ikke kun legetøj. Vi ser allerede den kraftige virkning af den hastighed, hvormed virksomheder kan forbedre ydelsen på deres enheder. Et eksempel er den industrielle digitale tvillingsteknologi - en softwaremodel af en maskine, der simulerer, hvad der sker med udstyr. Forestil dig en maskine, der kigger inde i sig selv og viser dets image til teknikere.
For eksempel kan en digital dobbelt-dampturbine måle damptemperatur, rotorhastighed, koldstart og andre data for at forudsige fejl og advare teknikere om at undgå dyre reparationer. Digitale tvillinger fremsætter disse forudsigelser ved at undersøge deres egen ydeevne og stole også på modeller udviklet af andre dampturbiner.
Når maskiner begynder at lære i deres miljø på kraftfulde nye måder, accelereres deres udvikling gennem udveksling af data. Den kollektive intelligens af hver dampturbine, spredt over planeten, kan fremskynde den individuelle maskins forudsigelsesevne. Hvor der er en bil uden en chauffør, vil der også være hundreder af andre chauffører, der lærer deres biler og videregiver viden til alle.
Glem ikke, at dette bare er begyndelsen.
Ilya Khel
