Si elle ne peut pas soutenir sa vision de l'avenir, l'intelligence artificielle inaugurera-t-elle à nouveau un « hiver » ?

Depuis qu'Alan Turing a soulevé pour la première fois la question « Les machines peuvent-elles penser ? » dans son article fondateur « Computing Machinery and Intelligence » en 1950, le développement de l'intelligence artificielle ne s'est pas déroulé sans heurts et elle n'a pas encore atteint son « intelligence artificielle universelle ». " Objectif « intelligent ».

Cependant, le domaine a encore connu des progrès incroyables, tels que : le robot Deep Blue d'IBM battant le meilleur joueur d'échecs du monde, la naissance des voitures autonomes et AlphaGo de Google DeepMind battant les meilleurs joueurs de Go au monde. .. les réalisations actuelles démontrent les meilleurs résultats de recherche et de développement des quelque 65 dernières années.

Il convient de noter qu’il y a eu un « hiver de l’IA » bien documenté au cours de cette période, qui a presque complètement bouleversé les premières bonnes attentes des gens en matière d’intelligence artificielle.

L'un des facteurs qui ont conduit à l'hiver de l'IA est l'écart entre le battage médiatique et les progrès fondamentaux réels.

Au cours des dernières années​, des spéculations ont été émises selon lesquelles un nouvel hiver de l'intelligence artificielle pourrait arriver. Alors, quels facteurs pourraient déclencher une ère glaciaire de l'intelligence artificielle ?

Fluctuations cycliques de l'intelligence artificielle

Un «hiver de l'IA» fait référence à une période pendant laquelle l'intérêt du public pour l'intelligence artificielle diminue progressivement à mesure que les investissements dans ces technologies dans les domaines commercial et universitaire diminuent progressivement.

L'intelligence artificielle s'est développée rapidement dans les années 1950 et 1960. Même si les avancées en matière d’intelligence artificielle ont été nombreuses, elles sont pour la plupart restées académiques.

Au début des années 1970, l’enthousiasme des gens pour l’intelligence artificielle commence à s’estomper, et cette période sombre dure jusque vers 1980.

En cet hiver de l'intelligence artificielle, les activités dédiées au développement d'une intelligence de type humain pour les machines commencent à manquer de financement.

Au cours de l'été 1956, un groupe de mathématiciens et d'informaticiens occupait le dernier étage du bâtiment qui abrite le département de mathématiques du Dartmouth College.

Pendant huit semaines, ils ont imaginé ensemble un nouveau domaine de recherche.

​En tant que jeune professeur à l'Université de Dartmouth à l'époque, John McCarthy a inventé le terme « intelligence artificielle » alors qu'il concevait une proposition de séminaire.

Il estime que l'atelier devrait explorer l'hypothèse selon laquelle "chaque aspect de l'apprentissage humain ou toute autre caractéristique de l'intelligence peut en principe être décrit avec une telle précision qu'il peut être simulé par des machines".

Lors de cette réunion, les chercheurs ont esquissé les grandes lignes de l'intelligence artificielle telle que nous la connaissons aujourd'hui.

Il a donné naissance au premier camp de scientifiques en intelligence artificielle. Le « symbolisme » est une méthode de simulation intelligente basée sur le raisonnement logique, également connue sous le nom de logicisme, école de psychologie ou école d'informatique. Son principe repose principalement sur l'hypothèse physique. le système de symboles et le principe de rationalité limitée, qui ont longtemps dominé la recherche sur l’IA.

Leur système expert a atteint son apogée dans les années 1980.

Dans les années qui ont suivi la conférence, le « connexionnisme » attribuait l'intelligence humaine aux activités de haut niveau du cerveau humain, soulignant que la génération de l'intelligence est le résultat d'un grand nombre d'unités simples fonctionnant en parallèle à travers des interconnexions complexes. .

Il part des neurones puis étudie des modèles de réseaux neuronaux et des modèles cérébraux, ouvrant ainsi une autre voie de développement de l'intelligence artificielle.

Les deux approches ont longtemps été considérées comme s’excluant mutuellement, les deux parties estimant être sur la voie de l’intelligence artificielle générale.

En regardant les décennies qui ont suivi cette conférence, nous pouvons constater que les espoirs des chercheurs en IA ont souvent été déçus, et que ces revers ne les ont pas empêchés de développer l’IA.

Aujourd’hui, même si l’intelligence artificielle apporte des changements révolutionnaires aux industries et a le potentiel de perturber le marché du travail mondial, de nombreux experts se demandent encore si les applications actuelles de l’intelligence artificielle ont atteint leurs limites.

Comme le décrit Charles Choi dans Seven Revealed Ways AI Fail, les faiblesses des systèmes d'apprentissage profond d'aujourd'hui deviennent de plus en plus apparentes.

Pour autant, les chercheurs ne sont pas pessimistes quant à l’avenir de l’intelligence artificielle. Nous pourrions être confrontés à un nouvel hiver de l’IA dans un avenir proche.

Mais c’est peut-être le moment où des ingénieurs en IA inspirés nous conduisent enfin dans l’éternel été de la pensée machine.

Un article de Filip Piekniewski, expert en vision par ordinateur et en intelligence artificielle, intitulé "AI Winter is Coming" a suscité de vives discussions sur Internet.

Cet article critique principalement le battage médiatique autour du deep learning, estimant que cette technologie est loin d'être révolutionnaire et se heurte à des goulots d'étranglement de développement.

L’intérêt des grandes entreprises pour l’intelligence artificielle converge en fait, et un autre hiver de performance de l’intelligence artificielle​ pourrait bientôt arriver.

L'hiver de l'intelligence artificielle viendra-t-il ?

Depuis 1993, le domaine de l’intelligence artificielle a fait des progrès de plus en plus impressionnants. ​

En 1997, le système Deep Blue d'IBM est devenu le premier à vaincre le champion du monde d'échecs Gary﹒ Le joueur d'échecs informatique de Kasparov.

En 2005, un robot sans conducteur de Stanford a parcouru 131 miles sur une route du désert sans toucher un seul pas, remportant le DARPA Self-Driving Robot Challenge.

Début 2016, AlphaGo de DeepMind de Google a battu le meilleur joueur de Go au monde.

Tout a changé au cours des vingt dernières années.

Surtout avec le développement fulgurant d'Internet, l'industrie de l'intelligence artificielle dispose de suffisamment d'images, de sons, de vidéos et d'autres types de données pour entraîner les réseaux neuronaux et les appliquer largement.

Mais le succès sans cesse croissant du domaine du deep learning repose sur l'augmentation du nombre de couches dans les réseaux de neurones et sur l'augmentation du temps GPU utilisé pour les entraîner.

Une analyse réalisée par la société de recherche en intelligence artificielle OpenAI montre que la puissance de calcul requise pour former les plus grands systèmes d'intelligence artificielle double tous les deux ans, puis double tous les 3-4 mois.

Comme l’écrivent Neil C. Thompson et ses collègues dans Diminishing Returns of Deep Learning, de nombreux chercheurs craignent que les besoins informatiques de l’IA ne soient sur une trajectoire supérieure insoutenable.

Un problème courant rencontré par les premières recherches sur l'intelligence artificielle est un grave manque de puissance de calcul. Elles sont limitées par le matériel plutôt que par l'intelligence ou les capacités humaines.

À mesure que la puissance de calcul a considérablement augmenté au cours des 25 dernières années, les progrès que nous avons réalisés en matière d’intelligence artificielle ont également augmenté.

Cependant, face à l'augmentation massive des données et aux algorithmes de plus en plus complexes, le monde ajoute 20 ZB de données chaque année, et la demande en puissance de calcul de l'IA augmente 10 fois chaque année. Cette vitesse a largement dépassé le cycle de performance. doublé par la loi de Moore.

Nous approchons de la limite physique théorique du nombre de transistors pouvant être installés sur une puce.

Par exemple, Intel ralentit le rythme de lancement de nouvelles technologies de fabrication de puces car il est difficile de continuer à réduire la taille des transistors tout en réalisant des économies. Bref, la fin de la loi de Moore approche.

Crédit image : Ray Kurzwell, DFJ ​

Il existe des solutions à court terme qui assureront une croissance continue de la puissance de calcul, favorisant ainsi l'avancement de l'intelligence artificielle.

Par exemple, mi-2017, Google a annoncé avoir développé une puce d'intelligence artificielle spécialisée appelée « Cloud TPU », optimisée pour la formation et l'exécution de réseaux de neurones profonds.

Amazon développe sa propre puce pour Alexa (assistant personnel à intelligence artificielle). Dans le même temps, de nombreuses startups tentent actuellement d’adapter la conception de puces à des applications spécialisées en intelligence artificielle.

Cependant, ce ne sont que des solutions à court terme.

Que se passe-t-il lorsque nous manquons d'options pour optimiser la conception de puces traditionnelles ? Verrons-nous un autre hiver de l’IA ? La réponse est oui, à moins que l’informatique quantique puisse surpasser l’informatique classique et trouver une réponse plus solide.

Mais jusqu'à présent, il n'existe pas encore d'ordinateur quantique capable d'atteindre la « suprématie quantique » et plus efficace qu'un ordinateur traditionnel.

Si nous atteignons la limite de la puissance de calcul traditionnelle avant l'arrivée d'une véritable « suprématie quantique », je crains qu'il n'y ait un autre hiver de l'intelligence artificielle dans le futur.

Les problèmes auxquels les chercheurs en intelligence artificielle sont confrontés sont de plus en plus complexes et nous poussent à concrétiser la vision d’Alan Turing de l’intelligence artificielle générale artificielle. Cependant, il reste encore beaucoup de travail à faire.

Dans le même temps, il est très peu probable que nous puissions réaliser tout le potentiel de l’intelligence artificielle sans l’aide de l’informatique quantique.

Personne ne peut dire avec certitude si l'hiver de l'IA arrive.

Cependant, il est important d'être conscient des risques potentiels et de porter une attention particulière aux signes afin que nous puissions être préparés lorsque cela se produit.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!