ゲームオーバー？強いAIと弱いAIの戦い

Google の人工知能 (AI) 子会社 DeepMind が、Gato と呼ばれる「ジェネラリスト」エージェント (同じ訓練済みモデルを使用して異なるタスクを実行できる) について説明した論文を数週間前に発表して以来、そして、汎用人工知能 (AGI) は巨大な規模で実現できると主張し、人工知能業界で激しい議論を巻き起こしました。少し学術的に聞こえるかもしれませんが、現実には、一般的な人工知能がすぐそこまで来たら、法律、規制、経済モデルを含む私たちの社会の準備が整わないでしょう。

実際、同じトレーニング済みモデルのおかげで、ジェネラリスト エージェントのガトーは、Atari をプレイしたり、写真にキャプションを追加したり、チャットしたり、実際のロボット アームでブロックを積み上げたりすることができます。また、コンテキストに基づいて、テキストを出力するか、トルクを接続するか、ボタンの押下、またはその他のマーカーを出力するかを決定することもできます。そのため、一般的な GPT-3、DALL-E 2、PaLM、Flamingo よりも一般的な AI モデルのように見えます。これらは、自然言語の記述、言語理解、画像ベースの作成など、非常に狭い特定のタスクに非常に優れています。説明上。

これにより、DeepMind の科学者でオックスフォード大学教授のナンド・デ・フレイタス氏は「重要なのはスケールだ！ゲームオーバーだ！」と主張し、汎用人工知能 (AGI) は次のようなことができると信じています。フルスケール (つまり、より大きなモデル、より大きなトレーニング データ セット、より強力なコンピューティング能力) を通じて達成されます。しかし、デ・フレイタス氏が語る「ゲームとは何なのか」。この議論は実際には何についてのものなのでしょうか？

人工知能の議論: 強い AI 対弱い AI

この議論の詳細とその広範な社会への影響について議論する前に、一読する価値があります。一歩下がって背景を理解しましょう。

「人工知能」という用語の意味は長年にわたって変化してきましたが、高レベルかつ一般的な観点から見ると、知的エージェントの研究分野として定義できます。これは、環境を感知し、目標を達成する可能性を最大化するために行動を起こすシステムを指します。この定義は、エージェントやマシンが実際に「考える」ことができるかどうかという問題を意図的に脇に置いていますが、この問題は長い間激しい議論の対象となってきました。 1950年、英国の数学者アラン・チューリングは、有名な論文「イミテーション・ゲーム」の中で、機械が思考できるかどうかを考えるのではなく、「機械が知的な行動を示すかどうか」に焦点を当てたほうがよいと主張した。

この区別は概念的に、人工知能の 2 つの主要な分野、つまり強い人工知能と弱い人工知能につながります。汎用人工知能 (AGI) としても知られる強力な AI は、機械が人間と同じ知能を必要とする人工知能の理論的形式です。したがって、自己認識があり、問題を解決し、学び、将来の計画を立てる能力があります。これは人工知能の最も野心的な定義であり、「人工知能の聖杯」ですが、今のところは純粋な理論のままです。強力な AI を実現するためのアプローチは、多くの場合、シンボリック AI を中心に展開されます。シンボリック AI では、機械が物理的で抽象的な「世界」の内部シンボリック表現を形成し、ルールや推論を適用してさらなる学習と意思決定を行うことができます。

この分野の研究は続けられていますが、世界の内部表現または象徴的表現が急速に管理不能になるため、これまでのところ現実の問題の解決には限定的な成功しか得られていません。

弱い AI (「ナロー AI」とも呼ばれる) は、ユーザー入力に基づいて質問に答える、顔を認識する、チェスをするなど、特定のタスクを実行することに焦点を当てた人工知能へのそれほど野心的なアプローチではありません。学習アルゴリズムのパラメーターを定義し、精度を確保するために関連するトレーニング データを提供するための人間の介入に基づいています。

しかし、弱い人工知能では大きな進歩が見られ、よく知られた例としては、顔認識アルゴリズム、自然言語モデル (OpenAI の GPT-n など)、仮想アシスタント (Siri や Alexa など)、Google などが挙げられます。 /DeepMind のチェス プログラム AlphaZero、およびある程度の無人自動車。

弱い人工知能を実現するアプローチは、多くの場合、動物の脳を構成する生物学的ニューラル ネットワークにヒントを得たシステムである人工ニューラル ネットワークの使用を中心に展開されます。これらは、相互接続されたノードまたはニューロンの集合であり、「入力層」に提示されたデータと相互接続の重みに基づいて出力を決定する活性化関数と組み合わされています。 「出力」が有用または正確になるように相互接続の重みを調整するために、ネットワークを多くのデータ例にさらして出力損失を「逆伝播」することによってネットワークを「トレーニング」できます。

ニューラル ネットワークとルールベースの人工知能を組み合わせた、「ニューロシンボリック人工知能」と呼ばれる 3 番目の分野があると言えます。概念的には有望で健全ですが、私たちの生物学的な脳の動作に近いと思われるため、まだ非常に初期段階にあります。

これは本当に規模の問題なのでしょうか?

現在の議論の鍵は、十分な規模の AI と機械学習モデルがあれば、汎用人工知能 (AGI) が本当に実現できるかどうか、つまり記号的人工知能を完全に排除できるかどうかです。現時点ではハードウェアのスケーリングと最適化だけが問題なのでしょうか、それとも AI アルゴリズムとモデルをさらに発見して開発する必要があるのでしょうか?

Tesla も Google/DeepMind の見解を受け入れているようです。 2021 年の人工知能 (AI) デー イベントで、テスラは、オプティマスとしても知られるテスラ ボットの発売を発表しました。これは、テスラが開発する汎用人型ロボットで、同社の先進運転支援システム用に開発されたものと同じ AI システムによって制御されます。車。興味深いことに、同社のCEOイーロン・マスク氏は、2023年までにこのロボットを量産化したいと述べ、オプティマス・プライムは最終的には「人間がやりたくないことなら何でも」できるようになるだろうと主張しており、それはAGIが実現すると期待していることを意味している。可能。

しかし、他の AI 研究グループ (主に Meta の主任 AI 科学者でニューヨーク大学教授のヤン・ルカン氏を含む) は、野心的ではない人間人工知能 (HLAI) という用語を好んでいますが、まだ多くの問題があると主張しています。これを解決するには、まったくの計算能力が及ばず、新しいモデルやソフトウェア パラダイムが必要になる場合があります。

これらの問題において、マシンは赤ちゃんのような観察を通じて世界がどのように機能するかを理解し、その行動を通じて世界にどのような影響を与えるかを予測し、固有の予測不可能性に対処する能力を備えています。世界の自然を理解し、一連の行動の影響を予測し、抽象空間で推論し、計画し、表現し、予測できるようにします。最終的には、既存の人工ニューラル ネットワークだけを使用した勾配ベースの学習によってこれが達成できるのか、それともさらなるブレークスルーが必要なのかという議論になります。

ディープ ラーニング モデルは確かに人間の介入を必要とせずにデータから「主要な特徴」を生成することができますが、さらに多くの機能を活用できるようになると容易に信じられます。残りの問題を掘り起こして解決するにはデータとコンピューティング能力が必要ですが、これは真実であるにはあまりにも良いかもしれません。簡単なたとえを使用すると、より速くより強力な車を設計および構築しても、それが空を飛べるようになるわけではありません。なぜなら、そもそも飛行の問題を解決するには空気力学を完全に理解する必要があるからです。

ディープラーニング AI モデルを使用して成し遂げられた進歩は目覚ましいものですが、弱い AI 実践者の楽観的な見方が単なるマズローのハンマーなのか、それとも「道具の法則」のケースなのか、よく考えてみる価値があります。つまり、「持っている道具がハンマーだけだと、あらゆる問題を釘のように見てしまう傾向がある」ということです。

ゲームオーバーですか、それとも協力しますか?

Google/DeepMind、Meta、Tesla などの基礎研究は、民間企業にとって不快な思いをさせることがよくあります。なぜなら、これらの組織は多額の予算にもかかわらず、学術機関と協力して長期的に考えるよりも競争と市場投入までのスピードを重視していることが多いためです。

一般的な人工知能を解決するには、強い AI 支持者と弱い AI 支持者の間の競争ではなく、2 つのアプローチが必要になる場合があります。意識的学習能力と無意識的学習能力の両方を備えた人間の脳との類似性を引き出すことは、突飛な話ではありません。私たちの小脳は脳の体積の約 10% を占めますが、ニューロンの総数の 50% 以上を含み、姿勢とバランスの維持だけでなく、運動能力、特に手と足に関連する調整と動きを担当します。これは素早く無意識のうちに行われますが、どのように行うのかは実際には説明できません。しかし、私たちの意識的な脳は、はるかに遅いとはいえ、抽象的な概念、計画、予測を処理することができます。さらに、意識的に知識を獲得し、トレーニングと反復を通じて自動化を達成することも可能であり、これはプロのアスリートが得意とすることです。

自然が人間の脳を何十万年にもわたってこのハイブリッドな方法で進化させてきたのであれば、平均的な人工知能システムが単一のモデルまたはアルゴリズムに依存しているのはなぜなのか、人々は不思議に思わずにはいられません。

社会と投資家への影響

最終的に汎用人工知能を可能にする基礎となる特定の AI テクノロジーに関係なく、このイベントは、車輪、蒸気エンジン、電気と同じように、私たちの社会に大きな影響を与えるでしょう。またはコンピューター。おそらく、企業が人間をロボットに完全に置き換えることができるのであれば、資本主義経済モデルを変える必要があるでしょう。そうしないと、最終的には社会不安が起こるでしょう。

そうは言っても、現在進行中の議論は企業 PR のようなものである可能性が高く、実際のところ、一般的な人工知能は私たちが現在考えているよりも遠いところにあるため、時間はあります。その潜在的な影響に対処するために。しかし、短期的には、一般的な人工知能の追求により、ソフトウェアや半導体などの特定の技術分野への投資が引き続き促進されることは明らかです。

弱い AI フレームワーク内での特定のユースケースの成功により、既存のハードウェア機能に対するプレッシャーが増大しています。たとえば、OpenAI が 2020 年に発売した人気の Generative Pre-Trained Transformer 3 (GPT-3) モデルは、すでに人間のような流暢さで生の散文を書くことができ、1,750 億のパラメータを持ち、トレーニングに数か月かかります。

今日の既存の半導体製品 (CPU、GPU、FPGA など) の一部は、深層学習アルゴリズムを多かれ少なかれ効率的に計算できると言えます。ただし、モデルのサイズが大きくなるにつれて、そのパフォーマンスは満足のいくものではなくなり、AI ワークロードに最適化されたカスタム設計の必要性が生じます。 Amazon、Alibaba、Baidu、Google などの大手クラウド プロバイダーだけでなく、Tesla や、Cambrian、Cerebras、Esperanto、Graphcore、Groq、Mythic、Sambanova などのさまざまな半導体スタートアップ企業もこのルートを採用しています。

以上がゲームオーバー？強いAIと弱いAIの戦いの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。