Il futuro non sarà creato né dagli uomini né dalle macchine, ma da entrambi, lavorare insieme. Le tecnologie modellate sul funzionamento del cervello umano stanno già aumentando le capacità delle persone, e diventerà solo più influente man mano che la società si abituerà a queste macchine sempre più capaci.

Gli ottimisti della tecnologia hanno immaginato un mondo con un aumento della produttività umana e della qualità della vita mentre i sistemi di intelligenza artificiale prendono il controllo della fatica e dell'amministrazione della vita, a vantaggio di tutti. pessimisti, d'altra parte, hanno avvertito che questi progressi potrebbero avere un grande costo in posti di lavoro persi e vite distrutte. E i venditori di paura temono che l'intelligenza artificiale possa alla fine rendere gli esseri umani obsoleti.

Però, le persone non sono molto brave a immaginare il futuro. Né l'utopia né il giorno del giudizio sono probabili. Nel mio nuovo libro, "La rivoluzione dell'apprendimento profondo, "il mio obiettivo era spiegare il passato, presente e futuro di questo settore della scienza e della tecnologia in rapida crescita. La mia conclusione è che l'intelligenza artificiale ti renderà più intelligente, ma in modi che ti sorprenderanno.

Riconoscere i modelli

Il deep learning è la parte dell'intelligenza artificiale che ha compiuto i maggiori progressi nella risoluzione di problemi complessi come l'identificazione di oggetti nelle immagini, riconoscere il parlato di più oratori ed elaborare il testo nel modo in cui le persone lo parlano o lo scrivono. Il deep learning si è anche dimostrato utile per identificare modelli nei set di dati sempre più grandi che vengono generati dai sensori, dispositivi medici e strumenti scientifici.

L'obiettivo di questo approccio è trovare modi in cui un computer può rappresentare la complessità del mondo e generalizzare dall'esperienza precedente, anche se ciò che sta accadendo dopo non è esattamente lo stesso di quello che è successo prima. Proprio come una persona può identificare che un animale specifico che non ha mai visto prima è in realtà un gatto, gli algoritmi di deep learning possono identificare aspetti di ciò che potrebbe essere chiamato "gattismo" ed estrarre quegli attributi da nuove immagini di gatti.

I metodi per l'apprendimento profondo si basano sugli stessi principi che alimentano il cervello umano. Ad esempio, il cervello gestisce molti dati di vario tipo in molte unità di elaborazione contemporaneamente. I neuroni hanno molte connessioni tra loro, e quei collegamenti si rafforzano o si indeboliscono a seconda di quanto vengono utilizzati, stabilire associazioni tra input sensoriali e output concettuali.

La rete di deep learning di maggior successo si basa sulla ricerca degli anni '60 sull'architettura della corteccia visiva, una parte del cervello che usiamo per vedere, e algoritmi di apprendimento inventati negli anni '80. Allora, i computer non erano ancora abbastanza veloci per risolvere i problemi del mondo reale. Ora, anche se, loro sono.

Inoltre, le reti di apprendimento sono state sovrapposte l'una sull'altra, creando reti di connessioni più simili alla gerarchia degli strati che si trova nella corteccia visiva. Questo fa parte di una convergenza in atto tra intelligenza artificiale e intelligenza biologica.

Apprendimento profondo nella vita reale

Il deep learning sta già aumentando le capacità umane. Se utilizzi i servizi Google per eseguire ricerche sul Web, o usa le sue app per tradurre da una lingua all'altra o trasformare il discorso in testo, la tecnologia ti ha reso più intelligente, o più efficace. Recentemente durante un viaggio in Cina, un amico parlava inglese sul suo telefono Android, che lo ha tradotto in cinese parlato per un tassista, proprio come il traduttore universale di "Star Trek".

Questi e molti altri sistemi sono già al lavoro, aiutandoti nella tua vita quotidiana anche se non ne sei consapevole. Ad esempio, l'apprendimento profondo sta iniziando a prendere il sopravvento sulla lettura di immagini a raggi X e fotografie di lesioni cutanee per il rilevamento del cancro. Il tuo medico locale sarà presto in grado di individuare problemi che sono evidenti oggi solo ai migliori esperti.

Anche quando sai che è coinvolta una macchina, potresti non capire la complessità di ciò che stanno effettivamente facendo:dietro Alexa di Amazon c'è uno stuolo di reti di deep learning che riconoscono la tua richiesta, setacciare i dati per rispondere alle tue domande e intraprendere azioni per tuo conto.

Apprendimento avanzato

L'apprendimento profondo è stato molto efficace nel risolvere i problemi di riconoscimento dei modelli, ma per andare oltre questo sono necessari altri sistemi cerebrali. Quando un animale viene ricompensato per un'azione, è più probabile che intraprenda azioni simili in futuro. I neuroni dopaminergici nei gangli della base del cervello riportano la differenza tra i premi attesi e ricevuti, chiamato errore di previsione della ricompensa, che viene utilizzato per modificare i punti di forza delle connessioni nel cervello che prevedono ricompense future.

Abbinando questo approccio, chiamato apprendimento per rinforzo, con il deep learning può dare ai computer il potere di identificare possibilità inaspettate. Riconoscendo un modello e quindi rispondendo ad esso in un modo che produca ricompense, le macchine potrebbero avvicinarsi a comportamenti sulla falsariga di quella che potrebbe essere chiamata creatività umana. Questo approccio accoppiato è il modo in cui DeepMind ha sviluppato un programma chiamato AlphaGo, che nel 2016 ha sconfitto il gran maestro Lee Sedol e l'anno successivo ha battuto il campione del mondo di Go, Ke Jie.

I giochi non sono disordinati come il mondo reale, che è piena di mutevoli incertezze. Massimo Vergassola all'Università della California, San Diego, e di recente ho usato l'apprendimento per rinforzo per insegnare a un aliante sul campo come librarsi come un uccello in una termica turbolenta. I sensori possono essere collegati agli uccelli reali per verificare se usano gli stessi segnali e rispondono allo stesso modo.

Nonostante questi successi, i ricercatori non hanno ancora compreso appieno come l'apprendimento profondo risolva questi problemi. Certo, non sappiamo nemmeno come il cervello li risolva.

Mentre il funzionamento interno del cervello può rimanere sfuggente, è solo questione di tempo prima che i ricercatori sviluppino una teoria del deep learning. La differenza è che quando si studiano i computer, i ricercatori hanno accesso a ogni connessione e modello di attività nella rete. Il ritmo del progresso è rapido, 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. In definitiva, autonomous systems may become as complex, joining the myriad living creatures on our planet.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.