На днях вышла книга французского ученого, главного специалиста по ИИ в Facebook Яна Лекуна «Quand la machine apprend» («Когда машина учится»). Отчасти это автобиография, отчасти — сборник научных лекций, отчасти — история искусственного интеллекта.
Со сцены Принстонского университета Лекун рассказал собравшимся о своем видении будущего искусственного интеллекта: как выйти за пределы размеченных примеров, которые сейчас применяются для глубокого обучения, рассказывает ZDNet. «Мы не получим такой универсальный интеллект, как у человека, из обучения с наблюдением или из многозадачного обучения, — заявил он. — Придется придумать что-то другое».
Другой путь, по мнению Лекуна, это неконтролируемое обучение. И для того чтобы оно стало возможным, вся отрасль ИИ должна больше работать над подходом энергетического обучения (energy-based learning).
Энергетические функции известны в информатике давно. Биолог Джон Хопфилд популяризировал этот подход в 1980-х, в результате появилась так называемая «сеть Хопфилда». Это был прорыв в машинном обучении того времени, который привел к появлению других форм алгоритмов, например, машины Больцмана.
«Энергетическое обучение создано не сегодня, — сказал Лекун, — но, по моему мнению, оно возвращается благодаря меньшей потребности в контроле».
Основная идея такого подхода заключается в том, что вместо создания массы маркированных данных, например, изображений собак и котов, или тысячи часов игры в шахматы или Starcraft, можно взять сырой материал, скажем, ролики из YouTube, и скормить его машине. Она научится предсказывать будущий кадр видео. Из сопоставления прогноза и реальности рассчитывается уровень энергии. Чем он ниже, тем лучше, то есть идеальные системы стремятся к низкоэнергетическому состоянию.
Лекун высказывает довольно радикальное для машинного обучения мнение. Энергетические функции могут положить конец вероятностным предсказаниям, считает он.
«Правильно было бы отказаться от вероятностного фреймворка, потому что он ошибочный», — заявил ученый.
В этом году Лекун получил премию Тьюринга за вклад в информатику, в частности, за развитие сверточных нейронных сетей в 1990-х. Не он изобрел их, но помог найти им практическое применение. Эта технология легла в основу нынешней революции машинного обучения.
В защиту неконтролируемого, или спонтанного обучения Лекун высказывался неоднократно. Он считает, что как только машины научатся прогнозировать ситуации, они выработают полноценную модель мира, как это делает ребенок. И тогда перед нами откроется новый спектр возможностей.