4 เหตุผลที่ไม่ต้องกลัวการเรียนรู้อย่างลึกซึ้ง (ยัง) | เบนดิกสัน

ในปี 2012 กลุ่มนักวิทยาศาสตร์จากมหาวิทยาลัยโตรอนโตทำการพัฒนาการจำแนกภาพ

ที่ ImageNet การแข่งขันปัญญาประดิษฐ์ประจำปี (AI) ที่ผู้เข้าแข่งขันต้องสร้างอัลกอริทึมการจำแนกภาพที่แม่นยำที่สุดทีมโตรอนโตเปิดตัว AlexNet "ซึ่งเอาชนะสนามได้ด้วยอัตรากำไรขั้นต้นที่ 10.8 … 41 เปอร์เซ็นต์ดีกว่า สิ่งที่ดีที่สุดถัดไป "จากควอตซ์

การเรียนรู้อย่างลึกซึ้งวิธีการที่ทีมใช้คือการปรับปรุงที่รุนแรงกว่าวิธีการก่อนหน้านี้ของ AI และนำไปสู่ยุคใหม่ของนวัตกรรม นับตั้งแต่ก่อตั้งมาจนถึงการศึกษาการดูแลสุขภาพการรักษาความปลอดภัยทางไซเบอร์เกมกระดานและการแปลและได้ลงทุนหลายพันล้านดอลลาร์ในการลงทุนใน Silicon Valley

หลายคนยกย่องการเรียนรู้อย่างลึกล้ำและซูเปอร์เซ็ตการเรียนรู้ด้วยเครื่องจักรเป็นเทคโนโลยีที่ใช้งานทั่วไปในยุคของเราและลึกซึ้งยิ่งกว่าไฟฟ้าและไฟ แม้ว่าคนอื่น ๆ เตือนว่าการเรียนรู้อย่างลึกซึ้งในที่สุดจะดีที่สุดมนุษย์ในทุกงานและกลายเป็นนักฆ่างานที่ดีที่สุด และการระเบิดของแอพพลิเคชั่นและบริการที่ขับเคลื่อนโดยการเรียนรู้อย่างลึกซึ้งได้ก่อให้เกิดความหวาดกลัวต่อการเปิดเผย AI ซึ่งคอมพิวเตอร์อัจฉริยะสุดยอดพิชิตโลกและผลักดันให้มนุษย์กลายเป็นทาสหรือสูญพันธุ์

แต่แม้จะมีโฆษณาเกินจริงการเรียนรู้อย่างลึกซึ้งมีข้อบกพร่องบางอย่างที่อาจป้องกันไม่ให้เกิดการตระหนักถึงคำสัญญาบางอย่างทั้งในแง่บวกและด้านลบ

การเรียนรู้อย่างลึกต้องอาศัยข้อมูลมากเกินไป

การเรียนรู้อย่างลึกซึ้งและโครงข่ายประสาทลึกซึ่งประกอบด้วยโครงสร้างพื้นฐานมักถูกนำมาเปรียบเทียบกับสมองของมนุษย์ แต่จิตใจของเราสามารถเรียนรู้แนวคิดและตัดสินใจด้วยข้อมูลที่น้อยมาก การเรียนรู้อย่างลึกซึ้งต้องการตัวอย่างจำนวนมากเพื่อทำงานที่ง่ายที่สุด

ที่เป็นแกนหลักของการเรียนรู้ลึกเป็นเทคนิคที่ซับซ้อนที่แมปอินพุตกับเอาต์พุตโดยการค้นหารูปแบบทั่วไปในข้อมูลที่มีป้ายกำกับและการใช้ความรู้ในการจัดหมวดหมู่ตัวอย่างข้อมูลอื่น ๆ ตัวอย่างเช่นให้แอปพลิเคชั่นการเรียนรู้อย่างลึกซึ้งมีรูปภาพแมวมากพอและมันจะสามารถตรวจสอบได้ว่าภาพถ่ายมีแมวหรือไม่ ในทำนองเดียวกันเมื่ออัลกอริทึมการเรียนรู้ลึกนำตัวอย่างเสียงคำและวลีต่าง ๆ มาใช้อย่างเพียงพอก็สามารถรับรู้และคัดลอกคำพูดได้

แต่วิธีการนี้จะมีผลก็ต่อเมื่อคุณมีข้อมูลคุณภาพจำนวนมากเพื่อป้อนอัลกอริทึมของคุณ มิฉะนั้นอัลกอริทึมที่เรียนรู้อย่างลึกซึ้งสามารถทำผิดพลาดอย่างรุนแรง (เช่นการเข้าใจผิดว่าปืนไรเฟิลสำหรับเฮลิคอปเตอร์) เมื่อข้อมูลของพวกเขาไม่ครอบคลุมและมีความหลากหลายอัลกอริธึมการเรียนรู้แบบลึกยังแสดงพฤติกรรมเหยียดเชื้อชาติและพฤติกรรมผู้หญิง

การพึ่งพาข้อมูลยังทำให้เกิดปัญหาการรวมศูนย์ เนื่องจากพวกเขาสามารถเข้าถึงข้อมูลจำนวนมหาศาล บริษัท เช่น Google และ Amazon อยู่ในตำแหน่งที่ดีกว่าในการพัฒนาแอปพลิเคชันการเรียนรู้เชิงลึกที่มีประสิทธิภาพสูงกว่า บริษัท ที่เพิ่งเริ่มต้นด้วยทรัพยากรที่น้อยลง การรวมศูนย์ของ AI ในไม่กี่ บริษัท สามารถขัดขวางนวัตกรรมและทำให้ บริษัท เหล่านั้นมีอิทธิพลต่อผู้ใช้มากเกินไป

การเรียนรู้อย่างลึกซึ้งนั้นไม่ยืดหยุ่น

มนุษย์สามารถเรียนรู้แนวคิดที่เป็นนามธรรมและนำไปใช้กับสถานการณ์ที่หลากหลาย เราทำสิ่งนี้ตลอดเวลา ตัวอย่างเช่นเมื่อคุณเล่นเกมคอมพิวเตอร์เช่น Mario Bros. เป็นครั้งแรกคุณสามารถใช้ความรู้ในโลกแห่งความเป็นจริงได้ทันที - เช่นต้องกระโดดข้ามหลุมหรือหลบลูกบอลไฟ คุณสามารถนำความรู้ของเกมไปใช้กับ Mario รุ่นอื่นเช่น Super Mario Odyssey หรือเกมอื่น ๆ ที่มีกลไกคล้ายคลึงกันเช่น Donkey Kong Country และ Crash Bandicoot

อย่างไรก็ตามแอปพลิเคชัน AI ต้องเรียนรู้ทุกอย่างตั้งแต่เริ่มต้น ดูว่าอัลกอริทึมการเรียนรู้ลึกเรียนรู้การเล่นมาริโอแสดงให้เห็นว่ากระบวนการเรียนรู้ของ AI นั้นแตกต่างจากของมนุษย์อย่างไร มันเริ่มรู้อะไรเกี่ยวกับสภาพแวดล้อมเป็นหลักและค่อยๆเรียนรู้ที่จะโต้ตอบกับองค์ประกอบต่าง ๆ แต่ความรู้ที่ได้รับจากการเล่นมาริโอนั้นให้บริการเฉพาะขอบเขตแคบ ๆ ของเกมเดียวและไม่สามารถถ่ายโอนไปยังเกมอื่น ๆ ได้แม้แต่เกมมาริโออื่น ๆ

การขาดความเข้าใจในแนวคิดและนามธรรมทำให้แอปพลิเคชั่นการเรียนรู้ลึกมุ่งเน้นไปที่งานที่ จำกัด และป้องกันการพัฒนาปัญญาประดิษฐ์ทั่วไปซึ่งเป็น AI ชนิดหนึ่งที่สามารถตัดสินใจทางปัญญาเช่นเดียวกับมนุษย์ นั่นไม่จำเป็นต้องเป็นจุดอ่อน ผู้เชี่ยวชาญบางคนยืนยันว่าการสร้าง AI โดยทั่วไปนั้นเป็นเป้าหมายที่ไร้จุดหมาย แต่มันเป็นข้อ จำกัด อย่างแน่นอนเมื่อเทียบกับสมองมนุษย์

การเรียนรู้ลึกคือทึบแสง

ซึ่งแตกต่างจากซอฟต์แวร์แบบดั้งเดิมที่โปรแกรมเมอร์กำหนดกฏแอปพลิเคชั่นการเรียนรู้ลึกจะสร้างกฎของตนเองโดยการประมวลผลและวิเคราะห์ข้อมูลการทดสอบ ดังนั้นไม่มีใครรู้ว่าพวกเขาบรรลุข้อสรุปและการตัดสินใจ แม้แต่นักพัฒนาของอัลกอริทึมการเรียนรู้ลึกมักจะพบว่าตัวเองงงงวยโดยผลของการสร้างของพวกเขา

การขาดความโปร่งใสนี้อาจเป็นอุปสรรคสำคัญสำหรับ AI และการเรียนรู้อย่างลึกล้ำเนื่องจากเทคโนโลยีพยายามค้นหาสถานที่ในโดเมนที่ละเอียดอ่อนเช่นการรักษาผู้ป่วยการบังคับใช้กฎหมายและรถยนต์ที่ขับเคลื่อนด้วยตนเอง อัลกอริทึมการเรียนรู้ลึกอาจมีแนวโน้มที่จะทำผิดพลาดน้อยกว่ามนุษย์ แต่เมื่อพวกเขาทำผิดพลาดเหตุผลที่อยู่เบื้องหลังความผิดพลาดเหล่านั้นควรจะอธิบายได้ หากเราไม่เข้าใจว่าแอปพลิเคชัน AI ของเราทำงานอย่างไรเราจะไม่สามารถไว้วางใจพวกเขาในงานสำคัญ

การเรียนรู้ที่ลึกล้ำอาจได้รับมากเกินไป

การเรียนรู้อย่างลึกซึ้งได้พิสูจน์แล้วว่ามีคุณค่าในหลาย ๆ ด้านและจะเปลี่ยนวิธีการทำสิ่งต่าง ๆ ของเราต่อไป แม้จะมีข้อบกพร่องและข้อ จำกัด การเรียนรู้อย่างลึกซึ้งไม่ได้ทำให้เราผิดหวัง แต่เราต้องปรับความคาดหวังของเรา

ในฐานะนักวิชาการ AI Gary Gary Marcus เตือนว่าการใช้เทคโนโลยีมากเกินไปอาจนำไปสู่ ​​"ฤดูหนาว AI" อีกครั้ง - เป็นช่วงเวลาที่ความคาดหวังสูงและประสิทธิภาพต่ำกว่าปกตินำไปสู่ความผิดหวังและขาดความสนใจ

มาร์คัสชี้ให้เห็นว่าการเรียนรู้ลึกไม่ใช่ "ตัวทำละลายสากล แต่เป็นเครื่องมือหนึ่งในหลาย ๆ อย่าง" ซึ่งหมายความว่าในขณะที่เรายังคงสำรวจความเป็นไปได้ที่การเรียนรู้อย่างลึกซึ้งยังคงดำเนินต่อไปเราก็ควรพิจารณาวิธีอื่น ๆ

แม้แต่ศาสตราจารย์เจฟฟรีย์ฮินตันผู้บุกเบิกงานที่นำไปสู่การปฏิวัติการเรียนรู้ลึกเชื่อว่าวิธีการใหม่ทั้งหมดอาจจะต้องถูกคิดค้นขึ้นมา “ อนาคตขึ้นอยู่กับนักศึกษาปริญญาโทบางคนที่สงสัยอย่างมากเกี่ยวกับทุกสิ่งที่ฉันพูด” เขากล่าวกับ Axios