Yann lecun พูดถึงพลังข้อ จำกัด ของการเรียนรู้อย่างลึกซึ้ง

ในการประชุมเชิงปฏิบัติการเกี่ยวกับ AI และอนาคตของการทำงานเมื่อต้นเดือนนี้ Yann LeCun ผู้อำนวยการฝ่ายวิจัยของ AI ที่ Facebook และผู้ก่อตั้งผู้ก่อตั้งศูนย์ข้อมูลวิทยาศาสตร์ NYU พูดคุยเกี่ยวกับ "พลังและขีด จำกัด ของการเรียนรู้ลึก" LeCun ซึ่งเป็นผู้บุกเบิกเครือข่ายประสาทเทียมที่เป็นหัวใจสำคัญของความก้าวหน้าล่าสุดใน AI ต่างก็มีความกระตือรือร้นในความก้าวหน้าที่เกิดขึ้นในช่วงไม่กี่ปีที่ผ่านมาและเป็นจริงเกี่ยวกับสิ่งที่ระบบดังกล่าวสามารถทำได้และไม่สามารถทำได้

มีหลายคลื่น AI, LeCun กล่าวและตั้งข้อสังเกตว่าในขณะที่คลื่นปัจจุบันได้มุ่งเน้นการเรียนรู้ลึกสิ่งที่จะมาคือ "การรับรู้" ด้วยตัวอย่างที่ใหญ่ที่สุดเป็นโปรแกรมเช่นภาพทางการแพทย์และรถยนต์ขับด้วยตนเอง แอปพลิเคชั่นเหล่านี้เกือบทั้งหมดใช้การเรียนรู้แบบมีผู้สอนและใช้เครือข่ายประสาทเทียมส่วนใหญ่ซึ่ง LeCun ได้รับการอธิบายครั้งแรกในปี 1989 และเป็นครั้งแรกที่มีการใช้งานการจดจำตัวอักษรใน ATMs ในปี 1995 LeCun กล่าว

มันเป็นชุดข้อมูลขนาดใหญ่ที่มีขนาดตัวอย่างขนาดใหญ่รวมถึงพลังการประมวลผลที่เพิ่มขึ้นอย่างมาก (ได้รับความช่วยเหลือจากงานของ Geoffrey Hinton ในการหาวิธีการใช้ GPU ในการจดจำภาพ) ซึ่งมีการเปลี่ยนแปลงมากที่สุดในปีที่ผ่านมา แม้กระทั่ง LeCun ความก้าวหน้าในการจดจำภาพก็คือ "ไม่น้อยไปกว่าความอัศจรรย์" แม้ว่าการรับรู้ "ใช้งานได้จริง" สิ่งที่ยังขาดหายไปคือการให้เหตุผล

LeCun พูดคุยเกี่ยวกับวิธีการที่แตกต่างกันสามแบบและข้อ จำกัด ของแต่ละวิธี การเรียนรู้การเสริมแรงต้องใช้ตัวอย่างจำนวนมาก มันยอดเยี่ยมสำหรับเกมเนื่องจากระบบสามารถใช้การทดลองหลายล้านครั้งและดีขึ้นเรื่อย ๆ แต่มันยากที่จะใช้ในโลกแห่งความเป็นจริงเนื่องจากคุณไม่ต้องการขับรถออกจากหน้าผา 50 ล้านครั้งเป็นต้นและ เรียลไทม์เป็นปัจจัยในโลกแห่งความจริง

การเรียนรู้ภายใต้การดูแลซึ่งเป็นสิ่งที่เราเห็นในตอนนี้ส่วนใหญ่ต้องการความคิดเห็นในระดับปานกลางและทำงานได้ดี อย่างไรก็ตามการเรียนรู้ของเครื่องภายใต้การดูแลมีปัญหาบางอย่าง LeCun กล่าวว่าระบบดังกล่าวสะท้อนอคติในข้อมูลแม้ว่าเขาจะบอกว่าเขามองโลกในแง่ดีปัญหานี้จะสามารถเอาชนะได้และเชื่อว่ามันง่ายกว่าที่จะกำจัดอคติออกจากเครื่องจักรเมื่อเทียบกับคน แต่มันก็ยากที่จะตรวจสอบระบบดังกล่าวเพื่อความน่าเชื่อถือและยากที่จะอธิบายการตัดสินใจที่ทำตามผลงานจากระบบดังกล่าวและ LeCun พูดคุยเกี่ยวกับการขอสินเชื่อเป็นตัวอย่างของสิ่งนี้

การเรียนรู้ที่ไม่ได้รับการสนับสนุนหรือการคาดการณ์ซึ่งกำลังมีการวิจัยเกี่ยวกับสิ่งต่าง ๆ เช่นการทำนายเฟรมในอนาคตในวิดีโอต้องการความคิดเห็นมากมาย การเรียนรู้ที่ไม่ได้สำรองไว้นั้นเกี่ยวข้องกับการทำนายอดีตปัจจุบันหรืออนาคตจากข้อมูลใด ๆ ที่มีให้หรือในคำอื่น ๆ ความสามารถในการเติมลงในช่องว่างซึ่ง LeCun กล่าวว่าเป็นสิ่งที่เราเรียกว่าสามัญสำนึก เขาตั้งข้อสังเกตว่าเด็กทารกสามารถทำสิ่งนี้ได้ แต่การทำเครื่องจักรให้ทำได้นั้นยากมากและพูดคุยเกี่ยวกับวิธีที่นักวิจัยกำลังทำงานเกี่ยวกับเทคนิคเช่นเครือข่ายผู้ไม่หวังดี (GAN) สำหรับการคาดการณ์ในสภาพที่ไม่แน่นอน เรายังห่างไกลจากการมีทางออกที่สมบูรณ์เขากล่าวว่า

LeCun พูดคุยเกี่ยวกับการเรียนรู้สามประเภทว่าเป็นเหมือนส่วนหนึ่งของเค้ก: การเรียนรู้เสริมคือเชอร์รี่ที่อยู่ด้านบนควบคุมการเรียนรู้ไอซิ่งและการเรียนรู้เชิงทำนายเป็นส่วนสำคัญของเค้ก

LeCun ทำนายว่า AI จะเปลี่ยนวิธีที่สิ่งต่าง ๆ มีมูลค่าด้วยสินค้าที่สร้างขึ้นโดยหุ่นยนต์ที่มีต้นทุนน้อยกว่าและประสบการณ์ของมนุษย์ที่แท้จริงมีราคาสูงกว่าและกล่าวว่านี่อาจหมายถึงว่า "อนาคตที่สดใสสำหรับนักดนตรีแจ๊ส

โดยรวมแล้ว LeCun กล่าวว่า AI เป็นเทคโนโลยีเอนกประสงค์ (GPT) เช่นเครื่องยนต์ไอน้ำไฟฟ้าหรือคอมพิวเตอร์ เช่นนี้จะส่งผลกระทบต่อหลายพื้นที่ของเศรษฐกิจ แต่จะใช้เวลา 10 หรือ 20 ปีก่อนที่เราจะเห็นผลกระทบต่อผลผลิต LeCun กล่าวว่า AI จะนำไปสู่การเปลี่ยนงาน แต่ตั้งข้อสังเกตว่าการปรับใช้เทคโนโลยีถูก จำกัด ด้วยวิธีที่คนงานสามารถฝึกอบรมได้อย่างรวดเร็ว

สำหรับการปฏิวัติ AI ที่แท้จริงนั้น LeCun กล่าวว่าสิ่งนี้จะไม่เกิดขึ้นจนกว่าเครื่องจักรจะได้รับความรู้สึกร่วมกันและการกำหนดหลักการในการสร้างสิ่งนี้อาจใช้เวลาสองปีห้าสิบปีหรือมากกว่านั้น นอกจากนั้นจะต้องใช้เวลาหลายปีในการพัฒนาเทคโนโลยี AI เชิงปฏิบัติบนพื้นฐานของหลักการเหล่านั้น ในที่สุดเขาก็สังเกตเห็นว่ามันใช้เวลายี่สิบปีกว่าที่มุ้งอวนจะกลายเป็นสิ่งสำคัญ และทั้งหมดนี้อยู่บนสมมติฐานที่ว่าหลักการนั้นง่าย มันจะซับซ้อนมากขึ้นถ้า "ปัญญาเป็นกระบอง"