Wired: Tévúton jár a világ legdrágább mesterséges intelligencia kutatása?
A DeepMind, amely ma a világ legnagyobb mesterséges intelligenciákat fejlesztő cége, a tavalyi évet 572 millió dolláros (172,5 milliárd forintos) veszteséggel zárta.
Az elmúlt három évben pedig a veszteség meghaladta az egymilliárd dollárt, ami azért már Google-léptékben is hatalmas összeg.
A DeepMind tulajdonosa ugyanis a Google anyavállalata, az Alphabet.
Ők eddig közel kétmilliárd dollárt fektetettek abba, hogy kereskedelmi forgalomba kerülhessen a DeepMind rendszere. Ehhez képest tavaly csak 125 millió dollár bevételük származott belőle, ráadásul ennek egy része is az Alphabeten belülről érkezett, ugyanis a mesterséges intelligenciát használták arra, hogy csökkentsék a Google-szerverek hűtésének áramköltségét.
A nem túl rózsás üzleti adatok kapcsán a Wired felteszi a kérdést, vajon a DeepMind tudományos értelemben jó úton halad-e? A szaklap szerint van ok a kételkedésre.
A DeepMind szinte mindent egy lapra tett fel, a megerősítő mélytanulásra.
Ez a technika kombinálja a mélytanulást, amelyet elsősorban a rendszerek felismerésére használnak, és a megerősítő tanulást, amely jutalomjelzésekre épül.
2013-ban hatalmas visszhangot keltett egy DeepMind tanulmány, ami bemutatta, miként lehetséges egy neurális hálózati rendszert úgy kiképezni, hogy bizonyos videójátékokat, például a Breakout-ot vagy a Space Invaders-t jobban játsszon, mint az ember. Erre a tanulmányra figyelhetett fel a Google is, amely 2014 januárjában megvásárolta a céget. A további fejlesztések vezettek a DeepMind Go- és Starcraft-győzelmeihez.
VIDEÓ: a DeepMind Strarcraft bemutatója
Mára azonban kiderült, a megerősítő mélytanulás csak jól körülhatárolt, kevés meglepetést tartogató környezetben megbízható
- állítja a Wired cikkének szerzője, Gary Marcus, aki Ernest Davissel közösen könyvet írt a témáról.
A baj szerinte az, hogy már apró változtatások is erősen ronthatják az eredményességet. A Go táblája és szabályai nem változtak 2000 éve, a Breakoutban viszont már a paddle néhány pixeles felnagyítása problémát okoz. Ugyanez a helyzet a Starcarfttal, ahol ahhoz, hogy át lehessen alakítani a figurákat, teljesen elölről kell kezdeni a rendszer betanítását. Márpedig a valóságban a körülmények és a szabályok gyorsan változhatnak.
Bizonyos értelemben a megerősítő mélytanulás egyfajta felturbózott memorizálás: ezek a rendszerek hihetetlen teljesítményre képesek, de csak halványan értik, hogy mit csinálnak.
- állítja Gary Marcus.
Ráadásul a betanításukhoz óriási mennyiségű adat kell, például több millió saját Go-játszma, sokkal több, mint amennyire egy embernek szüksége lenne ahhoz, hogy világklasszis legyen.
Egyelőre úgy tűnik, hiába fűztek nagy reményeket ahhoz is, hogy a megerősítő mély tanulást orvosi célokra használják.