4 lý do không sợ học sâu (chưa) | ben Dickson

Năm 2012, một nhóm các nhà khoa học từ Đại học Toronto đã thực hiện một bước đột phá phân loại hình ảnh.

Tại ImageNet, một cuộc thi trí tuệ nhân tạo (AI) hàng năm, trong đó các thí sinh tranh giành thuật toán phân loại hình ảnh chính xác nhất, nhóm Toronto đã ra mắt AlexNet, "đánh bại lĩnh vực này với tỷ lệ chênh lệch 10, 8 điểm phần trăm … tốt hơn 41% so với tốt nhất tiếp theo, "theo Quartz.

Học sâu, phương pháp được nhóm sử dụng, là một cải tiến căn bản so với các phương pháp tiếp cận trước đây về AI và mở ra một kỷ nguyên đổi mới mới. Kể từ đó, nó đã tìm được đường vào giáo dục, y tế, an ninh mạng, trò chơi trên bàn và dịch thuật, và đã thu về hàng tỷ đô la đầu tư tại Thung lũng Silicon.

Nhiều người đã ca ngợi việc học sâu và siêu năng lực, học máy, là công nghệ có mục đích chung trong thời đại của chúng ta và sâu sắc hơn cả điện và lửa. Tuy nhiên, những người khác cảnh báo rằng học sâu sẽ giúp con người tốt nhất trong mọi nhiệm vụ và trở thành kẻ giết công việc tối thượng. Và sự bùng nổ của các ứng dụng và dịch vụ được cung cấp bởi học sâu đã làm dấy lên nỗi sợ về ngày tận thế AI, trong đó các máy tính siêu thông minh chinh phục hành tinh và đẩy con người vào cảnh nô lệ hoặc tuyệt chủng.

Nhưng bất chấp sự cường điệu, học sâu có một số sai sót có thể ngăn nó thực hiện một số lời hứa của nó, cả tích cực và tiêu cực.

Deep Learning dựa quá nhiều vào dữ liệu

Học sâu và mạng lưới thần kinh sâu, bao gồm cấu trúc cơ bản của nó, thường được so sánh với bộ não của con người. Nhưng tâm trí của chúng ta có thể học các khái niệm và đưa ra quyết định với rất ít dữ liệu; học sâu đòi hỏi hàng tấn mẫu để thực hiện nhiệm vụ đơn giản nhất.

Về cốt lõi, học sâu là một kỹ thuật phức tạp, ánh xạ đầu vào thành đầu ra bằng cách tìm các mẫu phổ biến trong dữ liệu được dán nhãn và sử dụng kiến ​​thức để phân loại các mẫu dữ liệu khác. Ví dụ, cung cấp cho ứng dụng tìm hiểu sâu đủ hình ảnh của mèo và nó sẽ có thể phát hiện xem ảnh có chứa mèo hay không. Tương tự như vậy, khi một thuật toán học sâu ăn đủ các mẫu âm thanh của các từ và cụm từ khác nhau, nó có thể nhận ra và phiên âm lời nói.

Nhưng phương pháp này chỉ hiệu quả khi bạn có nhiều dữ liệu chất lượng để nuôi các thuật toán của mình. Mặt khác, các thuật toán học sâu có thể phạm sai lầm hoang dã (như nhầm súng trường với máy bay trực thăng). Khi dữ liệu của họ không bao gồm và đa dạng, các thuật toán học sâu thậm chí còn thể hiện hành vi phân biệt chủng tộc và phân biệt giới tính.

Sự phụ thuộc vào dữ liệu cũng gây ra vấn đề tập trung. Vì họ có quyền truy cập vào lượng dữ liệu khổng lồ, các công ty như Google và Amazon có vị trí tốt hơn để phát triển các ứng dụng học sâu hiệu quả cao so với các công ty khởi nghiệp có ít tài nguyên hơn. Việc tập trung AI vào một số công ty có thể cản trở sự đổi mới và khiến các công ty đó quá ảnh hưởng đến người dùng của họ.

Học sâu không linh hoạt

Con người có thể học các khái niệm trừu tượng và áp dụng chúng vào nhiều tình huống khác nhau. Chúng tôi làm thế này hoài. Chẳng hạn, khi bạn lần đầu tiên chơi một trò chơi trên máy tính như Mario Bros., bạn có thể sử dụng ngay kiến ​​thức trong thế giới thực, chẳng hạn như cần phải nhảy qua hố hoặc né những quả bóng bốc lửa. Sau đó, bạn có thể áp dụng kiến ​​thức về trò chơi của mình cho các phiên bản Mario khác, như Super Mario Odyssey hoặc các trò chơi khác có cơ chế tương tự, như Donkey Kong Country và Crash Bandicoot.

Tuy nhiên, các ứng dụng AI phải học mọi thứ từ đầu. Nhìn vào cách thuật toán học sâu học chơi Mario cho thấy quá trình học tập của AI khác với con người như thế nào. Về cơ bản, nó bắt đầu không biết gì về môi trường của nó và dần dần học cách tương tác với các yếu tố khác nhau. Nhưng kiến ​​thức thu được từ việc chơi Mario chỉ phục vụ cho phạm vi hẹp của trò chơi đơn đó và không thể chuyển sang các trò chơi khác, ngay cả các trò chơi Mario khác.

Sự thiếu hiểu biết về khái niệm và trừu tượng này khiến các ứng dụng học sâu tập trung vào các nhiệm vụ hạn chế và ngăn chặn sự phát triển của trí tuệ nhân tạo nói chung, loại AI có thể đưa ra quyết định trí tuệ như con người. Đó không nhất thiết là một điểm yếu; Một số chuyên gia cho rằng tạo ra AI nói chung là một mục tiêu vô nghĩa. Nhưng nó chắc chắn là một hạn chế khi so sánh với bộ não con người.

Học sâu là mờ đục

Không giống như phần mềm truyền thống, mà các lập trình viên xác định các quy tắc, các ứng dụng học sâu tạo ra các quy tắc của riêng họ bằng cách xử lý và phân tích dữ liệu kiểm tra. Do đó, không ai thực sự biết làm thế nào họ đạt được kết luận và quyết định. Ngay cả các nhà phát triển các thuật toán học sâu thường thấy bối rối trước kết quả sáng tạo của họ.

Sự thiếu minh bạch này có thể là một trở ngại lớn cho AI và học tập sâu, vì công nghệ cố gắng tìm vị trí của nó trong các lĩnh vực nhạy cảm như điều trị bệnh nhân, thực thi pháp luật và xe tự lái. Các thuật toán học sâu có thể ít mắc lỗi hơn con người, nhưng khi chúng mắc lỗi, những lý do đằng sau những sai lầm đó có thể giải thích được. Nếu chúng tôi không thể hiểu các ứng dụng AI của chúng tôi hoạt động như thế nào, chúng tôi sẽ không thể tin tưởng chúng vào các nhiệm vụ quan trọng.

Học sâu có thể vượt qua

Học sâu đã chứng minh giá trị của nó trong nhiều lĩnh vực và sẽ tiếp tục thay đổi cách chúng ta làm việc. Mặc dù có những sai sót và hạn chế, việc học sâu đã không làm chúng tôi thất bại. Nhưng chúng ta phải điều chỉnh kỳ vọng của mình.

Như học giả AI Gary Marcus cảnh báo, việc vượt qua công nghệ có thể dẫn đến một thời kỳ "mùa đông AI" khác khi kỳ vọng quá cao và sự kém hiệu quả dẫn đến thất vọng chung và thiếu quan tâm.

Marcus cho rằng học sâu không phải là "dung môi vạn năng mà là một công cụ trong số nhiều người", điều đó có nghĩa là trong khi chúng ta tiếp tục khám phá các khả năng mà học sâu cung cấp, chúng ta cũng nên xem xét các cách tiếp cận khác, cơ bản để tạo ra các ứng dụng AI.

Ngay cả giáo sư Geoffrey Hinton, người tiên phong trong công việc dẫn đến cuộc cách mạng học tập sâu, tin rằng các phương pháp hoàn toàn mới có thể sẽ phải được phát minh. "Tương lai phụ thuộc vào một số sinh viên tốt nghiệp, người rất nghi ngờ tất cả những gì tôi đã nói, " anh nói với Axios.