Ричард Саттон, специалист по компьютерным технологиям, рассказал о том, что методы, которые применяют вычисления — самые эффективные. А всё из-за закона Мура, который гласит, что вычислительные мощности становятся доступнее и лучше.
Большая часть исследований проводилась так, будто вычисления, которые открыты для агента являются постоянными. Но со временем появляется ещё больше вычислительных мощностей. Сейчас учёные ищут способы внедрить улучшения, которые помогут в краткосрочном периоде. Однако, сейчас имеет смысл только постоянно нарастающее использование вычислений. Эти аспекты, по идее, не обязаны идти вразрез друг с другом, но всё же идут. Время, которое тратится на один из таких аспектов не равняется тому времени, что было потрачено на другой. Существуют некоторые обстоятельства, которые влияют на оба этих подхода. Однако, подход, базирующийся на человеческом опыте и знаниях, может увеличивать сложность методов так, что они перестают подходить для применения стандартных способов, которые используют вычисления.
Задачи можно решать при помощи беспрерывного роста вычислительных мощностей.
Существует огромное число примеров, когда ИИ-исследователи поздно понимали это. Давайте рассмотрим самые яркие примеры.
Программа, которая обыграла шахматного чемпиона основывается на массивном глубоком поиске. К этой разработке относились с тревогой. Метод «грубой силы» победил, хотя учёные хотели совсем другого.
Точно так же и в игре Го. Изначально учёные хотели использовать метод, при котором применяются человеческие знания и опыт. Также важно было сделать так, чтобы проект самостоятельно обучался во время игры. Но в результате вновь был использован метод поиска и обучения.
И это ещё раз доказывает то, что вычисления гораздо выгоднее, чем нестандартный подход мышления.
В 1970 годах DAPRA спонсировала конкурс, участники которого представляли разнообразные методы использования преимуществ человеческих знаний. Но оппонентами были представлены новые методы, которые основаны на статистике и вычислениях. Глубокое обучение значительно меньше полагается на человеческие знания и способы мышления, и всё больше использует силу вычислений.
Вычисления всегда превосходили способы человеческого мышления. А потому, помещать человеческие знания и способы мышления в машины было крайне непродуктивно. Такое можно наблюдать в областях изучения естественного языка, компьютерного зрения и т. д.
Специалисты совершают одни и те же ошибки, чтобы извлечь из них урок следует понять, почему эти ошибки так сильно привлекают ученых. Ричард Саттон выделил несколько основных проблем:
- Исследователи часто пытаются встроить знания в своих агентов.
- У них получалось, но эффект был недолгим.
- Масштабирование вычислений всегда приносило больший результат.
Лучший метод — это поиск и обучение. Он постоянно масштабируется с ростом вычислений.
Не следует искать лёгкие способы для осмысления ума, которые будут похожи на осмысление пространства, множественных агентов и симметрий. Они представляют из себя объекты внешнего мира, мы не должны использовать их в качестве ориентира. Их сложность бесконечна. Данные методы способны находить отличные приближения, но поиск должен производиться нашими методами, а не нами. Мы нуждаемся в ИИ-агентах, которые способны делать те же открытия, что и мы. Построение на открытиях, сделанных человеком является осложняющим фактором. Человечество должно довериться вычислениям, а не пытаться внедрить свой разум в машины.
Комментарий Агентства Искусственного Интеллекта: Саттон преувеличивает масштаб проблемы, область ИИ-технологий развивается стремительно и тренды в ней постоянно меняются. А мощность вычислений когда-нибудь упрётся в объективный потолок, так что придётся искать новые технологии.
Источник: hi-news.ru