Umjetna inteligencija (UI) je jedan od najvažnijih tehnoloških dosega 21. stoljeća. To već sada znači da "strojevi" mogu čitati nalaze jednako dobro kao radiolozi, a pomoglo je i automobilskoj industriji da razvije autonomne automobile. No, tehnologija je, piše Financial Times, precijenjena, i trebati će proći još mnogo razvojnih koraka da njihova inteligencija može parirati ljudskoj inteligenciji.
Kada se raspravlja o umjetnoj inteligenciji, pa i strahovima od iste, najčešće se spominje jedan pojam - duboko učenje ili "deep learning".
"Duboko učenje je grana strojnog učenja temeljena na predstavljanju podataka složenim reprezentacijama na visokom stupnju apstrakcije do kojih se dolazi slijedom naučenih nelinearnih transformacija. Metode dubokog učenja svoju primjenu pronalaze u važnim područjima umjetne inteligencije poput računalnog vida, obrade prirodnog jezika, razumijevanja govora i zvučnih signala, kao i u bioinformatici", tako na svojim stranicama duboko učenje definira Fakultet elektrotehnike i računarstva.
No tehnologija, kaže Dave Ferrucci, UI stručnjak koji je radio za IBM, ima svoja ograničenja. "Watson projekt" kojeg je on vodio rezultirao je time da je prije sedam godina Watson pobijedio najbolje igrače u američkom televizijskom showu Jeopardy.
No Ferrucci, sada šef firme Elemental Cognition, ističe kako je duboko učenje ništa drugo nego statistička tehnika koja pronalazi uzorak u velikim količinama podataka. Jako dobro, kaže, predviđa, no nema pravo razumijevanje kakvo posjeduju ljudi.
"Na duge staze nije dovoljno "samo" imati računalo koje ispljune najčešće točan odgovor, želite moći dobiti o objašnjenje", kaže Ferrucci.
Gary Marcus, profesor s katedre psihologije na NYU skeptik je kada je riječ o dubokom učenju, a o tome je objavio i veliki rad. Tamo je naveo sve moguće probleme iz kojih njegova skepsa i proizlazi - oslanjanje na golemu količinu podataka, pa sve do podložnosti i inherentnih "predrasuda" sustava, pa do toga da se ne znaju nositi s apstraktnim rasuđivanjem.
"Najveći rizik vezan uz UI danas je da iz faze histerije odemo u još jednu "UI zimu", rekao je Marcus referirajući se na period sedamdesetih kada je pretjerani optimizam kada je riječ o tehnologiji bio slijeđen s fazom dubokog razočaranja i prsnuća iluzija. Ako neki od ključnih nada za duboko učenje, poput autonomne vožnje, ne ispuni očekivanja "onda bi tehnologija UI mogla doživjeti pad, od pada popularnosti do pada financiranja".
Neki UI stručnjaci izvan "mainstreama" se slažu kako je jako važno preispitivati sve što uzimamo zdravo za gotovo.
"S obzirom na uzbuđenje i ulaganje u duboko učenje važno je sve analizirati i dobro razmisliti o limitacijama", kaže Oren Etzioni, šef Allen instituta za UI. Osvrće se i na strahove mnogih o tome kako će kraj čovječanstva pokrenuti upravo svemoćni AI.
"Ako s jedne strane imamo Elona Muska i Nicka Bostroma sa Oxforda koji nam pričaju o "superinteligenciji", onda nam trebaju skeptici poput Garyja Marcusa da nas vrate u stvarnost", kaže Etzioni.
Duboko učenje je statistički pristup koji koristi tzv. neuronske mreže, koje se baziraju na teoriji o tome kako funkcionira ljudski mozak. Informacije prolaze kroz slojeve umjetnih neurona. Glavna tehnika, naziva nadzirano učenje, uključuje unos brojnih "inputa" kako bi se istrenirao pravovaljani i točni rezultat koji se očekuje.
Fotografije mačaka tako će, s vremenom, rezultirati riječju "mačka". Pristup ima svoja ograničenja.
Profesor sa Stanforda i jedan od osnivača Google Brain Andrew Ng kaže kako sustav funkcionira u slučajevima gdje jasni "input" može rezultirati jasnim "outputom". Dakle najbolji je za vrste problema koji uključuju neku vrstu kategorizacije, svrstavanja u "ladice".
Upotreba i važnost takvih vrsta sistema je širok. Potencijal neuronskih mreža postao je jasan 2012. kada je jedan sistem došao blizu ljudskom nivou percepcije kada je riječ o prepoznavanju slika.
Tehnika je napravila pomake i u prepoznavanju govora i prijevodu jezika, čime su mašine počele raditi poslove nekada rezervirane za ljudske radnike.
Međutim, neuronske se mreže može prevariti. Marcus prepričava slučaj kada je sustav naučen da traži puške prevaren slikama kornjača. Iskrivljene ili iskošene slike također vode predrasudama prema kojima onda mašina formulira svoj odgovor.
Jedan od temeljnih argumenata protiv dubokog učenja jest da se tehnologija ne može nositi s mnoštvom problema koje ljudi žele da računala preuzmu. Nema kapaciteta za stvari koje ljudski mozak radi s lakoćom, poput apstrakcije ili pak mogućnost inferencije, donošenja zaključka iz nepotpune slike, i onda korištenja tog znanja u drugačiji uvjetima.
"Veliki je problem kako UI obogatiti zdravim razumom. To imaju čak i djeca, ali ne i programi za duboko učenje", kaže Etzioni. Nova istraživanja idu u smjeru toga da se ti problemi riješe. To uključuje učenje prijenosom, gdje se algoritmi "treniraju" da jedan set zaključaka prenesu na drugi problem, nenadzirano učenje, gdje sustav uči bez da treba obilježeni sadržaj da ga uči.
"Ono što mi trebamo je sustav koji može savladati različite forme i oblike inteligencije", kaže Ferrucci. Ono što mi smatramo spoznajom zapravo uključuje brojne tehnike, svaku prilagođenu drugoj vrsti problema. Hibridni kompjuteri i sustavi koji će pokazivati "ljudsku razinu" razumijevanja morati će funkcionirati na taj način.
"Moramo se maknuti od "čudesa" koje se stalno bave jednim problemom, na sustave koji mogu "multitaskati" bez da trebaju goleme količine podataka kako bi nešto naučili, a u proteklih pola stoljeća istraživanje na polju UI postiglo je niz uspjeha i inovacija koje nam mogu pomoći", kaže Ferrucci.
