18次世界冠军Lee Se-dol从AlphaGo学习新东西 - 失败

深度学习将教会我们生活中的所有教训:工作适用于机器

转到Scott Santens的个人资料 Scott Santens BlockedUnblockFollow 2016年3月16日

(本文的替代版本最初发布于 波士顿环球报)

1942年12月2日,由恩里科·费米领导的一个科学家小组从午餐回来,看着人类在芝加哥大学足球场下面的一堆砖块和木头内创造了第一次自我维持的核反应。历史上称为Chicago Pile-1 ,它是用一瓶Chianti沉默庆祝的,因为那些在那里的人完全理解它对人类的意义,而不需要任何语言。

现在,又出现了一些新事物,它再一次悄然改变了这个世界。就像一个外语中的低语,它很安静,因为你可能听过它,但它的全部意义可能还没有被理解。然而,重要的是我们理解这种新语言,以及它越来越多地告诉我们的内容,因为这些后果将会改变我们对全球化经济运作方式以及我们作为人类存在的方式所取的一切。

这种语言是一种新的机器学习方式,称为深度学习 ,而"低声说话"则是计算机对它的使用,似乎无处不在,三次欧洲围棋冠军范辉失败 ,不是一次,而是连续五次没有打败。谁看了这则新闻很多,考虑到令人印象深刻,但丝毫不逊于对李世乭匹配,而不是,谁许多人认为是世界上最好的球员的生活中去一个,如果不是最好 。想象一下人与机器这样一场盛大的决斗, 中国的顶级围棋球员预测李不会输掉一场比赛,李自己也很自信地预计最多可能输掉一场比赛

当他们面对时,实际上最终会发生什么?李接着失去了所有,但一个自己比赛的五场比赛。一个名为AlphaGo的AI现在是比任何人都更好的Go玩家,并被授予了9 dan的"神圣"等级 。换句话说,它的游戏水平与上帝接近。 Go已经正式进入机器,就像Jeopardy之前对Watson所做的那样,以及之前的国际象棋对Deep Blue来说。

"AlphaGo的历史性胜利是一个明确的信号,我们已经从线性变为抛物线。"

那么,Go是什么?非常简单,将Go视为Super Ultra Mega Chess。这可能听起来像是一个小小的成就,也是机器上限的另一个亮点,因为它们在我们玩的有趣游戏中继续证明自己是优越的,但这不是一个小成就,而且正在发生的事情是没有游戏。

AlphaGo的历史性胜利是一个明确的信号,我们已经从线性变为抛物线 。技术进步现在显然具有指数性,我们可以期待在我们预期之前很久就会看到更多的里程碑。这些指数级的进步,尤其是仅限于特定任务的人工智能形式,只要我们继续坚持将就业作为我们的主要收入来源,我们就完全没有准备。

这可能听起来有些夸张,所以让我们花几十年时间回顾一下,看看到目前为止计算机技术对人类就业的积极影响: 资料来源: 圣路易斯联储

让上面的图表陷入其中。不要误以为这个关于劳动自动化的对话是在未来设定的。它已经在这里了。 计算机技术已经开始就业,自1990年以来一直如此。

日常工作

所有工作可分为四种类型:常规和非常规,认知和手动。日常工作是日复一日的工作,而非常规工作则各不相同。在这两个品种中,工作主要需要我们的大脑(认知)和主要需要我们身体的工作(手动)。一旦所有四种类型都出现增长,这种情况在1990年就会停滞不前。这种情况的发生是因为常规劳动力对于技术来说是最容易实现的。可以为不会改变的工作编写规则,并且可以通过机器更好地处理工作。

令人沮丧的是,这一直是美国中产阶级基础的日常工作。这是亨利福特通过支付中产阶级工资来改造的常规手工工作,而这是曾经填补美国办公空间的常规认知工作。 这些工作现在越来越不可用 ,只留下两种前景乐观的工作:需要很少思考的工作,我们付钱很少的工作,以及需要这么多思考的工作,我们付出的代价很高。

如果我们现在可以把我们的经济想象成一架有四个发动机的飞机,只要它们都保持咆哮,它们仍然只能飞到它们中的两个,我们就可以避免撞到自己。但是当我们剩下的两个引擎也失败了会发生什么?这就是机器人和AI的前进领域代表最后两个引擎的原因,因为我们第一次成功地教授机器 学习

神经网络

我是一位内心的作家,但我的教育背景恰好是心理学和物理学。我对它们都着迷,所以我的本科专注最终成为了人类大脑的物理学,也被称为认知神经科学 。我想,一旦你开始研究人类的大脑是如何工作的,我们大量相互关联的神经元如何以某种方式产生我们所描述的心灵,一切都会发生变化。至少它对我有用。

作为我们大脑运作方式的快速入门,它们是互联细胞的巨大网络。其中一些连接很短,有些很长。有些单元只相互连接,有些单元连接到多个单元。然后,电信号以各种速率通过这些连接,并且随后的神经发射依次发生。它有点像倒下的多米诺骨牌,但更快,更大,更复杂。结果令人惊讶的是我们,以及我们一直在学习的工作方式,我们现在开始应用机器的工作方式。

其中一个应用是创建深度神经网络 - 有点像削减虚拟大脑。它们提供了一种机器学习的途径,如果有可能的话,它已经取得了前所未有的惊人飞跃。怎么样?这不仅仅是我们计算机的明显增长能力和我们在神经科学方面不断扩展的知识,而是我们的集体数据(即 大数据) 的大量增长。

大数据

大数据不仅仅是一些流行语。它是信息,当涉及到信息时,我们每天都在创造越来越多的信息。事实上,我们正在创造如此之多,以至于SINTEF 2013年的一份报告估计,全球90%的信息都是在前两年创建的 。由于互联网,这种令人难以置信的数据创建速度甚至每1.5年翻一番 ,在2015年我们 每分钟 都喜欢Facebook上的420万件内容,上传300小时的视频到YouTube,以及发送350,000条推文 。我们所做的一切都是以前所未有的方式生成数据,而且许多数据正是机器 学习所需的内容 。为什么?

想象一下,编程计算机以识别椅子。你需要输入大量的指令,结果仍然是一个程序检测椅子,而 不是 检测椅子。那么 我们是 如何学会检测椅子的呢?我们的父母指着椅子说:"椅子。"然后我们以为我们把整个椅子的东西全都搞清楚了,所以我们指着一张桌子说"椅子",就在我们的父母告诉我们这是"桌子"的时候。这称为强化学习。标签"椅子"连接到我们看到的每个椅子,这样某些神经通路被加权而其他的则没有。对于"椅子"在我们的大脑中射击,我们认为必须足够接近我们以前的椅子遭遇。从本质上讲,我们的生活是通过我们的大脑过滤的大数据。

深度学习

深度学习的强大之处在于它是一种使用大量数据来让机器更像我们操作而无需给出明确指令的方法。我们不是将"椅子"描述为计算机,而是将其插入互联网并为其提供数百万张椅子图片。然后,它可以有一个"椅子"的一般概念。接下来我们用更多图像测试它。如果它错了,我们会纠正它,这进一步改善了它的"椅子"检测。重复这个过程会导致计算机在看到椅子的时候知道它是什么, 在很大程度上也是如此 。但重要的区别在于, 与我们不同,它可以 几秒钟数百万 张图像进行排序

这种深度学习和大数据的结合在过去一年中取得了令人瞩目的成就。除了AlphaGo令人难以置信的成就之外, Google的DeepMind AI还学会了如何阅读和理解它通过成千上万个带注释的新闻文章阅读的内容。 DeepMind还 教会自己 比人类更好地播放数十款Atari 2600视频游戏 ,只需查看屏幕及其得分,并反复玩游戏。一个名为长颈鹿的人工智能教会了自己如何使用一个拥有1.75亿象棋位置的数据集以相似的方式下棋, 通过反复播放,在72小时内达到国际大师级别的地位 。在2015年, 人工智能甚至通过视觉图灵测试通过学习学习 ,使其能够在虚构的字母表中显示未知的角色,然后立即以一种与人类完全无法区分的方式再现该字母。任务。这些都是人工智能的 重要 里程碑。

然而,尽管有这些里程碑,当被要求估计计算机什么时候会击败一位着名的Go玩家时,即使在谷歌公布AlphaGo的胜利前几个月,答案仍然是专家," 可能在另外十年 。"十年被认为是一个公平的猜测,因为Go是一个如此复杂的游戏我只会让Jeopardy成名的Ken Jennings, 另一个被AI击败的前冠军人物描述它:

Go是一款比国际象棋更复杂的游戏,它有更大的棋盘,更长的游戏和更多的棋子。谷歌的DeepMind人工智能团队喜欢说已知宇宙中有更多可能的Go板而不是原子,但这大大 低估 了计算问题。 Go中约有10个板位,宇宙中 只有 10个原子。这意味着如果宇宙中存在与原子一样多的平行宇宙(!),那么 所有 这些宇宙中的原子 总数 将接近单个Go板上的可能性。

这种混乱的复杂性使得任何蛮力方法都无法扫描每一个可能的移动以确定下一个最佳移动。但深层神经网络得到各地以同样的方式我们自己的头脑做屏障,通过学习来估计什么 感觉 最好的举措。我们通过观察和实践来做到这一点,AlphaGo也是如此,通过分析数以百万计的专业游戏并玩数百万次 。因此,Go游戏何时落入机器的答案甚至不会接近十年。正确的答案最终是," 现在任何时候。 "

非常规自动化

现在任何时候。对于任何涉及新机器比人类做得更好的问题而言,这是21世纪的新应对,我们需要试着绕过它。

我们需要认识到指数性技术变革对于第一次进入非常规工作的劳动力市场空间意味着什么。可以学习意味着 什么 人和机器做的工作是独特的安全了。从汉堡包医疗保健 ,可以创建机器以成功执行这些任务,而不需要或不需要人类,并且成本低于人类。

阿梅利亚只是一个AI在那里目前正在Beta测试中的公司 现在 。她在过去的16年中由IPsoft创建,她学会了如何履行呼叫中心员工的工作。她可以在几秒钟内学会我们需要几个月的时间,她可以用20种语言来学习。因为她能够学习,所以随着时间的推移,她能够做得更多。在一家让她完成任务的公司中,她在第一周成功处理了每十个电话中的一个,到第二个月结束时,她可以解决十个电话中的六个。正因为如此,它已经估计她可以把2.5亿人失去了工作, 全世界

Viv是即将成为Siri创作者的人工智能,他将成为我们自己的私人助理。她将在线为我们执行任务,甚至通过建议我们消费她知道我们最喜欢的媒体来充当类固醇的Facebook新闻。在为我们完成所有这些工作时,我们会看到更少的广告,这意味着整个广告行业 - 整个互联网所依赖的行业 - 将受到严重破坏。

Amelia和Viv的世界 - 以及无数其他AI同行即将上线 - 与波士顿动力公司的下一代Atlas预测机器人相结合,是一个机器可以完成 所有四种 类型工作的世界 ,这意味着严重社会复议。如果一台机器可以代替人工作, 那么任何人都应该被迫处于贫困的威胁中去执行这项工作吗?收入本身是否仍然与就业相结合,这样,当许多工作完全无法获得时,找工作是获得收入的唯一途径?如果机器为我们提供越来越多的工作,而没有获得报酬,那么这些钱会转移到哪里什么不再买是否有可能我们创造的许多工作根本不需要存在 ,而且只能因为他们提供的收入而存在?这些是我们需要开始询问的问题,而且速度很快。

将工作收入脱钩

幸运的是, 人们 开始 这些 问题 ,并有该大厦的势头答案。我们的想法是让机器为我们工作,但通过简单地为每个人提供与工作无关的每月薪水,我们能够找到我们人类认为最有价值的剩余工作形式。这笔薪水将无条件地授予所有公民,其名称是普遍的基本收入 。通过从采用UBI,除了免疫对自动化的负面影响,我们也将会是降低风险的内在创业 ,和官僚机构的规模要增加收入。正是由于这些原因,它得到了跨党派的支持 ,甚至现在还处于瑞士芬兰荷兰加拿大等国家可能实施的初期阶段。

未来是加速变革的地方。继续把未来看作是过去似乎是不明智的,只是因为历史上出现了新的工作,他们总是这样。 世界经济论坛从2016年开始估计到2020年将创造200万个新工作岗位,同时减少700万个就业岗位 。这是净亏损,而不是净增加500万个工作岗位。在一篇经常被引用的论文中, 牛津大学的一项研究估计,到2033年,大约一半现有工作的自动化程度 。与此同时,由于机器学习,自动驾驶车辆能够对所有经济体产生巨大影响 - 特别是美国经济,就像我去年写的关于自动化卡车驾驶一样 - 通过在短时间内消除数百万个工作岗位。

而现在,即使是白宫, 在向国会提交的一份令人震惊的报告中 ,将2010年每小时工资低于20美元的工人最终失去工作机会的概率定为83%。即使每小时收费40美元的工人也面临31%的赔率。忽视这些可能性等于我们现在可笑的" 鸭子和掩护 "战略,以避免冷战期间的核爆炸。

所有这一切都是为什么在AI领域最知识渊博的人现在正在积极地为基本收入发出警报。 2015年底在奇点大学举行的小组讨论中,着名数据科学家杰里米·霍华德问道:"你是否希望有一半人因为无法增加经济价值而挨饿?"在继续建议之前,"如果答案 不是 ,那么分配财富最明智的方式就是实现 普遍的基本收入 。"

AI先驱理论神经科学中心主任Chris Eliasmith在接受未来主义采访时警告人工智能对社会的直接影响,"人工智能已经对我们的经济产生了重大影响......我怀疑更多的国家会有跟随芬兰在探索人民 基本收入保障方面 的领先地位。"

Moshe Vardi在2016年美国科学促进会年会上谈到智能机器的出现后表达了同样的观点 ,"我们需要重新考虑我们经济体系的基本结构......我们可能不得不考虑建立 基本收入保障 。"

甚至百度的首席科学家和谷歌"谷歌大脑"深度学习项目的创始人安德鲁·吴在今年的深度学习峰会的前台采访中表达了共同的观点,即 基本收入 必须被政府"认真考虑",并称"高"人工智能将造成大规模劳动力转移的机会。"

当构建工具的人开始警告其使用的含义时,那些希望使用这些工具的人是否应该高度重视,特别是当数百万人的生计受到威胁时?如果没有那么, 诺贝尔奖获奖经济学家何时开始与他们达成一致意见呢?

没有一个国家能够为未来的变化做好准备。高劳动力不参与导致社会不稳定,消费经济中缺乏消费者导致经济不稳定。那么让我们自问一下,我们正在创造的技术的目的是什么?可以为我们驾驶的汽车的目的是什么,或者可以承担60%工作量的人工智能?是否允许我们以更低的工资工作更长时间?或者是它使我们能够选择我们 工作,并拒绝任何报酬/小时,我们认为不够的,因为我们已经可以赚取这机器是不是收入?

在一个机器可以学习的世纪里,要学到什么大课?

我提供的是,工作是为了机器,生活是为了人。

查看英文原文

查看更多文章

公众号:银河系1号

联系邮箱:public@space-explore.com

(未经同意,请勿转载)