Umělá inteligence Googlu se nově umí učit z vlastní paměti

Vývoj neuronových sítí poskočil zase o něco dále - britská společnost DeepMind specializovaná na umělé inteligence a od roku 2014 tak nová velká akvizice společnosti Google, totiž oznámila výrazné vylepšení své technologie strojového učení. Její programy budou totiž nyní s to se používat svou paměť.

Série skoků kupředu

DeepMind je dnes bez přehánění nejpokročilejším průkopníkem neurálních sítí. Jen pro připomenutí, společnost založil teprve v roce 2010 mimo jiné Demis Hassaabis - znalci počítačových her si jej budou možná pamatovat pro jeho videohry Republic: The Revolution či Evil Genius, jež vytvořil ve studiu Elixis; programoval také umělou inteligenci pro hru Black & White.

Hassabis byl již po roce 2000 oslavován jako mladistvý génius, jež se prý věnoval neurovědě a byl dětských šachovým mistrem. Co tehdy působilo jako lehce nafouknutá reklamština, však od úspěchů DeepMind vypadá jako upřímné konstatování faktu.

Programy vyvinuté v DeepMind se totiž za poslední půlrok naučila hrát videohry, porazila mistra v deskové hře Go, přečetla tisíce knih a poté napsala vlastní, díky syntéze hlasu nedávno zvládly mluvit a skládat hudbu a před týdnem se třeba zvládly zorientovat v londýnském metru - a to sama, aniž by k tomu byla naprogramována. Série inovací může na první pohled působit triviálně, různé programy však postupně objevují velmi sofistikované cesty vstříc učení. Právě program DNC, jež se naučil poslední zmíněnou novinku, pokročil zejména v práci s ukládáním dat - neboli vlastně digitální pamětí.

Novinka jménem DNC

Neuronové sítě byly doposud poměrně dobré v učení se specifických úkolů, výrazně však pokulhávaly v ukládání svých poznatků. DNC pojmenovaný z Differentiable Neural Computer však disponuje zpřístupnit a navigovat se externí pamětí postavenou rovněž podle mustru neuronových sítí. Příklad s orientací umělé inteligence v metru ilustruje, jak tak činí - metodou pokus a omyl jednoduše postupně řeší jednoduchý úkol (například cestu z A do B skrze podzemku), a postupně zjišťuje nejvhodnější cestu k jeho vyřešení, aby nakonec byla s to stejnou metodou jako aplikovala na původní řešení (z A do B) aplikovat na libovolné jiné (z A do E, z X do Z apod.). V praxi to znamená, že DNC zvládne původní vydřené postupy snadno a rychle zrealizovat znovu v jiném kontextu.

Učit se, učit se, učit se

Ještě jednodušší příklad podobného ražení je, když DNC dostal dvě sady informací "John je na hřišti" a "John zvedl míč" a následně z nich skrze přístup k paměti logicky došel k tomu, že míč je na hřišti také. Krásně to ilustruje, jak jsou relativně limitované úkoly vlastně pro dnešní neuronové sítě stále velkou výzvou. Počítače se sice umějí stále vydatně zlepšovat a když už nějaké schopnosti dosáhnou, umějí ji zopakovat mnohonásobněkrát efektivněji a rychleji než člověk, pořád se však učí i velmi prosté úkony.

Do Skynetu daleko

Právě adaptibilita je dnes největší výzvou nových systémů – jak Hassabis sám loni řekl pro New Yorker, „něco podobného zvládají i kojenci – přesunou naučené postupy z jednoho úspěchu k jinému“. Zatímco software DeepMind se může naučit pozorování hrát Go nebo StarCraft, pokaždé se musí novou hru učit znovu od nuly. Naproti tomu i dítě, které se naučí hrát fotbal, může chápání jeho pravidel hned aplikovat na hokej, florbal nebo cokoliv jiného. AI je v učení novinek samozřejmě pořád teoreticky rychlejší, jelikož není omezena vnímáním v reálném čase – pokud by si však dovedla přesunout zkušenosti z jedné činnosti, vše by bylo mnohem rychlejší. Právě v této aktivitě je DNC velkým pokrokem kupředu.

Mnozí jsou samozřejmě vidinou pokroku vyděšeni a také zdroje tohoto článku byly plné obav z reálného bratříčka Skynetu, umělé inteligence z filmu Terminátor, která už jistě někde musí v embryonálním stavu vznikat. Ve skutečnosti jsou však umělé inteligence dnes pořád extrémně limitované – i DNC může najít cestu metrem z vlastní zkušenosti, neuměla by například snadno najít cestu mnohem chaotičtějším lesem z pohledu vlastních očí (je důvod, proč většina her, které se AI učí sami hrát, jsou jen 2D), nebo přesunout svou pozornost na zcela jinou úlohu (třeba uvařit si kávu), kterou člověk může vykonávat paralelně bez větší námahy.

Kravaťáci vpřed!

Nakonec, Hassabisovy umělé inteligence ukrývají největší příslib nikoliv pro vojáky, ale pro satelitní operátory a finančníky, jejichž data by deepmindovské nástroje mohly projít rychleji a čistěji než lidé a určit, kudy se bude trh vydávat dále, či jaké postavení satelitů je optimální pro nejlepší pokrytí. Je to vidět právě z toho, jaké společnosti do DeepMind investují – nikoliv návrháři balistických raket, ale kravaťáci. Jak sám Hassabis navíc připomíná, do prodávaného programu určeného soukromým společnostem mu stále chybí pět až deset let.

Na Skynet nebo HAL9000 si ještě velmi dlouho počkáme – už jen kvůli tomu, že prakticky žádná společnost nemá zájem na vytvoření skutečné umělé bytosti, ale „pouze“ velmi dobrém digitálním řešiteli specifických (a zaplatitelných) problémů.

Text: Ladislav Loukota