Sztuczna inteligencja to coś bez precedensu w historii cywilizacji. Zwykle następuje postęp, a my możemy powiedzieć: tak, rozumiemy, jak to działa. Tym razem jest inaczej. To nie jest satysfakcjonujące – mówi prof. Leon Chua z Uniwersytetu Kalifornijskiego w Berkeley w rozmowie z Maciejem Chojnowskim
Maciej Chojnowski: Często kreśli pan analogie między działaniem przyrody i różnych maszyn. Czy w dzisiejszej inżynierii inspiracja pochodząca z natury jest ważna?
Prof. Leon Chua*: To zależy od zastosowania. Generalnie rzecz biorąc, inżynierowie przyjmują bardzo wąski punkt widzenia. Specjalizują się w konkretnym obszarze i nie wiedzą zbyt wiele o czymkolwiek innym. To może być dobre, ponieważ pozwala im się skupić. Ale może także działać na niekorzyść, bo ogranicza ich horyzonty. Tam, gdzie inni są twórczy, inżynierowie kroczą w ślad za nimi, podejmując ich pomysły.
Jeśli chce się być twórczym i oryginalnym, trzeba się wyrwać z tego kokonu. Nawet bardzo inteligentna osoba, żyjąc w takich ograniczeniach, nie będzie twórcza. Wszystko zależy od celu. Jeśli chce się dobrze wykonywać swoją pracę, dostać awans – wtedy to w zupełności wystarcza. Ale jeśli ma się ambicje i zdolności, takie ograniczenia mogą być bolesne, bo nie pozwalają zbytnio na twórcze działanie. Tak więc wszystko zależy od osobowości.
Kiedyś powiedział pan, że nie wynalazł pan memrystora [patrz ramka], ale go odkrył. Czy może pan rozwinąć tę myśl?
To bardzo proste. Jest różnica miedzy wynalazkiem a odkryciem. Wynalazek jest zwykle ograniczony. Działa przez krótki czas, a potem jego zastosowanie się kończy. Inni wynajdują coś lepszego i tyle.
Z odkryciem rzecz ma się inaczej. To podstawowe prawo natury. Na przykład: nie mówimy, że Kolumb wynalazł Amerykę, ale że ją odkrył. Dlatego że ona już istniała. Kiedy więc mówię, że odkryłem memrystor, chodzi o koncepcję, o prawo natury, które nigdy nie przestanie być aktualne.
Można więc powiedzieć, że odkrycie przynależy do świata nauki, wynalazek zaś – inżynierii?
Tak, w inżynierii jeden wynalazek zastępuje drugi, choć ten pierwszy może być bardzo użyteczny. Ale natura – jej nigdy nic nie zastąpi. Ona zawsze istnieje, jak prawo Newtona czy teoria Einsteina. Żadna z nich nie jest błędna, nawzajem się uzupełniają. Na tym polega odkrycie.
Dlaczego od chwili, gdy opublikował pan swój artykuł na temat memrystora, musiało upłynąć niemal 40 lat, żeby wreszcie go zbudowano w laboratoriach Hewlett Packarda?
Dokładnie 37 lat. Powód jest bardzo prosty: w ciągu ostatnich 40 lat wymyślono technologię półprzewodników (MOS), która była mało wyrafinowana, ale świetnie się sprawdzała. A ponieważ prawo Moore’a mówi, że co dwa lata liczba tranzystorów w układzie scalonym się podwaja i są one dwa razy mocniejsze i o połowę tańsze, był to dobry sposób na zarobienie dużych pieniędzy. Każdy się na tym koncentrował. Trzeba było bardzo się starać, bo konkurencja była duża. I przez 40 lat wszystko szło zgodnie z planem.
Ludzi nie interesowały inne możliwości, bo byli zajęci rozwijaniem sprawdzonej technologii. Nie było potrzeby zmiany. Dostępne wówczas nośniki pamięci były wystarczające. Więc gdyby wtedy powiedzieć: „Spójrzcie na memrystor”, nie byłoby zainteresowanych. Ale teraz nadchodzi czas, gdy prawo Moore’a dociera do granic. Za dwadzieścia lat ludzie będą szukali, czym zastąpić tę starą technologię.
Osiągnięcia sztucznej inteligencji będą znaczące i użyteczne. Wiele chorób będzie rozpoznawanych prawdopodobnie lepiej niż przez lekarzy. Ponieważ gdy ma się dane, uczenie głębokie będzie działało. Nazywam to działaniem na siłę, bo nikt nie wie, jak to się faktycznie dzieje, ale jednak się dzieje.
To jeden powód: memrystor wyprzedził swój czas. To najlepsze określenie. Ludzie nie byli gotowi. Choć został odkryty, nie wiedziano, jak go wykorzystać.
Drugi powód był taki, że trzeba było zaczekać na wynalezienie odpowiedniej technologii. Bo stworzenie memrystora wymaga bardzo zaawansowanej nanotechnologii. Więc właściwie umożliwiło go prawo Moore’a. Takie dwukierunkowe oddziaływanie.
Jaka jest różnica między znanymi dziś sieciami uczenia głębokiego a komórkowymi nieliniowymi sieciami (cellular non-linear networks), które pan stworzył?
Komórkowa nieliniowa sieć [patrz ramka] ma podstawy teoretyczne. Stworzenie tego typu sieci, która byłaby w stanie rozpoznawać różne przedmioty w realnym świecie, wymaga bardzo rygorystycznej pracy naukowej. Sieci, które stworzyłem wspólnie z Tamasem Roską, to systematyczna metoda polegająca na sformułowaniu reguł umożliwiających takie działanie. Tymczasem w przypadku współczesnej sztucznej inteligencji, a szczególnie uczenia głębokiego, nikt wie, jak ona działa.
Tak zwany problem czarnej skrzynki.
Tak. Po prostu działa. Ale kto wie dlaczego? To duża niedogodność. Ludzie nie mogą w pełni zaakceptować czegoś, czego nie rozumieją. Chciałoby się zademonstrować jej działanie, aby móc ją opatentować.
Można powiedzieć, że uczenie głębokie działa dziś w 95 procentach przypadków. I to wystarczy. Taki system można nauczyć rozpoznawać nietypową postać raka i będzie stawiał diagnozy lepiej od ludzi. Jest wiele zastosowań i ogromne korzyści. Dlatego wszyscy o tym mówią. Ale największą niedogodnością jest, że nikt nie wie, jak to działa. Ze względów prawnych nie jest to dobre.
Tak czy owak, to jasne, że sztuczna inteligencja, uczenie głębokie, wywrze ogromny wpływ na świat.
Adres filmu na Youtube: https://www.youtube.com/watch?v=iyYfAiZ9wrM&list=PLtS6YX0YOX4eAQ6IrOZSta3xjRXzpcXyi&index=2
Źródło: HPE Technology / YouTube
Po co więc tworzyć komputery wzorowane na budowie mózgu?
Ponieważ dzisiejsze systemy komputerowe mają ograniczone możliwości i istnieją rzeczy, z którymi mózg radzi sobie lepiej nawet niż superkomputer. Weźmy na przykład tłum złożony z tysiąca osób, w którym jest pana dziewczyna. Jeśli tylko zobaczy pan fragment jej twarzy, będzie pan potrafił ją rozpoznać. Komputer sobie z tym nie poradzi, bo nie ma wystarczającej liczby danych. Tak więc nasze mózgi mają zdolności, których żaden współczesny komputer nie potrafi naśladować.
Nasz mózg zużywa tylko 25 watów, tyle co słaba żarówka, podczas gdy superkomputer Google’a grający w go potrzebuje megawatów mocy [chodzi o komputer obsługujący program AlphaGo firmy Deep Mind, przejętej w 2010 r. przez Google’a – red.]. Oznacza to, że do rozwiązania problemu musi mieć tyle energii, ile zużywa niewielka wioska.
Co pan myśli o przyszłości sztucznej inteligencji? Jak się ona rozwinie?
Sądzę, że będą to znaczące i użyteczne osiągnięcia. Wiele chorób będzie rozpoznawanych prawdopodobnie lepiej niż przez lekarzy. Ponieważ gdy ma się dane, uczenie głębokie będzie działało. Nazywam to działaniem na siłę, bo nikt nie wie, jak to się faktycznie dzieje, ale jednak się dzieje. W tym celu potrzeba dużo danych, wielu przykładów. Trzeba karmić danymi tę nierozgarniętą maszynę, której zasad działania nikt nie rozumie. Ale jeśli jest się wystarczająco cierpliwym i włoży w to dużo energii, to w końcu dostanie się odpowiedzi.
Będzie to wielki wkład w poprawę życia ludzkiego. Bo maszyna będzie potrafiła lepiej diagnozować od człowieka. Takich przykładów będzie wiele. To coś bez precedensu w historii cywilizacji. Zwykle następuje postęp, a my możemy powiedzieć: tak, rozumiemy, jak to działa. Tym razem jest inaczej. Dlatego z mojego punktu widzenia nie jest to satysfakcjonujące.
Jest jednak bardzo przydatne i jako takie może rozwiązać wiele społecznych problemów. Zobaczymy wiele przykładów niezwykłego i dobroczynnego dla ludzkości rozwoju.
*Prof. Leon Chua – odkrywca zasad działania memrystora w 1971 r., profesor na Wydziale Inżynierii Elektrycznej i Informatyki Uniwersytetu Kalifornijskiego w Berkeley; współtwórca teorii obwodów nieliniowych oraz komórkowych sieci neuronowych, laureat doktoratów honoris causa 17 dużych uczelni w Europie i Japonii oraz licznych międzynarodowych nagród, m.in. IEEE Neural Networks Pioneer Award (2000), Guggenheim Fellow Award (2010) czy Marie Curie Fellow Award (2013).
Dziękujemy organizatorom konferencji Supercomputing Frontiers Europe 2019 za pomoc w zaaranżowaniu rozmowy z prof. Leonem Chua.
Read the English version of this text HERE
Co odkrył prof. Leon Chua
Memrystor to czwarty (obok rezystora, kondensatora i cewki) bierny element elektroniczny. Od czasu odkrycia przez Leona Chua w 1971 roku zasad jego działania memrystor przez 37 lat istniał wyłącznie w teorii. Dopiero w 2008 roku naukowcy z HP Labs zastosowali go w praktyce.
Memrystor działa jak opornik (rezystor) z pamięcią, dzięki czemu jest w stanie zapamiętać, jaki prąd płynął przez niego, nawet po wyłączeniu zasilania. Taka właściwość oraz to, że potrafi on działać bardzo szybko (w ciągu nanosekund) oraz przy bardzo niskim poborze mocy (liczonym w nanowatach), pozwala na wygodne wykorzystanie memrystorów np. w takich urządzeniach jak smart zegarki czy okulary albo aparaty słuchowe.
Przede wszystkim jednak memrystory działają podobnie jak synapsy. Dzięki temu mogą w przyszłości umożliwić budowę biomimetycznych (tzn. naśladujących biologię mózgu) komputerów.
Nieliniowe sieci komórkowe – rodzaj sieci neuronowych, w których relacje między elementami przetwarzającymi dotyczą jedynie najbliższego sąsiedztwa. W przeciwieństwie do sieci rekurencyjnych, w nieliniowych sieciach komórkowych nie występują sprzężenia zwrotne, tzn. sygnały wyjściowe danej warstwy nie są przekazywane z powrotem na jej wejścia. Główną trudnością w przypadku tego typu sieci jest stworzenie skutecznej i uniwersalnej metody projektowania.
Jedną z najpopularniejszych zastosowań nieliniowych sieci komórkowych jest przetwarzanie obrazu. Sieci tego typu nadają się również do modelowania sensorycznych części mózgu.