Predstavuje AI skutočnú hrozbu?
Dalo by sa očakávať, že technologicky orientovaný človek ako Elon Musk sa bude na naše zajtrajšky pozerať s bezuzdným optimizmom. Už viackrát sa však vyjadril o umelej inteligencii ako o pravdepodobne najväčšej hrozbe pre našu civilizáciu. Podobne Nick Bostrom, filozof na Oxfordskej univerzite, ktorý pomohol rozvinúť pojem existenciálne riziká, teda to, čo ohrozuje ľudstvo vo všeobecnosti, sem zaraďuje popri obrovských asteroidoch a jadrovej vojne aj pokročilú umelú inteligenciu.
Takéto obavy sú protipólom optimizmu obklopujúceho túto oblasť, ktorá sa za posledné roky tešila rýchlemu pokroku. Do „zbrojných pretekov“ o pokročilú AI sa zapojili Google, Facebook, Amazon i Baidu. Lanária výskumníkov, zakladajú laboratóriá, kupujú startupy. A zasvätenci sa obávajú, aby tvorcovia neboli prekonaní svojimi výtvormi. Rozmach AI je badateľný všade. Pred pár rokmi Google zaplatil 400 miliónov dolárov za londýnsky startup DeepMind, zameraný na umelú inteligenciu. Vyfúkol ho tak spred nosa Facebooku, spoločnosti pýšiacej sa vlastným špecializovaným výskumným laboratóriom AI vedeným Yannom LeCunom, hviezdnym výskumníkom z Newyorskej univerzity. Google zamestnával aj Andrewa Ng, guru umelej inteligencie zo Stanfordovej univerzity, až kým ho nezlákal Baidou do svojho novo založeného laboratória v Silicon Valley. V apríli 2015 spoločnosť IBM oznámila plány týkajúce sa použitia svojho počítača Watson, ktorý v roku 2011 porazil dvoch ľudských šampiónov v televíznej kvízovej šou Jeopardy!, na analyzovanie zdravotných záznamov a pomoc lekárom pri určovaní diagnózy.
Hoci výskum umelej inteligencie je starý ako počítače samy, rozruch dnes vyvoláva najmä tzv. hlboké učenie (deep learning), čo je moderné zdokonalenie strojového učenia, pri ktorom sa počítače učia svoje úlohy lúskaním veľkých súborov údajov. Algoritmy vytvorené týmto spôsobom by mohli preklenúť priepasť, ktorá sa vinie celým výskumom AI – počítače síce s ľahkosťou zvládnu komplikované matematické rovnice, ktoré sú pre ľudí priťažké, ale na druhej strane aj súčasným najvýkonnejším počítačom robia problémy záležitosti, ktoré sú pre človeka triviálne, ako napr. rozpoznávanie tvárí, dekódovanie reči a identifikovanie objektov v obraze.
Na riešení vecí, ktoré ľudia považujú za ťažké, napr. diferenciálnych rovníc, treba napísať súbor formálnych pravidiel. Premena týchto pravidiel na program je potom celkom jednoduchá. No napríklad na rozlíšenie pornografickej fotografie od nepornografickej neexistujú žiadne explicitné pravidlá. A tu môže pomôcť strojové učenie. Je to vlastne spôsob, ako naučiť počítače rozpoznávať veci tým, že ich vidia a potom si samy vytvoria vlastné pravidlá, ktoré programátori nemôžu špecifikovať. Stroje to robia štatistickou analýzou veľkého množstva údajov.
Mnohé systémy AI na vypracovanie týchto štatistík používajú neurónové siete. Tie vznikli už v 50. rokoch minulého storočia. V tom čase výskumníci síce presne nevedeli, čo je to inteligencia, ale vedeli, že mozog ju má, a tak prišli s myšlienkou vziať si za vzor mozog. Ten nespracúva informácie pomocou tranzistorov, ale neurónov. Napadlo im, či by sa nedalo simulovať tieto neuróny – silne prepojené bunky, ktoré si navzájom odovzdávajú elektrochemické signály. Azda by sa potom mohlo objaviť nejaké inteligentné správanie.
Neuróny sú však nesmierne zložité. Dokonca aj dnes používané najmodernejšie simulácie sú len slabým odvarom komplexnosti skutočných neurónov. Napriek tomu už prvé výsledky naznačovali, že takéto siete by mohli byť dobré na niektoré úlohy. Napríklad telefónne spoločnosti už od 60. rokov používali algoritmy na potlačenie ozvien, ktoré objavili neurónové siete. No vtedajší výpočtový výkon obmedzoval veľkosť sietí, ktoré by mohli byť simulované, a tak sa obmedzil aj rozsah využitia technológie.
Záujem o neurónové siete sa oživil v uplynulých rokoch, keď prišli na scénu čipy schopné prelúskať pozoruhodné množstvá čísel, vyvinuté na náročnú prácu pri kreslení grafiky videohier. Zatiaľ čo prvé neurónové siete pozostávali z desiatok či stoviek neurónov, zvyčajne organizovaných ako jedna vrstva, tie najnovšie, ktoré používa napr. Google, ich môžu simulovať miliardy. Takéto množstvo už dovoľuje výskumníkom vziať si iný podnet z mozgu a usporiadať ich v odlišných hierarchických vrstvách. Práve použitie takýchto prepojených vrstiev vnáša „hĺbku“ do hlbokého učenia.
Každá vrstva siete sa zaoberá inou úrovňou abstrakcie. Napríklad pri spracovaní obrazu sa do najnižšej vrstvy vložia „surové“ obrázky a tá potom zaznamenáva na úrovni jednotlivých pixelov veci, ako sú farby, jas, a všíma si, ako sú tieto vlastnosti distribuované v obraze. Ďalšia vrstva spája tieto pozorovania do abstraktnejších kategórií, identifikuje okraje, tiene a pod. Vrstva nad tým zasa analyzuje tieto okraje a tiene a hľadá ich kombinácie, ktoré znamenajú prvky, ako sú oči, uši, pery. A ďalšia vrstva zlučuje tieto prvky do podoby tváre, a to nielen akejkoľvek tváre, ale dokonca nového obrazu konkrétnej tváre, ktorú sieť predtým „videla“.
Na to, aby boli takéto siete užitočné, treba ich vyškoliť. Na nácvik rozpoznávania tváre sa použije „tréningový súbor“ pozostávajúci z tisícov obrázkov. Niektoré z nich obsahujú tváre, iné nie. Všetky však budú označkované ľuďmi. Obrázky poslúžia systému ako vstupy, štítky („tvár“ a „nie tvár“) ako výstupy. Úlohou počítača je navrhnúť štatistické pravidlo, ktoré bude korelovať vstupy so správnymi výstupmi. Na to musí hľadať na každej úrovni abstrakcie akékoľvek vlastnosti, ktoré sú spoločné pre obrázky zobrazujúce tváre. Len čo budú tieto korelácie dostatočne dobré, stroj bude schopný spoľahlivo rozpoznávať tváre a „nie tváre“ v tréningovom súbore. Ďalší krok bude dať mu k dispozícii nový súbor obrázkov, aby sa zistilo, či vytvorené pravidlá na rozpoznávanie tváre obstoja v reálnom svete.
Takýmto spôsobom sa algoritmy strojového učenia učia rozpoznávať určité vlastnosti, pojmy a kategórie. No tieto algoritmy sú úzko špecializované. Programy často potrebovali pomoc od svojich vývojárov vo forme ručne spracovaných kúskov kódu, ktoré boli špecifické pre danú úlohu, napr. spracovanie obrázkov či rozpoznávanie hlasu.
Staršie neurónové siete navyše boli schopné prijať len isté množstvo dát, za určitým bodom už pridávanie informácií nezvyšovalo ich výkonnosť. Moderné siete sú už oveľa menej odkázané na zásahy vývojárov a ladenie. Môžu využiť toľko údajov, koľko im len viete dodať. A vďaka internetu sú dostupné obrovské objemy dát.
Veľké internetové spoločnosti ako Baidu, Google a Facebook disponujú množstvom informácií generovaných ich používateľmi. E-maily, história vyhľadávania a nákupov, najrôznejšie fotografie, to všetko sa hromadí na ich serveroch. A ľudia, ktorí stoja na čele týchto firiem, vedia, že tieto údaje obsahujú užitočné vzory, vhodné na výcvik umelej inteligencie. Navyše mnohé z týchto údajov sú už vopred označkované ľuďmi, ktorí ich vytvorili. Posilnené správnymi algoritmami, počítače môžu používať takéto anotované dáta, aby sa samy naučili nájsť užitočné vzory, pravidlá a kategórie.
Výsledky sú pôsobivé. Napríklad v roku 2014 Facebook odhalil algoritmus s názvom DeepFace, ktorý rozpoznáva konkrétne ľudské tváre v obraze s presnosťou približne 97 %, aj keď sú tieto tváre čiastočne zakryté alebo slabo osvetlené. To už je na úrovni ľudských možností. Niektoré krajiny vrátane Veľkej Británie už využívajú technológiu rozpoznávania tváre pri kontrolách na hraniciach. A systém schopný rozpoznávať jednotlivcov z videozáznamov určite privíta polícia či spravodajské služby. Nedávno vyšlo najavo, že americká rozviedka používa softvér na rozpoznávanie hlasu na konverziu telefónnych hovorov na text, aby sa v ich obsahu dalo ľahšie vyhľadávať.
Hoci internet je obrovský zdroj údajov, predsa len nie je bezodný. Preto sa vyvíjajú algoritmy, ktoré sa dokážu učiť „bez dohľadu“ (unsupervised-learning), teda bez potreby ľudskej pomoci. A v tejto oblasti sa dosiahol už istý pokrok. V roku 2012 tím Googlu pod vedením už spomínaného Dr. Andrewa Ng ukázal stroju s unsupervised-learning milióny videí z YouTube. Počítač sa sám naučil kategorizovať bežné veci vrátane ľudských tvárí a mačiek. Pritom žiadne video nebolo označené, že obsahuje tváre či mačky. Stroj jednoducho na základe štatistických vzorov dokázal zaradiť objekty do kategórií.
Ďalší krok v rozpoznávaní objektov je rozpoznať veľa rôznych predmetov. Vedci zo Stanfordovej univerzity opísali systém počítačového videnia, ktorý je schopný označiť určité časti daného obrazu. Napríklad na obrázku zachytávajúcom stôl s raňajkami dokázal identifikovať vidličku, plátky banánov, šálku kávy, kvety na stole a samotný stôl, hoci technológia ešte nie je dokonalá.
Veľké internetové firmy, ako je Google, majú záujem o tento druh práce. Lepší klasifikátor obrázkov by mohol zlepšiť schopnosť vyhľadávacích nástrojov nájsť to, čo používatelia hľadajú. No schopnosť rozložiť a interpretovať scénu by mohla byť užitočná aj pre výskumníkov z oblasti robotiky, pomohla by im pri tvorbe priemyselných robotov, autonómnych vozidiel aj robotov určených na bojisko. Tie by sa tak mohli naučiť samostatne navigovať v reálnom svete.
Klasifikácia obrázkov je potrebná aj pre technológiu rozšírenej reality, pri ktorej nositeľné zariadenia ako Google Glass či Microsoft HoloLens prekrývajú užitočnými informáciami obraz skutočného sveta. Kalifornská firma Enlitic zasa chce využívať rozpoznávanie obrazu na analýzu röntgenových snímok a skenov MRI a odhaľovanie problémov, ktoré lekárom môžu ujsť.
No hlboké učenie nie je obmedzené na obrázky. Ide vo všeobecnosti o technológiu na rozpoznávanie vzorov, čo v podstate znamená, že môže byť užitočná pri každej činnosti, kde sa pristupuje k veľkým množstvám údajov (poisťovníctvo, genetika a pod.). V nedávnej súťaži, ktorú vypísal CERN, najväčšie laboratórium na výskum častíc, algoritmy hlbokého učenia urobili lepšiu prácu pri pozorovaní subatomárnych častíc ako softvér napísaný fyzikmi, hoci programátori, ktorí tieto algoritmy vytvorili, nemali žiadne konkrétne vedomosti z fyziky.
Hlboké učenie môže zlepšiť aj strojový preklad. Neurónové siete totiž profitujú z veľkého množstva textu dostupného online vo viacerých jazykoch. Dr. Ng si myslí, že dobré smartfónové aplikácie na rozpoznávanie reči by mohli priniesť internet mnohým ľuďom v Číne, ktorí sú negramotní, a tak nemôžu používať bežné počítače. Predpokladá, že do roku 2020 by sa podiel hlasového vyhľadávania, ktorý je teraz 10-percentný, mohol zvýšiť na 50 %.
A rôzne druhy AI môžu byť navzájom prepojené, aby vytvorili ešte schopnejší systém. V máji 2014 na konferencii v Kalifornii Microsoft predviedol počítačový program schopný prekladať hovorenú reč v reálnom čase. Jeden z jeho vedcov sa prihováral v anglickom jazyku kolegovi v Nemecku, pričom ten počul svojho partnera po nemecky. Jeden program AI dekódoval zvukové vlny do anglických fráz. Ďalší preložil frázy z angličtiny do nemčiny a tretí ich preložil do nemeckého hovoreného slova. Spoločnosť vyvinula túto technológiu s úmyslom zabudovať ju do služby Skype na internetové telefonovanie.
Obavy, že AI by mohla pre strednú triedu priniesť to, čo priniesol parný stroj počas priemyselnej revolúcie pre robotníkov, sú čoraz vážnejšie. Príkladom môže byť digitálny novinár spoločnosti Narrative Science, čo je systém, ktorý sa používa na pokrytie bežného finančného spravodajstva, či systém Kensho quant, ktorý je navrhnutý tak, aby interpretoval vyhľadávacie dopyty v prirodzenom jazyku, napríklad: „Čo sa stane s cenami akcií automobilových firiem, ak klesne cena ropy o 5 dolárov za barel?“ Systém potom prehľadá finančné správy, firemné výkazy, historické údaje o trhu a podobne a v priebehu niekoľkých sekúnd ponúkne odpoveď, takisto v prirodzenom jazyku. Firma plánuje ponúknuť softvér veľkým bankám a obchodným spoločnostiam.
A nie sú to len teoretické obavy, niektoré pracovné pozície „bielych golierov“ už prevzali stroje. Veľa firiem napríklad používa počítače na zodpovedanie niektorých otázok pri telefonickej podpore zákazníkov. Sú lacnejšie ako ľudia, no každopádne musí existovať ľudská záloha pre prípad, že narazia na otázku, ktorú nemôžu pochopiť. No predpovedať, ktorých ďalších pracovných miest by sa to mohlo týkať, je ťažké. Pred niekoľkými rokmi Oxford Martin School na základe amerických štatistík dospel k dosť hrozivému záveru, že zraniteľná by mohla byť až polovica sledovaných pracovných kategórií.
Technológia môže dávať, ale aj brať. Lacný automatizovaný preklad môže byť užitočný. Rovnako aj rýchly a neúnavný počítač kontrolujúci lekárske snímky. Možno najlepší spôsob, ako premýšľať o AI v súčasnosti, je vidieť dlhý rad kognitívnych zlepšení, ktoré ľudia vynašli na posilnenie schopností svojich mozgov. No tak ako kedysi tlačiarenský stroj pripravil o prácu prepisovačov, aj vysokokvalitná umelá inteligencia nás oberie o niektoré pracovné miesta. Zlepší však schopnosti tých, ktorých pracovné miesta nenahradí, a dá každému prístup k mentálnym schopnostiam, ktoré má dnes len málo ľudí. Každý, kto dnes vlastní smartfón, má vo vrecku k dispozícii výkon množstva starých počítačov a všetky preňho pracujú len za náklady na nabitie batérie. A v budúcnosti popri tom, že si môžeme zatelefonovať, budeme mať takto k dispozícii prekladateľov, diagnostikov a pod.
Zdroj: economist
