Mehr als 13.000 künstliche Intelligenz-Experten strömten diese Woche zur weltweit führenden akademischen KI-Konferenz NeurIPS nach Vancouver. Der Veranstaltungsort umfasste ein Labyrinth aus farbenfrohen Firmenständen, die Rekruten für Projekte wie Software, die Ärztin spielt, anlocken sollten. Google verteilte kostenlose Gepäckwaagen und Socken, auf denen die farbenfrohen Motorräder der Mitarbeiter auf dem Campus abgebildet waren, während IBM Hüte mit der Aufschrift "I ❤️A?" Anbot.
Am Dienstagabend veranstalteten Google und Uber gut geschmierte, überzeichnete Partys. Am nächsten Morgen um halb neun hielt einer der besten Forscher von Google eine Keynote mit einer ernüchternden Botschaft über die Zukunft von AI.
Blaise Aguera y Arcas lobte die revolutionäre Technik des Deep Learning, mit der Teams wie er Telefone erhalten, um Gesichter und Stimmen zu erkennen. Er beklagte auch die Einschränkungen dieser Technologie, die das Entwerfen von Software umfasst, die als künstliche neuronale Netze bezeichnet wird und die es ermöglichen kann, eine bestimmte Aufgabe durch Erfahrung zu verbessern oder markierte Beispiele für korrekte Antworten zu sehen.
"Wir sind wie der Hund, der das Auto erwischt hat", sagte Aguera y Arcas. Tiefes Lernen hat einige langjährige Herausforderungen in der KI schnell überwunden - aber es scheint für viele, die noch übrig sind, nicht sofort gut geeignet zu sein. Probleme, die Argumentation oder soziale Intelligenz beinhalten, wie das Abwägen eines potenziellen Gehalts auf die Art und Weise, wie ein Mensch es tun würde, seien immer noch unerreichbar, sagte er. "Bei allen Modellen, die wir gelernt haben, wie man trainiert, geht es darum, einen Test zu bestehen oder ein Spiel mit einer Punktzahl zu gewinnen, [aber] so viele Dinge, die die Intelligenz tut, werden von dieser Rubrik überhaupt nicht abgedeckt", sagte er.
Stunden später wies einer der drei Forscher, die als Paten des tiefen Lernens galten, auch auf die Grenzen der Technologie hin, die er mit in die Welt gebracht hatte. Yoshua Bengio, Direktor von Mila, einem KI-Institut in Montreal, teilte kürzlich mit zwei anderen Forschern den höchsten Preis für den Start der Deep-Learning-Revolution.
Weiter lesen
Das Neueste über künstliche Intelligenz, vom maschinellen Lernen bis zur Bildverarbeitung und mehr
Er stellte jedoch fest, dass die Technik hochspezialisierte Ergebnisse liefert. Ein System, das darauf trainiert ist, bei einem Videospiel übermenschliche Leistungen zu erbringen, ist nicht in der Lage, andere zu spielen. "Wir haben Maschinen, die auf sehr enge Weise lernen", sagte Bengio. "Sie brauchen viel mehr Daten, um eine Aufgabe zu lernen als menschliche Beispiele für Intelligenz, und sie machen immer noch dumme Fehler."
Bengio und Aguera y Arcas forderten die NeurIPS-Teilnehmer auf, mehr über die biologischen Wurzeln der natürlichen Intelligenz nachzudenken. Aguera y Arcas zeigte Ergebnisse von Experimenten, bei denen simulierte Bakterien angepasst wurden, um Nahrung zu suchen und durch eine Form der künstlichen Evolution zu kommunizieren. Bengio erörterte die frühen Arbeiten, um Deep Learning-Systeme so flexibel zu gestalten, dass sie auf andere Situationen reagieren können als die, in denen sie trainiert wurden, und machte eine Analogie dazu, wie Menschen mit neuen Szenarien wie dem Fahren in einer anderen Stadt oder einem anderen Land umgehen können.
Die warnenden Keynotes bei NeurIPS kommen zu einer Zeit, in der die Investitionen in KI noch nie höher waren. Laut Pitchbook haben Risikokapitalgeber im Jahr 2018 fast 40 Milliarden US-Dollar in Unternehmen für KI und maschinelles Lernen gesteckt, etwa doppelt so viel wie im Jahr 2017.
Die Diskussion über die Grenzen der vorhandenen KI-Technologie nimmt ebenfalls zu. Der Optimismus von Google und anderen, dass selbstfahrende Taxiflotten relativ schnell eingesetzt werden könnten, wurde durch unscharfere und zurückhaltendere Erwartungen ersetzt. Der Direktor von Facebook für KI sagte kürzlich, dass sein Unternehmen und andere nicht erwarten sollten, weitere Fortschritte in der KI zu erzielen, indem sie einfach größere Deep-Learning-Systeme mit mehr Rechenleistung und Daten entwickeln. "Irgendwann werden wir gegen die Wand stoßen", sagte er. "In vielerlei Hinsicht haben wir bereits."
Einige Leute bei NeurIPS arbeiten daran, unter dieser Wand zu klettern oder sich darin zu graben. Jeff Clune, ein Forscher bei Uber, der im nächsten Jahr dem gemeinnützigen Institut OpenAI beitreten wird, begrüßte Bengios hochrangigen Aufruf, über die jüngsten, knappen Erfolge des tiefen Lernens hinauszudenken.
Dafür gebe es sowohl praktische als auch wissenschaftliche Gründe. Allgemeinere und flexiblere KI helfen autonomen Robotern oder anderen Systemen, zuverlässiger und sicherer zu sein. "Es gibt ein gutes Geschäftsmodell dafür", sagt er.
Clune sollte am Freitag die Idee präsentieren, eine intelligentere KI zu entwickeln, indem die Technologie in sich selbst umgesetzt wird. Er ist Teil eines aufstrebenden Feldes namens Metalearning, das sich mit der Entwicklung von Lernalgorithmen befasst, die ihre eigenen Lernalgorithmen entwickeln können. Er hat auch Systeme entwickelt, die sich ständig ändernde Umgebungen erzeugen, um KI-Systeme herauszufordern und sie dazu zu bringen, sich selbst zu erweitern.
Wie Aguera y Arcas, so sagt Clune, sollten KI-Forscher die Art und Weise, wie die Natur endlose neue Vielfalt hervorbringt, als Inspiration und Maßstab betrachten. "Wir als Informatiker kennen keine Algorithmen, die man eine Milliarde Jahre lang laufen lassen möchte und die immer noch etwas Interessantes bewirken", sagt Clune.
