Durante una conferenza stampa per annunciare la funzione di pilota automatico nella Tesla Model S nell'ottobre 2015, il CEO di Tesla Elon Musk ha affermato che ogni guidatore diventerà un "coach esperto" per ogni Modello S. Ogni veicolo sarà in grado di migliorare le proprie funzioni di autonomia. imparando dal suo guidatore, ma ancora più importante, quando una Tesla impara dal suo guidatore, quella conoscenza sarà condivisa tra il resto dei veicoli Tesla.
Ben presto, i proprietari della Model S notarono che le funzioni di guida autonoma del veicolo stavano gradualmente migliorando. In un esempio, Tesla stava facendo le prime uscite sbagliate sulle autostrade, costringendo i loro proprietari a guidare manualmente il veicolo lungo il percorso corretto. Dopo poche settimane, i proprietari notarono che le auto non uscivano più prematuramente.
"È incredibile che il miglioramento sia avvenuto così rapidamente", ha detto un proprietario di Tesla.
I sistemi intelligenti come quelli basati sull'ultimo software di machine learning non stanno solo diventando più intelligenti: stanno diventando sempre più intelligenti sempre più velocemente. Comprendere la velocità con cui questi sistemi si stanno evolvendo può essere una parte particolarmente difficile della gestione del progresso tecnologico.
Ray Kurzweil ha scritto molto sulle lacune nella comprensione umana, descrivendo la cosiddetta visione "lineare intuitiva" del cambiamento tecnologico e il tasso di cambiamento "esponenziale" che sta avvenendo ora. Quasi due decenni dopo aver scritto un importante saggio ha chiamato The Law of Accelerating Return - una teoria del cambiamento evolutivo che descrive come il tasso di miglioramento dei sistemi cambia nel tempo - i dispositivi correlati hanno iniziato a condividere la conoscenza tra di loro, accelerando il proprio miglioramento.
"Penso che questa sia probabilmente la più grande tendenza esponenziale nell'IA", afferma Hod Lipson, professore di ingegneria meccanica e informatica alla Columbia University.
“Tutte le tecnologie esponenziali hanno" esponenti "differenti per le tendenze, aggiunge. "Ma questo è probabilmente il più grande." A suo parere, questo "apprendimento automatico" - quando i dispositivi trasferiscono la conoscenza tra loro (da non confondere con l'apprendimento automatico) - un passo importante per accelerare il miglioramento di tali sistemi.
“A volte questa è cooperazione, ad esempio, quando una macchina impara da un'altra, come se avesse una coscienza di sciame. A volte è un balzo in avanti, come una corsa agli armamenti tra due sistemi che giocano a scacchi l'uno con l'altro.
Video promozionale:
Lipson ritiene che questo percorso di sviluppo dell'IA sia potente, in parte perché elimina la necessità di dati di addestramento.
“I dati sono il carburante dell'apprendimento automatico, ma anche per le macchine è difficile ottenere alcuni dati: può essere rischioso, lento, costoso o irraggiungibile. In questi casi, le macchine possono condividere le proprie esperienze o creare esperienze sintetiche l'una per l'altra per integrare o sostituire i dati. Si scopre che questo non è un effetto così debole - è essenzialmente auto-rinforzo, ed è esponenziale.
Lipson cita la recente scoperta di DeepMind, AlphaGo Zero, come un addestramento esemplare per l'IA senza dati di addestramento. Molti hanno familiarità con AlphaGo, un'intelligenza artificiale con apprendimento automatico che è diventato il miglior giocatore Go al mondo esaminando un'enorme quantità di dati di milioni di giochi giocati in Go. AlphaGo Zero è stato in grado di battere anche lui senza guardare i dati di allenamento, solo imparando le regole del gioco e giocando con se stesso. Poi ha battuto il miglior software di scacchi del mondo dopo sole otto ore di pratica.
Immagina che migliaia di questi AlphaGo Zeroes condividano istantaneamente le loro conoscenze acquisite.
E questi non sono solo giocattoli. Stiamo già vedendo il potente impatto della velocità con cui le aziende possono migliorare le prestazioni dei propri dispositivi. Un esempio è la tecnologia del gemello digitale industriale, un modello software di una macchina che simula ciò che accade alle apparecchiature. Immagina una macchina che guarda dentro se stessa e mostra la sua immagine ai tecnici.
Ad esempio, una doppia turbina a vapore digitale può misurare la temperatura del vapore, la velocità del rotore, gli avviamenti a freddo e altri dati per prevedere i guasti e avvisare i tecnici per evitare costose riparazioni. I gemelli digitali fanno queste previsioni esaminando le proprie prestazioni e si basano anche su modelli sviluppati da altre turbine a vapore.
Quando le macchine iniziano ad apprendere nel loro ambiente in modi nuovi e potenti, il loro sviluppo viene accelerato attraverso lo scambio di dati. L'intelligenza collettiva di ogni turbina a vapore, sparsa sul pianeta, può accelerare il potere predittivo di ogni singola macchina. Dove c'è un'auto senza conducente, ci saranno anche centinaia di altri piloti che insegneranno alle loro auto, trasmettendo conoscenza a tutti.
Non dimenticare che questo è solo l'inizio.
Ilya Khel