ხელოვნური ინტელექტის (AI) პიონერი ჯოფრი ჰინტონი, ათწლეულის წინ დაწყებული deep learning-ის (ღრმა დასწავლის) "რევოლუციის" ერთ-ერთი მოთავე, ფიქრობს, რომ AI-ის სწრაფი პროგრესი კიდევ უფრო დაჩქარდება.

მთავარი ნეირონული ქსელის კვლევამ 2012 წელს AI-ის მთავარ მიღწევას ჩაუყარა საფუძველი. მის 10 წლის იუბილემდე მიცემულ ინტერვიუში, ჰინტონი და AI-ის სფეროს სხვა გამოჩენილი ექსპერტები დაუპირისპირდნენ კრიტიკოსებს, რომლებიც მიიჩნევენ, რომ deep learning-მა საკუთარი შესაძლებლობები ამოწურა.

"ჩვენ ვიხილავთ დიდ წინსვლას რობოტიკაში — მოხერხებულ, მოქნილ, უფრო დამყოლ რობოტებს, რომლებიც აკეთებენ საქმეებს უფრო ეფექტურად და ფრთხილად, ჩვენ მსგავსად", — აღნიშნა ჰინტონმა.

AI-ის სხვა პიონერები, მათ შორის ხელოვნური ინტელექტის ხელმძღვანელი და მეტას მთავარი მეცნიერი იან ლეკუნი და სტენფორდის უნივერსიტეტის პროფესორი ფეიფეი ლი, ეთანხმებიან ჰინტონს და მიიჩნევენ, რომ 2012 წლის ინოვაციური კვლევის შედეგებმა ImageNet მონაცემთა ბაზაზე — რომელიც კონკრეტულად კომპიუტერულ ხედვაში მნიშვნელოვანი წინსვლისა და ზოგადად deep learning-ის წარმოსაჩენად შეიქმნა — deep learning აქცია წამყვან მიმართულებად და წარმოშვა უზარმაზარი ბიძგი, რომლის შეჩერებაც რთული იქნება.

VentureBeat-თან ინტერვიუში ლეკუნმა აღნიშნა, რომ დაბრკოლებები წარმოუდგენლად სწრაფი ტემპით იხსნება. "ბოლო 4-5 წლის განმავლობაში მიღწეული პროგრესი გასაოცარია", — დასძინა მან.

ფეიფეი ლიმ, რომელმაც 2006 წელს გამოიგონა ImageNet, ადამიანის მიერ ანოტირებული ფოტოების ფართომასშტაბიანი მონაცემთა ნაკრები კომპიუტერული ხედვის ალგორითმების შემუშავებისთვის, VentureBeat-ს განუცხადა, რომ deep learning-ის ევოლუცია 2012 წლიდან არის "ფენომენალური რევოლუცია, რაზეც ვერც კი ვიოცნებებდით".

თუმცა წარმატება კრიტიკოსებსაც იზიდავს. არსებობს მყარი მოსაზრებები და მისი ავტორები, რომლებიც ხაზს უსვამენ deep learning-ის ლიმიტებს და ამბობენ, რომ მისი წარმატების მასშტაბი საკმაოდ მცირეა. ისინი ასევე ამტკიცებენ, რომ ნეირონულმა ქსელებმა მხოლოდ შექმნეს აჟიოტაჟი, რაც ახლოსაც კი არაა იმ ფუნდამენტურ ძვრასთან, რომელიც საბოლოოდ დაგვეხმარება მივაღწიოთ "ზოგად ხელოვნურ ინტელექტს" (AGI), სადაც AI თავისი განსჯის უნარით მართლაც ადამიანის მსგავსია.

გავიხსენოთ AI-ის განვითარების ათწლეული

გარი მარკუსმა, NYU-ს დამსახურებულმა პროფესორმა და Robust.AI-ის დამფუძნებელმა და აღმასრულებელმა დირექტორმა, გასულ მარტს დაწერა deep learning-ის მიერ საკუთარი თავის ამოწურვის შესახებ და აღნიშნა, რომ უდაო პროგრესის მიუხედავად, "ჩვენ საკმაოდ გავიჭედეთ გარესამყაროს შესახებ საღი აზრის ცოდნასა და განსჯაში".

ემილი ბენდერმა კი, გამოთვლითი ლინგვისტიკის პროფესორმა ვაშინგტონის უნივერსიტეტში და, როგორც თავად ამბობს, “deep learning bubble“-ის მუდმივმა კრიტიკოსმა, თქვა, რომ დღესდღეობით ბუნებრივი ენის დამუშავება (NLP) და კომპიუტერული ხედვის მოდელები არ გვადგმევინებს "არსებით ნაბიჯებს" იმისკენ, "რასაც სხვები მოიაზრებენ AI-სა და AGI-ში".

მიუხედავად ამისა, ის, რასაც კრიტიკოსები ვერ უარყოფენ, არის უკვე მიღწეული უზარმაზარი პროგრესი ზოგიერთ საკვანძო პროგრამაში, როგორიცაა კომპიუტერული ხედვა და ენა, რამაც ათასობით კომპანია ჩართო deep learning-ის ძალაუფლების გამოსაყენებლად ბრძოლაში. ეს კი ის ძალაუფლებაა, რომელმაც შთამბეჭდავი შედეგები მოგვცა სარეკომენდაციო ძრავებში, მთარგმნელობით პროგრამებში, ჩეთბოტებსა და მრავალ სხვა საკითხში.

თუმცა, deep learning-თან დაკავშირებით ასევე მიმდინარეობს სერიოზული დავები, რომელთა დაიგნორებაც არ შეიძლება. არსებობს საკვანძო საკითხები, რომლებიც, მაგალითად, მიემართება AI-ის ეთიკასა და მიკერძოებას; ასევე, კითხვები ჩნდება იმის შესახებ, თუ როგორ შეუძლია AI-ის რეგულაციას დაიცვას საზოგადოება დისკრიმინაციისგან ისეთ სფეროებში, როგორებიცაა დასაქმება, სამედიცინო დახმარება და დაზვერვა.

რა გაკვეთილები შეგვიძლია მივიღოთ deep learning-ის პროგრესის გასული ათწლეულიდან? და რა ელის ამ რევოლუციურ ტექნოლოგიას, რომელიც ცვლის სამყაროს უკეთესობისკენ ან უარესობისკენ?

AI-ის პიონერებმა იცოდნენ, რომ რევოლუცია იწყებოდა

ჰინტონი აღნიშნავს, რომ მან ყოველთვის იცოდა deep learning-ის მომავალი რევოლუციის შესახებ.

"ჩვენი ნაწილი დარწმუნებული იყო, რომ ეს უნდა ყოფილიყო [ხელოვნური ინტელექტის] მომავალი", — თქვა ჰინტონმა, რომლის 1986 წლის ნაშრომმა ხელი შეუწყო მრავალშრიანი ნეირონული ქსელების მომზადების უკუპროპაგაციული ალგორითმის პოპულარიზაციას. "ჩვენ მოვახერხეთ გვეჩვენებინა, რომ ის, რისიც გვჯეროდა, სწორი იყო", — აღნიშნა მან.

ლეკუნი, რომელიც უკუპროპაგაციული მოდელისა და სპირალური ნეირონული ქსელების გამოყენების პიონერი იყო 1989 წელს, ჰინტონს ეთანხმება: "ეჭვი არ მეპარებოდა, რომ საბოლოოდ ისეთი ტექნიკები, როგორიც ჩვენ შევიმუშავეთ 80-იან და 90-იან წლებში ათვისებული იქნებოდა."

ჰინტონსა და ლეკუნს სჯეროდათ არაპოპულარული შეხედულების, რომ deep learning-ის არქიტექტურები, როგორიცაა მრავალშრიანი ნეირონული ქსელები, შეიძლება გამოიყენონ ისეთ სფეროებში, როგორებიცაა კომპიუტერული ხედვა, მეტყველების ამოცნობა, NLP და ავტომატური თარგმანი, რათა მიიღონ ისეთივე დონის ან უკეთესი შედეგები, როგორებსაც იღებენ ადამიანი ექსპერტები. საპირისპიროდ კრიტიკოსებისა, რომლებიც ხშირად უარს ამბობდნენ მათი კვლევის გათვალისწინებაზე, ისინი ამტკიცებდნენ, რომ ალგორითმული ტექნიკები, როგორებიცაა უკუპროპაგაცია და სპირალური ნეირონული ქსელები, წარმოადგენდნენ გასაღებს AI-ის პროგრესისთვის, რომელიც შეჩერდა 1980-იან და 1990-იან წლებში წარუმატებლობების სერიის შემდეგ.

ამავდროულად, ლი, რომელიც ასევე არის ადამიანზე ორიენტირებული AI-ის სტენფორდის ინსტიტუტის თანადირექტორი და გუგლის ხელოვნური ინტელექტისა და მანქანური სწავლების ყოფილი მთავარი მეცნიერი, ასევე დარწმუნებულია თავისი ჰიპოთეზის სიმართლეში, რომ სწორი ალგორითმებით ImageNet-ის მონაცემთა ბაზას უჭირავს კომპიუტერული ხედვისა და deep learning-ის კვლევის წინსვლის გასაღები.

"ეს იყო მანქანური სწავლების შესახებ აზროვნების ძალიან არასტანდარტული მოდელი და მაღალი რისკის შემცველი ნაბიჯი", — განაცხადა მან, — "მაგრამ ჩვენ მეცნიერულად გვჯეროდა, რომ ჩვენი ჰიპოთეზა სწორი იყო".

თუმცა, ყველა ამ თეორიამ, რომელიც განვითარდა ხელოვნური ინტელექტის კვლევის რამდენიმე ათწლეულის მანძილზე, საკუთარი თავი სრულიად მხოლოდ 2012 წლის შემოდგომაზე დაამტკიცა. სწორედ ამ დროს გაკეთდა მნიშვნელოვანი აღმოჩენა, რამაც, ბევრის თქმით, ბიძგი მისცა deep learning-ის ახალ რევოლუციას.

2012 წლის ოქტომბერში ალექს კრიჟევსკმა და ილია სუცკევერმა, ჰინტონთან, როგორც მათ დოქტორანტ მრჩეველთან, ერთად, მონაწილეობა მიიღეს ImageNet-ის კონკურსში, რომელიც დააარსა ლიმ, რათა შეეფასებინა ფართომასშტაბიანი ობიექტების აღმოჩენისა და გამოსახულების კლასიფიკაციისთვის შექმნილი ალგორითმები. ტრიომ გიმარჯვა თავიანთი ნაშრომით, ImageNet-ის კლასიფიკაცია ღრმა სპირალური ნეირონული ქსელებით, რომელშიც გამოიყენეს ImageNet-ის მონაცემთა ბაზა, რათა შეექმნათ AlexNet-ად წოდებული ახლებური ნეირონული ქსელი. იგი სხვადასხვა სურათის კლასიფიკაციაში თავის წინამორბედებზე ბევრად უფრო ზუსტი აღმოჩნდა.

ნაშრომმა, რომელმაც გააოცა AI-ის მკვლევართა საზოგადოება და რომელიც დაფუძნებული იყო ადრეულ მიღწევებზე, ImageNet-ის მონაცემთა ბაზისა და უფრო ძლიერი GPU აპარატული უზრუნველყოფის წყალობით, პირდაპირ მიგვიყვანა ათწლეულის უმთავრეს AI-ის წარმატების ისტორიებთან — Google Photos-სა და Google Translate-ით დაწყებული, Uber-ით, Alexa-თი, DALL-E-თა და AlphaFold-ით დამთავრებული.

მას შემდეგ ინვესტიციები AI-ში ექსპონენტურად გაიზარდა: AI-ის გლობალური სტარტაპების დაფინანსება გაიზარდა 670 მილიონი აშშ დოლარიდან 2011 წელს, 36 მილიარდ აშშ დოლარამდე 2020 წელს, შემდეგ კი კვლავ გაორმაგდა 77 მილიარდ დოლარამდე 2021 წელს.

ნეირონული ქსელების წამყვან მიმართულებად გადაქცევის წელი

2012 წლის ImageNet-ის კონკურსის შემდეგ მედია საშუალებებმა deep learning ტრენდად აქციეს. მომდევნო თვეში New York Times-ის სტატიაში, Scientists See Promise in Deep-Learning Programs, ნათქვამია: "ხელოვნური ინტელექტის ტექნიკის გამოყენებით, რომელიც შთაგონებულია თეორიებით იმის შესახებ, თუ როგორ ცნობს ტვინი შაბლონებს, ტექნოლოგიური კომპანიები აფიქსირებენ გასაოცარ მიღწევებს ისეთ სფეროებში, როგორიცაა კომპიუტერული ხედვა, მეტყველების ამოცნობა და წამლების შესაქმნელად პერსპექტიული ახალი მოლეკულების იდენტიფიკაცია". "რაც ახალია", — განაგრძობდა ავტორი სტატიაში, – "არის deep learning-ის პროგრამების მზარდი სიჩქარე და სიზუსტე, რომლებსაც ხშირად უწოდებენ ხელოვნურ ნეირონულ ქსელებს ან უბრალოდ "ნეირონულ ქსელებს“ ტვინის ნეირონულ კავშირებთან მსგავსების გამო".

იმ წელს AlexNet არ იყო ერთადერთი, რომელმაც შექმნა დიდი სიახლეები deep learning-ზე: 2012 წლის ივნისში, Google-ის X ლაბორატორიის მკვლევრებმა შექმნეს ნეირონული ქსელი, რომელიც შედგებოდა 16 000 კომპიუტერული პროცესორისგან ერთი მილიარდი კავშირით, რომლებმაც დროთა განმავლობაში დაიწყეს "კატის მსგავსი" მახასიათებლების იდენტიფიცირება მანამ, სანამ არ შეძლებდნენ, მაღალი სიზუსტით ამოეცნოთ კატის ვიდეოები YouTube-ზე. ამავდროულად, ჯეფრი დინი და ენდრიუ ენჯი მუშაობდნენ ახალ მიღწევაზე ფართომასშტაბიანი გამოსახულების ამოცნობის შესახებ Google Brain-ში. 2012 წლის IEEE კონფერენციაზე კომპიუტერული ხედვისა და შაბლონების ამოცნობის შესახებ კი, მკვლევარმა დენ სირეგანმა და სხვებმა მნიშვნელოვნად გააუმჯობესეს სპირალური ნეირონული ქსელების მუშაობის ხარისხი მრავალგამოსახულებიან მონაცემთა ბაზაზე.

2013 წლისთვის, "თითქმის მთელი კომპიუტერული ხედვის კვლევა გადავიდა ნეირონულ ქსელებზე", თქვა ჰინტონმა, რომელიც მას შემდეგ მუშაობდა Google Research-სა და ტორონტოს უნივერსიტეტში. ეს იყო ხელოვნური ინტელექტის აბსოლუტური ცვლილება 2007 წლიდან, როდესაც "არ იყო მიზანშეწონილი კონფერენციაზე deep learning-ის შესახებ ორი ნაშრომის გაკეთება".

Deep learning-ის პროგრესის ათწლეული

ლიმ აღნიშნა, რომ მისი უშუალო ჩართულობა deep learning-ის მიღწევებში, კერძოდ, ის, რომ მან პირადად გამოაცხადა ImageNet-ის კონკურსის გამარჯვებული იტალიის ქალაქ ფლორენციაში 2012 წლის კონფერენციაზე, ნათელჰყოფს, თუ რატომ აღიარებს ხალხი ამ მომენტის მნიშვნელობას.

"[ImageNet] იყო ხედვა, რომელიც გაჩნდა 2006 წელს და რომელსაც ცოტამ თუ დაუჭირა მხარი", — თქვა ლიმ. მაგრამ მან დასძინა, რომ ის "ნამდვილად დაფასდა ასეთი ისტორიული, მნიშვნელოვანი გზით".

2012 წლიდან deep learning-ის პროგრესი იყო საოცრად სწრაფი და შთამბეჭდავი.

"არსებობს დაბრკოლებები, რომლებიც იხსნება წარმოუდგენელი სიჩქარით", — აღნიშნა ლეკუნმა და მაგალითად მოიყვანა პროგრესი ბუნებრივი ენის გაგებაში, თარგმანის ტექსტის გენერირებაში და გამოსახულების სინთეზში.

ზოგიერთი სფერო კი უფრო სწრაფად განვითარდა, ვიდრე მოსალოდნელი იყო. ჰინტონისთვის ეს მოიცავს ნეირონული ქსელების ავტომატურ თარგმნაში გამოყენებას, რამაც დიდი წინსვლა განიცადა 2014 წელს. "ვფიქრობდი, რომ ამას კიდევ მრავალი წელი დასჭირდებოდა", — თქვა მან. ლიმ კი აღიარა, რომ კომპიუტერულ ხედვაში მიღწევები — როგორიცაა DALL-E - უფრო სწრაფად განვითარდა, ვიდრე თავად ეგონა.

ასევე იხილეთ: გარღვევა ხელოვნური ინტელექტის სფეროში — ეს AI სურათებს მხოლოდ ტექსტური აღწერისგან აგენერირებს

Deep learning-ის კრიტიკოსების დაჩრდილვა

ყველა არ ეთანხმება იმ აზრს, რომ deep learning-ის პროგრესი გასაოცარი იყო. 2012 წლის ნოემბერში გარი მარკუსმა, NYU-ის დამსახურებულმა პროფესორმა და Robust.AI-ს დამფუძნებელმა და აღმასრულებელმა დირექტორმა, New Yorker-ისთვის დაწერა სტატია, რომელშიც აღნიშნა: "ძველი იგავის პერიფრაზირებისთვის ვიტყოდი, რომ ჰინტონმა უკეთესი კიბე ააშენა, მაგრამ უკეთესი კიბე აუცილებლად არ მიგიყვანს მთვარემდე".

მარკუსი არ ფიქრობს, რომ deep learning-მა ათი წლის წინანდელთან შედარებით, ხელოვნური ინტელექტი დღეს უფრო ახლოს მიიყვანა "მთვარესთან" — რომელიც წარმოადგენს ზოგად ხელოვნურ ინტელექტს ან ადამიანის დონის AI-ის.

"რა თქმა უნდა, არის პროგრესი, მაგრამ "მთვარემდე" მისასვლელად, უნდა გადაწყვიტო მიზეზ-შედეგობრივი აზროვნების უნარისა და ბუნებრივი ენის გაგებისა და განსჯის პრობლემა", – თქვა მან და დასძინა — "ამ საკითხებში დიდი პროგრესი არ გვაქვს".

მარკუსი მიიჩნევს, რომ ჰიბრიდული მოდელები, რომლებიც აერთიანებენ ნეირონულ ქსელებს სიმბოლურ ხელოვნურ ინტელექტთან წარმოადგენენ გზას ნეირონული ქსელების ლიმიტებთან საბრძოლველად.

თავის მხრივ, ჰინტონიც და ლეკუნიც უარყოფენ მარკუსის კრიტიკას.

"[deep learning-ს] საკუთარი თავი არ ამოუწურავს – თუ ბოლო დროის პროგრესს დააკვირდებით, დაინახავთ, რომ ის გასაოცარია", — თქვა ჰინტონმა, თუმცა წარსულში მან ასევე აღიარა, რომ deep learning შეზღუდულია იმ პრობლემების მასშტაბით, რომელთა გადაჭრაც შეუძლია.

"არ არსებობს კედლები, რომელსაც შეეჯახა [deep learning]", დასძინა ლეკუნმა. "ვფიქრობ, არის გადასალახი დაბრკოლებები და გადაწყვეტილებები იმ დაბრკოლებებისთვის, რომლებიც ბოლომდე არ არის ცნობილი. მაგრამ მე ვერ ვხედავ პროგრესის შენელებას... პირიქით, ის დაჩქარებულია", — თქვა მან.

მიუხედავად ამისა, ბენდერი არ არის დარწმუნებული. "რამდენადაც ისინი საუბრობენ უბრალოდ პროგრესზე, რომელიც მიმართულია სურათების კლასიფიკაციისკენ ImageNet-ის მსგავსი ორიენტირით მიღებული ეტიკეტების მიხედვით, როგორც ჩანს, 2012 წელს ჰქონდა გარკვეული ხარისხობრივი მიღწევები", — განუცხადა მან VentureBeat-ს. "თუ ისინი ამაზე უფრო დიდ რამეზე საუბრობენ, ეს ყველაფერი აჟიოტაჟია".

AI-ის მიკერძოებასა და ეთიკასთან დაკავშირებული საკითხები იზრდება

ბენდერი ასევე ამტკიცებს, რომ ხელოვნური ინტელექტისა და deep learning-ის სფერო ძალიან შორს წავიდა. "მე ვფიქრობ, რომ ძალიან დიდი მონაცემთა ნაკრების დამუშავების შესაძლებლობამ (გამოთვლის ძალა + ეფექტური ალგორითმები) სისტემებში, რომლებსაც შეუძლიათ სინთეზური ტექსტისა და სურათების გენერირება, რამდენიმე მიმართულებით იმპულსურად წაგვიყვანა", - თქვა მან. მაგალითისთვის, "ჩვენ გავიჭედეთ ციკლში, რომელშიც ადამიანები აღმოაჩენენ, რომ მოდელები მიკერძოებულია და შემოგვთავაზებენ, ვეცადოთ მათი მიკერძოების მოხსნა, მიუხედავად იმ კარგად დამკვიდრებული შედეგისა, რომლის მიხედვითაც, არ არსებობს სრულიად მიუკერძოებელი მონაცემთა ნაკრები ან მოდელი.“

ბენდერს სურს, დაინახოს, "რომ ეს სფერო ანგარიშვალდებულების რეალურ სტანდარტებს იცავს, როგორც ემპირიული მტკიცებულებებისთვის, ასევე, პროდუქტის უსაფრთხოებისთვის. იმისათვის, რომ ეს მოხდეს, საჭიროა, ფართო საზოგადოებას გავაგებინოთ, თუ რა დევს სასწორზე და ასევე, როგორ გაარჩიოს AI-ის უსაფუძვლო პრეტენზიები. ამისთვის კი დაგვჭირდება ეფექტური რეგულაცია."

თუმცა ლეკუნმა აღნიშნა, რომ "ეს რთული და მნიშვნელოვანი კითხვებია, რომელთა გამარტივებისკენაც არიან ადამიანები მიდრეკილები" და ბევრ ადამიანს "ბოროტი ზრახვების შესახებ ვარაუდები აქვს". მისი თქმით, "კომპანიების უმრავლესობას რეალურად სურს, სწორად მოიქცეს."

გარდა ამისა, მან ისაუბრა ადამიანებზე, რომლებიც მეცნიერებასა და ტექნოლოგიებში და AI-ის კვლევაში არ არიან ჩართულნი. მისი თქმით, "არსებობს ადამიანების მთელი ეკოსისტემა, რომლებიც საკითხში არ ერკვევიან და უბრალოდ ყურადღებას იქცევენ."

Deep learning-თან დაკავშირებული დავები აუცილებლად გაგრძელდება

რამდენად მძაფრიც უნდა ჩანდეს ეს დებატები, ლის მტკიცებით, მეცნიერება სწორედ მათზეა დაშენებული. "მეცნიერება თავისთავადი სიმართლე არ არის, მეცნიერება მოგზაურობაა სიმართლის საძიებლად", — აღნიშნა მან. "ესაა მოგზაურობა აღმოჩენისა და განვითარებისკენ, ამიტომ დებატები, კრიტიკა, აღნიშვნა — ყველაფერი მისი ნაწილია".

თუმცა ზოგიერთი დებატი და კრიტიკა, რომელიც უკიდურესობებით ხასიათდება, იქნება ეს ხელოვნური ინტელექტის არაეთიკურობის ან იმის მტკიცება, რომ AGI სულ ახლოსაა, მისი აზრით, "ცოტათი შეთხზულია". "ვფიქრობ, ეს არის უფრო ღრმა, ბევრად უფრო დახვეწილი, უფრო დეტალური, უფრო მრავალგანზომილებიანი სამეცნიერო დებატების შედარებით პოპულარული ვერსია", — განაცხადა ლიმ.

მან ისიც აღნიშნა, რომ იყო იმედგაცრუებები AI პროგრესში ბოლო ათწლეულის განმავლობაში — და არა ყოველთვის ტექნოლოგიასთან დაკავშირებით. "ვფიქრობ, ყველაზე გულდასაწყვეტი რამ მოხდა 2014 წელს, როდესაც ჩემს ყოფილ სტუდენტთან ერთად დავაარსე AI4ALL და დავიწყე ახალგაზრდა ქალების, ფერადკანიანი სტუდენტებისა და დაქვემდებარებული თემებიდან სტუდენტების შემოყვანა AI-ის სამყაროში", — თქვა მან. "ჩვენ გვინდოდა გვენახა მომავალი, რომელიც ბევრად უფრო მრავალფეროვანია AI-ის სამყაროში."

მიუხედავად იმისა, რომ მხოლოდ 8 წელი გავიდა, ის მიიჩნევს, რომ ცვლილება ჯერ კიდევ ძალიან ნელა მიმდინარეობს. "ვისურვებდი, მენახა უფრო სწრაფი, საფუძვლიანი ცვლილებები და მე ვერ ვხედავ საკმარის ძალისხმევას კომუნიკაციაში დასახმარებლად, განსაკუთრებით, საშუალო და უმაღლესი სკოლის ასაკობრივ ჯგუფებში. ჩვენ უკვე დავკარგეთ ძალიან ბევრი ნიჭიერი სტუდენტი", — აღნიშნა მან.

AI-ის მომავალი და deep learning

ლეკუნი აღიარებს, რომ ხელოვნური ინტელექტის ზოგიერთი გამოწვევა, მაგალითად, თვითმართვადი ავტომობილები, რომელსაც ადამიანებმა დიდი რესურსი დაუთმეს, არ მოგვარებულა.

"მე ვიტყოდი, რომ სხვა ადამიანებმა ვერ შეაფასეს მისი სირთულე", — ამბობს ლეკუნი და დასძენს, რომ ის საკუთარ თავს ამ კატეგორიაში არ აყენებს. "ვიცოდი, რომ რთული იყო და დიდი დრო დასჭირდებოდა".

სინამდვილეში, ლეკუნმა ახლახან გამოაქვეყნა "თვითმართვადი მანქანის ინტელექტის" შექმნის გეგმა, რომელიც ასევე ცხადყოფს, რომ ლეკუნის აზრით, ხელოვნური ინტელექტის დღევანდელი მიდგომები ადამიანის დონის AI-ის შექმნამდე ვერ მიგვიყვანს.

მაგრამ ის ასევე ხედავს deep learning-ის მომავლის უზარმაზარ პოტენციალსაც, კერძოდ კი მანქანების ეფექტურად დასწავლის უნარის გაუმჯობესებას, რაც ცხოველებისა და ადამიანების შემეცნების მსგავსად იმუშავებს.

"ჩემთვის მთავარი კითხვა ისაა, თუ რა არის ძირითადი პრინციპი, რომელსაც ეფუძნება ცხოველების დასწავლა — ეს არის ერთ-ერთი მიზეზი, რის გამოც მხარს ვუჭერდი ისეთ რაღაცებს, როგორიცაა თვითკონტროლირებადი სწავლება. ეს პროგრესი საშუალებას მოგვცემს შევქმნათ ისეთი რამ, რაც ამჟამად სრულიად მიუწვდომელია, როგორიცაა ჭკვიანი სისტემები, რომლებიც დაგვეხმარებიან ყოველდღიურ ცხოვრებაში, ადამიანი ასისტენტების მსგავსად. ეს ჩვენ გვჭირდება, რადგან ყველა გამოვიყენებთ AR სათვალეებს და მოგვიწევს მათთან ურთიერთობა", — ამბობს ლეკუნი.

ჰინტონი მიიჩნევს, რომ სამომავლოდ deep learning-ში კიდევ უფრო დიდ პროგრესს უნდა ველოდოთ. რობოტიკის განვითარების გარდა, მას ასევე სჯერა, რომ იქნება კიდევ ერთი მიღწევა ნეირონული ქსელების ძირითად გამოთვლით ინფრასტრუქტურაში, რადგან "ამჟამად ეს მხოლოდ ციფრული გამოთვლებია გაკეთებული ამაჩქარებლებით, რომლებიც ძალიან კარგად ასრულებენ მატრიცის მულტიპლიკატორებს". უკუპროპაგაციისთვის, მისი თქმით, ანალოგური სიგნალები ციფრულად უნდა გადაკეთდეს.

"ვფიქრობ, ვიპოვით ალტერნატივას უკუპროპაგაციისთვის, რომელიც მუშაობს ანალოგურ აპარატურაზე. მე საკმაოდ დარწმუნებული ვარ, რომ გრძელვადიან პერსპექტივაში ჩვენ თითქმის ყველა გამოთვლა ანალოგში გვექნება", — ამბობს ჰინტონი.

ხოლო ლი თვლის, რომ deep learning-ის მომავლისთვის ყველაზე მნიშვნელოვანი კომუნიკაცია და განათლებაა. "მე პირადად ძალიან მაწუხებს, რომ ცოდნის ნაკლებობა არ უწყობს ხელს უფრო დეტალური და გააზრებული აღწერის გადმოცემას იმაზე, თუ რას ეხება ეს დრო".

როგორ დაიმახსოვრებენ deep learning-ის ათწლეულს

ჰინტონი აღნიშნავს, რომ გასულ ათწლეულში მიღწეულ deep learning-ის წარმატებებზე ვერც კი იოცნებებდა. მაგრამ ასევე ხაზს უსვამს, რომ მიუხედავად deep learning-ის მიერ მიღებული უზარმაზარი მოგებისა, ის ასევე უნდა გვახსოვდეს, როგორც კომპიუტერული ტექნიკის მიღწევების ეპოქა. "ეს ყველაფერი კომპიუტერული ტექნიკის პროგრესის ფონზეა".

მარკუსის მსგავსი კრიტიკოსები ამბობენ, რომ deep learning-ის პროგრესის მიუხედავად, მოგვიანებით იგი შეიძლება არასაკმარისად აღიქვან. "ვფიქრობ, ადამიანები 2050 წელს შეხედავენ 2022 წლის სისტემებს და იტყვიან, რომ, დიახ, ისინი ჩინებულნი იყვნენ, მაგრამ დიდად არ მუშაობდნენ".

მაგრამ ლი იმედოვნებს, რომ გასულ ათწლეულს დაიმახსოვრებენ, როგორც "დიდი ციფრული რევოლუციის დასაწყისს, რომელმაც გააუმჯობესა ყველა ადამიანის და არა მხოლოდ რამდენიმე ადამიანის, ან ადამიანთა სეგმენტის, ცხოვრება და მუშაობა".

როგორც მეცნიერმა, მან დასძინა: "არასდროს ვიფიქრებ, რომ დღევანდელი deep learning ხელოვნური ინტელექტის შესწავლის დასასრულია", ხოლო როგორც ერთმა ჩვეულებრივმა ადამიანმა, მან თქვა, რომ სურს AI დაინახოს, როგორც "წარმოუდგენელი ტექნოლოგიური ინსტრუმენტი, რომელიც მუშავდება და გამოიყენება ყველაზე ადამიანზე ორიენტირებული გზით — აუცილებელია, ვაღიაროთ ამ ხელსაწყოს ღრმა გავლენა და მივიღოთ ადამიანზე ორიენტირებული აზროვნების, ხელოვნური ინტელექტის დიზაინისა და დანერგვის ჩარჩო."

საბოლოოდ კი, ლის თქმით, ის თუ "როგორ დაგვიმახსოვრებენ, დამოკიდებულია იმაზე, თუ რას ვაკეთებთ ახლა".