Architekti inteligence

Ať už jde o nejnovější sci‑fi filmy, nebo o každodenní zprávy, zdá se, že umělá inteligence je všude kolem nás. Není ale divu, že v detailech panuje jen malá shoda: povede automatizace k masové nezaměstnanosti? Nahradí tradiční automobily brzy vozidla s autonomním řízením? Jsme odsouzeni k tomu, že nás jednou ovládnou robotičtí vládci?

Navzdory široké škále názorů na tato témata bývají v debatách o AI a jejích možných dopadech nejvíce slyšet právě ty nejpesimističtější a nejdramatičtější hlasy. Umělá inteligence samozřejmě představuje reálná rizika pro ekonomiku i společnost. Pokud se ale soustředíme jen na negativa, přehlížíme její potenciál proměnit svět, redefinovat práci a přinést zásadní přínosy například ve zdravotnictví – a v mnoha dalších oblastech.

Následující kapitoly nabízejí ucelený pohled na AI: od toho, jak funguje, až po to, jak nám v budoucnu může pomoci – nebo uškodit. Při čtení získáte přehled o názorech 23 odborníků na umělou inteligenci, které autor vyzpovídal při přípravě knihy.

V tomto shrnutí se mimo jiné dozvíte,

• jak AI rozpozná, že na obrázku je kočka,
• proč bychom se měli zabývat hrozbou „zabijáckých robotů“,
• a proč by vstupenky na živé koncerty mohly být v budoucnu ještě dražší.

Vzpomínáte si na dětství? Na první chvíli, kdy jste viděli kočku – nebo alespoň obrázek kočky? Kolik koček jste museli vidět, než jste si vytvořili jasnou představu, co to vlastně kočka je? Pravděpodobně vám stačila jedna či dvě, abyste ji bez potíží odlišili od jiných zvířat.

Takové učení z velmi malého počtu příkladů je pro lidi přirozené a snadné – pro umělou inteligenci však představuje velký problém. Aby AI pochopila, co dělá kočku kočkou, musí projít tréninkem.

Dnes se k tomu nejčastěji používá hluboké učení, forma strojového učení, která stojí za většinou významných pokroků v AI za poslední desetiletí. Základní myšlenka je jednoduchá: různé metody hlubokého učení umožňují natrénovat AI k plnění konkrétních úkolů.

Ať už AI učíme rozpoznávat kočky, psy nebo hrnky na kávu, vždy začínáme neuronovou sítí. Jde o software tvořený několika vrstvami „neuronů“, které volně napodobují neurony v lidském mozku.

Existuje několik běžně používaných způsobů, jak neuronové sítě trénovat. Jedním z nich je učení s učitelem (supervised learning), typ hlubokého učení, při němž AI dostává tréninkovou sadu příkladů, z nichž každý je opatřen popiskem. Po natrénování bychom jí mohli ukázat obrázek kočky. Shluk pixelů na obrázku projde neuronovou sítí a po zpracování by měl stroj – v ideálním případě – potvrdit, že „vidí“ kočku.

Ani v takovém případě však AI vůbec netuší, co slovo „kočka“ znamená – neví, co kočka dělá ani že je živá. Aby si vytvořila hlubší porozumění, musí se učit prostřednictvím učení zakotveného v jazyce. Jde o přístup, při němž se věty či slova propojují s obrázky, videi nebo objekty v reálném světě.

Díky těmto technikám má hluboké učení širokou škálu možných aplikací. Učení zakotvené v jazyce může například pomoci rozvíjet jazykové schopnosti AI a učinit ji užitečnější v roli osobních asistentů, jako je Siri. Hluboké učení se už také využilo k tréninku AI pro hraní her. V jednom z nejznámějších případů byla AI AlphaGo natrénována pozorováním velkého množství partií go – a nakonec dokázala porazit nejlepšího lidského hráče na světě v jeho vlastní hře.

Je těžké nebýt ohromen, když vidíme, jak umělá inteligence poráží nejlepší lidské hráče v šachu, go nebo šógi. I když jde o monumentální úspěch, neznamená to, že jsme se výrazně přiblížili k dosažení obecné inteligence. Současná AI je stále dobrá jen v plnění konkrétních, úzce vymezených úkolů.

Vezměme si například AlphaZero. Byla natrénována pomocí hlubokého učení, aby hrála deterministické, dvouhráčové a plně pozorovatelné deskové hry, jako jsou šachy a go. Přesto by byla naprosto k ničemu, kdybychom po ní chtěli, aby se naučila hrát jiný typ hry – třeba poker.

Klíčové poselství zní: hluboké učení má svá omezení.

Na rozdíl od šachu nebo go je poker hra s neúplnou informací. Je jen částečně pozorovatelná – během hry nevidíte „celou desku“. AI, která má hrát poker, proto potřebuje algoritmy, jež dokážou odhadovat tahy a informace, které nejsou přímo vidět. AlphaZero to neumí. Je navržena tak, aby předpokládala, že hra, kterou hraje, se odehrává jen na desce s figurami.

V tuto chvíli tedy AI zpravidla zvládne jen ten úkol, na který byla konkrétně natrénována.

Dalším velkým problémem hlubokého učení a neuronových sítí jsou data, na nichž je trénujeme. Není žádným tajemstvím, že lidé mohou být zaujatí, i když to nemyslí zle. U policie například statistiky ukazují, že některé čtvrti jsou hlídány mnohem častěji než jiné. Výsledkem je, že o těchto oblastech máme mnohem více dat. Pokud AI trénujeme na takto zkreslených datech, může systém začít vytvářet předpojaté předpovědi o tom, kde je „pravděpodobnější“ výskyt kriminality.

Omezení hlubokého učení proto naznačují, že samotné tyto techniky nám k dosažení další fáze vývoje AI – umělé obecné inteligence (AGI) – stačit nebudou. Takový stroj by potřeboval zdravý rozum, tedy schopnost vyvozovat závěry o situacích, s nimiž se nikdy předtím nesetkal.

To však výzkumníky neodradilo od hledání cest, jak toho dosáhnout. Existuje několik přístupů, jak se pokusit strojům zdravý rozum dodat.

Jedna možnost v zásadě spočívá v tom, že do „mozku“ AI vložíme co nejvíce dílčích znalostí ve formě logických pravidel. Tato technika ale není příliš praktická – potenciálních pravidel a situací je v zásadě nekonečné množství.

Jiní výzkumníci doufají, že se zdravý rozum může vynořit sám od sebe, pokud stroje necháme dlouhodobě pozorovat svět a neuspořádaným způsobem se učit, jak věci fungují.

Existuje však i další možnost: vědci by mohli AGI vytvořit pomocí hybridního systému, který kombinuje neuronové sítě s tradičními logickými pravidly. Tomuto přístupu se budeme věnovat v následující kapitole.