Die KI wird die Menschheit nicht so schnell auf den Schrotthaufen bringen. Wir sind auch keine einzige Google DeepMind-Veröffentlichung außerhalb der Superintelligenz. Aber machen Sie keinen Fehler: Künstliche Intelligenz macht enorme Fortschritte.
Wie im Artificial Intelligence Index Report 2021 erwähnt, stieg die Anzahl der Fachpublikationen in diesem Bereich im vergangenen Jahr um 34,5%. Das ist ein viel höherer Prozentsatz als die 19,6% im Vorjahr. Die KI wird alles von der Medizin zum Transport verändern, und es gibt nur wenige, die anders argumentieren würden.
Hier im Jahr 2021 befinden wir uns weit in der Revolution des tiefen Lernens, die die KI im 21. Jahrhundert aufgeladen hat. Aber „tiefes Lernen“ ist ein weit gefasster Begriff, mit dem die meisten Menschen inzwischen sehr vertraut sind. Woher kommen die großen Fortschritte in der KI? Wo sollten Sie suchen, um zu sehen, wie sich die Zukunft vor Ihnen entfaltet? Hier sind einige der Technologien, die Sie im Auge behalten sollten.
Transformatoren: Mehr als man denkt
“Verkleidete Roboter // Autobots führen ihren Kampf // Um die bösen Mächte // der Decepticons zu zerstören.” Warten Sie, das ist etwas anderes!
Transformers – das KI-Modell – ist weit entfernt von einem Franchise-Unternehmen, das im vergangenen Jahrhundert seine Blütezeit erlebte, und stellt einen der vielversprechendsten heutigen Fortschritte auf diesem Gebiet dar, insbesondere im Bereich der Forschung zur Verarbeitung natürlicher Sprache.
Das Sprachverständnis war ein zentrales Interesse an KI, seit es überhaupt KI genannt wurde, und reicht bis zu Alan Turings vorgeschlagenem Test für Maschinenintelligenz zurück. Es hat sich gezeigt, dass Transformatormodelle, die erstmals 2017 von Google-Forschern beschrieben wurden, früheren Sprachmodellen weit überlegen sind. Ein Grund sind die fast unergründlich großen Datenmengen, mit denen sie trainiert werden können. Sie können für die maschinelle Übersetzung, das Zusammenfassen von Dokumenten, das Beantworten von Fragen, das Verstehen des Videoinhalts und vieles mehr verwendet werden. Während große Sprachmodelle sicherlich Probleme aufwerfen, ist ihr Erfolg nicht zu leugnen.
Das Aufkommen von Transformers führte zur Entwicklung von GPT-3 (Generative Pre-trained Transformer), das 175 Milliarden Parameter aufweist, auf 45 TB Textdaten trainiert wurde und dessen Baukosten über 12 Millionen US-Dollar lagen. Anfang dieses Jahres hat Google seine Krone zurückerobert, indem es ein neues Sprachmodell mit rund 1,6 Billionen Parametern vorstellte, das neunmal so groß wie GPT-3 ist. Die Transformatorrevolution fängt gerade erst an.
Generative gegnerische Netzwerke
Konflikte machen die Welt normalerweise nicht zu einem besseren Ort. Aber es macht die KI auf jeden Fall besser.
In den letzten Jahren wurden erhebliche Fortschritte bei der Bilderzeugung erzielt: In Bezug auf die Verwendung von KI, um Bilder zu erfinden, die nicht von tatsächlichen Bildern aus der realen Welt zu unterscheiden sind. Hier geht es nicht nur um Verschwörungstheorien in den sozialen Medien, die die Leute dazu verleiten, zu glauben, Präsident Biden sei beim Feiern mit den Illuminaten erwischt worden. Die Bilderzeugung kann für alles verwendet werden, von der Verbesserung der Suchfunktionen über die Unterstützung von Designern bei der Erstellung von Variationen eines Themas bis hin zur Erstellung von Kunstwerken, die bei Auktionen für Millionen verkauft werden.
Wo kommt der Konflikt ins Spiel? Eine der Haupttechnologien für die Bilderzeugung wird als generatives kontradiktorisches Netzwerk (GAN) bezeichnet. Diese Klasse von Frameworks für maschinelles Lernen verwendet einen kämpferischen Tauziehen-Ansatz, um Bilder und Rückmeldungen zwischen einem “Generator” – und einem “Diskriminator” -Algorithmus zu übertragen, was zu inkrementellen Verbesserungen führt, bis der Diskriminator nicht mehr erkennen kann, was echt und falsch ist. GANs wurden auch verwendet, um gefälschten genetischen Code zu generieren, der von Forschern verwendet werden könnte.
Suchen Sie in naher Zukunft nach weiteren innovativen Anwendungen.
Neurosymbolische KI
In einer Veröffentlichung vom Dezember 2020 beschrieben die Forscher Artur d’Avila Garcez und Luis Lamb die neurosymbolische KI als die „dritte Welle“ künstlicher Intelligenz. Neurosymbolische KI ist streng genommen nicht völlig neu. Es ist eher so, als würden zwei der größten Rockstars der Welt, die einst an der Spitze der Charts kämpften, zusammenkommen, um eine Supergruppe zu bilden. In diesem Fall besteht die Supergruppe aus selbstlernenden neuronalen Netzen und regelbasierter symbolischer KI
“Neuronale Netze und symbolische Ideen ergänzen sich wunderbar”, sagte David Cox, Direktor des MIT-IBM Watson AI Lab in Cambridge, Massachusetts, zuvor gegenüber Digital Trends. „Weil neuronale Netze Ihnen die Antworten geben, um von der Unordnung der realen Welt zu einer symbolischen Darstellung der Welt zu gelangen und alle Korrelationen innerhalb von Bildern zu finden. Sobald Sie diese symbolische Darstellung haben, können Sie einige ziemlich magische Dinge in Bezug auf das Denken tun. “
Die Ergebnisse könnten uns eine KI geben, die diesen Denkprozess besser ausführen kann, sowie eine erklärbarere KI, die erklären kann, warum sie die Entscheidung getroffen hat, die sie getroffen hat. Achten Sie darauf, dass dies in den kommenden Jahren ein vielversprechender Weg für die KI-Forschung sein wird.
Maschinelles Lernen trifft auf molekulare Synthese
Zusammen mit GPT-3 war DeepMinds erstaunlicher AlphaFold der bedeutendste KI-Fortschritt im letzten Jahr, der Deep Learning auf die jahrzehntealte biologische Herausforderung der Proteinfaltung anwendete. Eine Antwort auf dieses Problem wird zur Heilung von Krankheiten, zur Entdeckung neuer Medikamente, zu einem besseren Verständnis des Lebens auf zellulärer Ebene und vielem mehr führen. Dieser letzte Eintrag in der Liste ist weniger ein spezifisches Beispiel für KI-Technologie als vielmehr ein Beispiel dafür, wie KI in einer Domäne einen großen Unterschied macht.
Techniken des maschinellen Lernens in diesem Bereich erweisen sich in Bereichen wie der molekularen Synthese als transformativ für das Gesundheitswesen und die Biologie. Mithilfe von ML können Wissenschaftler herausfinden, welche potenziellen Medikamente sie evaluieren sollten und wie sie im Labor am effektivsten synthetisiert werden können. Es gibt vielleicht keinen lebensverändernden Bereich, in dem KI in den nächsten zehn Jahren und darüber hinaus eingesetzt wird.
Empfehlungen der Redaktion