Under en presskonferens på meddelande funktionen av autopilot i Tesla Model S, som ägde rum i oktober 2015, på Teslas VD Elon Musk säger att alla förare kommer att vara “coach-expert” för varje Modell S. Varje bil skulle kunna förbättra deras funktion, autonomi, att lära sig av sina förare, men ännu viktigare — när en Tesla kommer att lära dig från dina förare, denna kunskap kommer att fördelas bland övriga bilar Tesla.
Mycket snart ägare av Model S har märkt att det fungerar av egen bil successivt förbättras. I ett exempel, “Tesla” som var gjort för fel den tidiga utträden från motorvägen, tvingar ägarna att manuellt hålla bilen på rätt väg. Efter bara några veckor, ägarna sade att bilen är inte längre att göra förtida utträde.
“Det är slående att en förbättring skett så snart”, sa en av ägarna av Tesla.
Intelligenta system, exempelvis sådana som är utrustade med den senaste programvaran för lärande, inte bara att bli smartare, de blir smartare, snabbare och snabbare. Att förstå den hastighet med vilken dessa system är att utveckla, kan vara särskilt svåra att hantera den tekniska utvecklingen.
Ray Kurzweil har skrivit mycket om brister i förståelse av människan, som beskriver den så kallade “intuitivt linjär syn på teknisk förändring och “exponentiell” förändringstakt som sker nu. Nästan två decennier efter att ha skrivit en viktig uppsats, som han kallade “the Law of accelerating returns” — teorin av evolutionär förändring, som beskriver förändringen av hastigheten förbättringar, system — enhet som är ansluten började att dela kunskap mellan sig, att påskynda sin egen förbättring.
“Jag tror att det är nog mest viktigt exponentiell trend i AI, säger Hod Lipson, Professor i maskinteknik och datateknik vid Columbia University.
“Alla exponentiell teknik trender har olika “utställare”, tillägger han. “Men det här är nog den största.” I sitt yttrande, denna “maskin undervisning” — när enheter överföra kunskap till varandra (inte att förväxla med machine learning) är ett viktigt steg för att påskynda förbättringen av sådana system.
“Ibland detta samarbete, till exempel när en maskin lär sig från de andra, om de svärm medvetande. Ibland är det en enda röra, som kapprustningen mellan de två systemen spelar schack med varandra”.
Lipson anser att denna utveckling av AI det är kraftfulla saker, dels eftersom det eliminerar behovet av utbildning data.
“Data är bränsle för lärande, men även maskinerna är svårt att få vissa data, detta kan vara riskabelt, långsamt, dyrt, eller ouppnåeligt. I sådana fall, maskiner kan dela med sig av sina erfarenheter eller för att skapa en syntetisk upplevelse för varandra för att komplettera eller ersätta data. Det visar sig att det inte var en så svag effekt är i själva verket zamovlennya, och exponentiell”.
Lipson nämner exempel på en nyligen genombrott DeepMind projektet AlphaGo Noll, som tecken på AI inlärning utan utbildning data. Många är bekanta med AlphaGo, AI machine learning, som har blivit världens bästa gå-spelare, efter att ha studerat de enorma mängder data som består av miljontals spel som spelas. AlphaGo Noll kunde slå honom även utan att titta på data utbildning helt enkelt genom att du studerar reglerna för spel och leka med sig själv. Då han slog de bästa i världen för schack spel efter en åtta timmars utbildning.
Föreställ dig hur tusentals av dessa AlphaGo Noll omedelbart dela med sig av sina förvärvade kunskaper.
Och det är inte bara leksaker. Vi kan redan se hur stark inverkan av den hastighet med vilken företag kan förbättra utförandet av sina enheter. Ett exempel är den industriella tekniken för digital dubbel programvara modell av en maskin som simulerar vad som händer med utrustningen. Tänk om bilen skulle titta inuti sig själv och visar sin bild tekniker.
Till exempel, en ångturbin med digital dubbelrum kan mäta ånga, rotor hastighet, kallstarter och andra data för att förutsäga fel och tekniker varning om att förhindra kostsamma reparationer. Digital tvillingar göra dessa förutsägelser, att utforska sina egna prestationer, och förlitar sig på modeller som utvecklats av andra ångturbiner.
Så snart som maskiner att börja med att lära sin omgivning, ett kraftfullt nytt sätt, deras utveckling påskyndas på grund av att data exchange. Kollektiv intelligens varje ångturbiner, spridda över planeten, kan påskynda den prediktiva förmågan hos varje enskild maskin. Där kommer en bil utan förare, det kommer att finnas hundratals andra förare som kommer att studera på din bil, ge kunskap åt alla.
Glöm inte att allt detta är bara början.
Maskiner, lära av varandra, kan vara avgörande för artificiell intelligens
Ilya Hel