منبع:راسخون



 

AlphaGo کار خود را با آموختن تعداد زیادی از الگوهای بازی آغاز کرد، چگونه می‌توان چنین رویکردی را در گوشی‌های هوشمند پیاده کرد، جایی که ورودی‌ها بسیار متنوع‌تر هستند؟

بله، اطلاعات زیادی در آن‌ها وجود دارند که می‌توان آموخت. ما فکر می‌کنیم می‌توان از شر نقطه آغازینِ یادگیری با نظارت (supervised learning) خلاص شد و یادگیری را عملا از صفر شروع کرد. این کار زمان بیشتری طول خواهد کشید. ما اعتقاد داریم می‌توان به یادگیری خالص نزدیک شد.

این به خاطر جایگاه کنونی الگوریتم ممکن شده است؟

نه، ما قبلا هم می‌توانستیم این کار را انجام دهیم. این کار برنامه را قوی‌تر نمی‌کرد، تنها یادگیری خالص بود، بنابراین هیچ بخش نظارتی وجود نداشت. ما فکر می‌کنیم این الگوریتم می تواند بدون هیچ گونه نظارتی کار کند. بازی‌های آتاری که ما در سال گذشته کار کردیم، با دانش انسانی راه‌اندازی نشده بودند، آن‌ها به معنای واقعی کلمه از انجام کارهای تصادفی بر روی صفحه نمایش آغاز شده بودند.

می‌توانید بگویید چه زمانی، این تغییرات، تفاوت‌هایی قابل توجه را در گوشی‌ها به وجود خواهند آورد؟

من فکر می‌کنم طی دو تا سه سال آینده به تدریج متوجه تغییراتی خواهید شد. این تغییرات در آغاز جزیی خواهند بود، شاید پس از چهار یا پنج سال متوجه تغییراتی قابل توجه در قابلیت‌های گوشی‌ها شوید.

از بین تمامی امکاناتی که شما مطرح کردید، این بیش از همه به گوگل مرتبط است.

بله.

آیا برای شما مشخص شده است که چگونه تمامی امکاناتی که مطرح شد قرار است در برنامه‌ریزی محصول و مدل کسب و کار گوگل جای بگیرند؟

نه، ما دستمان در کارهایی که می‌خواهیم برای بهینه‌سازی پیشرفت پژوهش انجام دهیم، باز است، ماموریت ما این است؛ به این دلیل به گوگل پیوستیم تا بتوانیم سرعت‌مان را افزایش دهیم. این اتفاق در چند سال گذشته افتاده است. البته ما روی بسیاری از محصولات داخلی گوگل هم کار می‌کنیم، اما این محصولات همگی در مراحل ابتدایی هستند و هنوز برای صحبت در مورد آن‌ها زود است. فکر می‌کنم دستیاران گوشی‌های هوشمند پروژه‌ای محوری است. ساندار پیچای (مدیر عامل اجرایی گوگل) هم به نقش محوری آن در آینده گوگل اشاره کرده است.

گوگل طرح‌های دیگری مانند مغز گوگل (Google Brain) را دارد که از قابلیت‌های یادگیری ماشینی استفاده می‌کند، آیا شما با مغز گوگل در ارتباط هستید و بین آن و کار شما همپوشانی وجود دارد؟

مطمئنا، در واقع این دو یکدیگر را تکمیل می‌کنند. ما هر هفته با هم صحبت می‌کنیم. مغز گوگل بیشتر روی یادگیری عمیق متمرکز است و مهندسان خارق‌العاده‌ای مثل جف دین بر روی آن کار می‌کنند، چیزهایی مثل Google Photos نتیجه فعالیت آن‌هاست. آن‌ها بیشتر روی محصولات متمرکز هستند، در حالی که ما مشغول انجام کارهایی هستیم که ممکن است لزوما در ابتدا ارتباط مستقیمی با محصول نداشته باشند.
پشتیبانی گوگل از AlphaGo چقدر مهم بود؟ آیا بدون کمک گوگل می‌توانستید این کار را انجام دهید؟
بسیار مهم بود. در واقع AlphaGo در بازی از سخت‌افزارهای زیادی استفاده نمی‌کند، اما ما احتیاج به سخت‌افزارهای زیادی برای پرورش آن و تهیه نسخه‌های مختلف و واداشتن آن‌ها به رقابت با یکدیگر در cloud داشتیم. برای انجام موثر این کارها، به سخت افزارهای زیادی نیاز بود، بنابراین ما بدون دسترسی به منابع مورد نیاز، نمی‌توانستیم این کار را در این محدوده زمانی به انجام برسانیم.

اجازه بدهید در مورد رباتیک صحبت کنیم. ژاپن را می‌توان خانه روبات‌‌ها دانست. ربات‌‌ها در این کشور به دو شیوه مورد استفاده قرار می‌گیرند، شرکت‌هایی مثل فانوک (Fanuc) وجود دارند که ربات‌‌های صنعتی می‌سازند که کارهای شگفت‌انگیزی را برای یک هدف مشخص انجام می‌دهند. ربات‌های دربانی مثل SoftBank’s Pepper هم وجود دارند که اهداف بلند پروازانه‌ای را در سر می‌پرورانند، اما موارد استفاده‌آن‌ها محدود است. شما در مورد آن‌ها چه نظری دارید؟
بله، همان‌طور که گفتید ربات‌های فانوک از لحاظ فیزیکی، توانایی خوبی دارند، کمبود آن‌ها، هوش است. ربات‌های دربان هم تاحدودی شبیه دستیاران گوشی‌های هوشمند هستند، آن‌ها از پیش برنامه‌ریزی شده‌اند تا واکنش‌های مشخصی داشته باشند و اگر شما کاری غیر قابل پیش بینی انجام دهید، به راحتی گیج می‌شوند.

بنابراین سوال من این است که یادگیری ماشینی چگونه می‌تواند قابلیت‌های ربات را افزایش دهد؟

خب، این رویکردی کاملا متفاوت است. شما باید از هیچ شروع به ساختن توانایی آموختن چیزهای جدید و حل مسایل غیرقابل پیش‌بینی کنید، فکر می‌کنم این چیزی است که هر ربات یا نرم‌افزار کاربردی در مراودات دنیای واقعی با کاربران واقعی به آن نیاز دارد. آن‌ها باید این قابلیت‌ها را داشته باشند تا بتوانند کاملا مفید واقع شوند.

به نظر شما فوری‌ترین موارد استفاده برای ربات‌هایی که می‌توانند یاد بگیرند، چیست؟

واقعیت این است که ما خیلی به این قضیه فکر نکردیم. اتومبیل‌های خودران را می‌توان نوعی هوش مصنوعی یادگیرنده دانست؛ گرچه آن‌ها از جنبه‌هایی از هوش مصنوعی یادگیرنده برای بینایی کامپیوتری استفاده می‌کنند، اما هوش مصنوعی ضعیفی هستند. تسلا (Tesla) از تکنولوژی بینایی کامپیوتری استفاده می‌کند که براساس یاگیری عمیق است. اطمینان دارم که ژاپن به فکر ساخت ربات‌های مراقب سالمندان یا ربات‌های خدمتکار منزل است، با توجه به پیر شدن جمعیت جهان، چنین ربات‌هایی می‌توانند مفید باشند.

چرا یک رویکرد مبتنی بر یادگیری برای این نوع موارد استفاده مفیدتر است؟

شما باید به این فکر کنید که چرا ما هنوز چنین چیزی را در اختیار نداریم؟ چرا رباتی وجود ندارد که بتواند خانه شما را تمیز کند؟ دلیلش این است که خانه‌ها از نظر طرح خانه، چیدمان مبلمان و چیزهایی از این دست با هم متفاوتند. حتی موقعیت یک خانه هم هر روز با روز دیگر فرق می‌کند، بعضی اوقات خانه تمیز و مرتب است، بعضی اوقات کثیف و به هم ریخته؛ بنابراین هیچ راهی وجود ندارد که بتوان ربات را از قبل برنامه‌ریزی کرد. همچنین باید ترجیحات افراد را هم در نظر گرفت، شاید هر کسی دوست داشته باشد، لباس‌هایش یک جور تا شوند. این‌ها مشکلات پیچیده‌ای هستند؛ گرچه انجام چنین کارهایی برای انسان‌ها بسیار ساده است، اما ما با چیزهایی بسیار پیچیده، طرف هستیم.

فقط محض کنجکاوی می‌پرسم، آیا شما هم یک ربات تمیز کننده دارید؟

خب ... یکی داشتیم ولی چندان به درد نمی‌خورد، به همین خاطر .... [می خندد]

من هم یکی از این ربات‌های تمیز کننده دارم، شاید نتوان گفت خیلی مفید هستند، اما به تدریج شیوه کار با آن دستم آمده، من آدم تنبلی هستم و این ربات به درد من می‌خورد. بنابراین منتظرم ربات‌های پیشرفته‌تری تولید شوند.

ربات‌های تمیز کننده‌ای که در حال حاضر وجود دارند، احمق هستند و هیچ هوشی ندارند، اما طرفداران زیادی دارند. من فکر می‌کنم در آینده همه‌ی افراد، با قیمتی مناسب، ربات‌هایی را خواهند خرید که ظرف‌ها را می‌شویند و خانه را مرتب می‌کنند. به نظر من به تدریج به جاهای خوبی خواهیم رسید.

به نظر شما تعامل انسان، ربات و هوش مصنوعی در آینده چگونه خواهد بود؟ خیلی از افراد به یاد فیلم‌های علمی-تخیلی می‌افتند!

من شخصا خیلی در مورد رباتیک فکر نمی‌کنم، چیزی که مرا واقعا هیجان‌زده می‌کند، استفاده از این نوع هوش مصنوعی برای پیشرفت سریع‌تر علم است. دستیاران پژوهشیAI می‌توانند در میان مقدار بسیار زیادی از داده‌ها، ساختارهایی را پیدا کنند، سپس آن‌ها را به متخصصان انتقال دهند تا سریعتر به کشفیات خود دست یابند.

امیدوارم هر چه زودتر شاهد چنین اتفاقاتی باشیم.