ИИ для всех: супер-умные системы, которые вознаграждают создателей данных — CoinDesk

Этот пост является частью CoinDesk's 2019 Year of Review, сборника из 100 статей, интервью и обзоров состояния блокчейна и мира. Бен Гоерцель — основатель и генеральный директор SingularityNET, проекта ИИ, основанного на блокчейне.

Поскольку ИИ быстро проникает в каждый сектор экономики, есть несколько вопросов, более срочных, чем то, кто владеет, контролирует и направляет данные, используемые для обучения систем ИИ, а также модели и выводы, которые ИИ извлекает из этих данных.

Прямо сейчас ответом являются крупные корпорации. Данные о наших мыслях, предпочтениях, страхах и желаниях, которые раскрываются в наших электронных письмах, сообщениях, фотографиях и документах, хранятся в корпоративных хранилищах и используются для создания персонализированной рекламы, определяющей наше поведение при покупке. Данные о нашем теле и наших геномах хранятся в базах данных фармацевтических компаний и используются для запатентованных НИОКР без нашего явного согласия и без получения нами вознаграждения за обнаруженные методы лечения. Эти крупные корпорации, конечно, работают в тесной координации с правительственными агентствами по надзору, иногда для защиты гражданского населения, а иногда и более гнусно.

По мере того, как ИИ становится все более умным, вопрос о том, кто владеет и контролирует его, станет еще острее. Поэтому, к счастью, существуют технологии, позволяющие тщательно отслеживать и контролировать использование AI личных данных, моделей и выводов, а также умений, полученных на основе данных людей. В конечном итоге это может стать наиболее критичным применением технологии блокчейна и связанных с ней методов, таких как гомоморфное шифрование и многопартийные вычисления, которые позволяют выполнять сложную обработку данных AI, при этом сохраняя конфиденциальность данных.

По мере того, как ИИ становится все более умным, вопрос о том, кто владеет и контролирует его, станет еще острее.

За последние два года важность объединения ИИ и блокчейна стала почти обычным явлением на конференциях, семинарах и стартапах. Пока еще не существует децентрализованной сети ИИ с широким коммерческим внедрением, но эта концепция получила широкое признание. К концу 2020 года, вероятно, появятся захватывающие сценарии использования, в которых компании, большие и малые, переводят свои услуги AI из вызовов API в децентрализованную сеть на основе блокчейна, а не через централизованную службу AI.

В течение того же периода времени системы ИИ в значительной степени увеличивали мощность, с более громкими бизнес-приложениями на нескольких вертикальных рынках, наряду с фундаментальным прогрессом исследований, делающим переход от систем «узкого ИИ» для конкретных приложений к более общему. — системы искусственного интеллекта, давно предусмотренные научными фантастами и футуристами.

Не так давно искусственный общий интеллект (AGI) был предметом обсуждения только в определенных разреженных исследовательских кругах. Но поскольку Microsoft вложила 1 миллиард долларов в OpenAIТеперь один слышит термин из уст национальных и корпоративных лидеров. В настоящее время достаточно широко понимается, что ИИ должен выходить за рамки имитации своих обучающих наборов данных и достигать способности обрабатывать новые области, которые программисты и тренеры не ожидали. В то время как системы AGI на уровне человека остаются на будущее, мы предпринимаем шаги в этом направлении с помощью систем искусственного интеллекта, которые могут выполнять причинно-следственную связь (выявление первопричин, лежащих в основе сложных событий, таких как обвалы фондового рынка или вспышки заболеваний) и проводить обоснование аналогий (используя знания о, скажем, болезнях мыши, чтобы помочь понять человеческие болезни, или знания о китайском, чтобы помочь нам понять английский).

Однако слияние AGI и децентрализованного искусственного интеллекта еще не поразило общественный радар. В 2020 году мы, вероятно, увидим первые конкретные шаги в этом направлении. Это пробудит общественное внимание к потенциалу децентрализованных структур для работы в области ИИ с возможностью глубокого воображения, обобщения и творческого обучения.

Практические формы

Агенты, ориентированные на AGI в децентрализованной мета-сети AI (включая несколько взаимодействующих децентрализованных сетей AI: скажем, SingularityNET, Ocean, Fetch.ai, Shivom и десятки других, работающих вместе), смогут предоставлять приложениям услуги абстракции и обобщения -ориентированные агенты ИИ, работающие в этой же мета-сети.

Предположим, что агент ИИ, ориентированный на здоровье, должен выдвинуть гипотезу о том, какие из 25 000 или около того генов человека участвуют в возникновении рака предстательной железы. Но предположим, что у него есть только данные ДНК от нескольких сотен человек — этого недостаточно, чтобы сделать четкие выводы о стольких генах. Без структуры, позволяющей этому агенту ИИ обращаться за помощью к другим агентам ИИ, ИИ, вероятно, просто сдастся. Но в контексте, подобном SingularityNET, где ИИ могут обратиться за помощью к другим ИИ, могут быть тонкие пути к успеху. Если имеются другие наборы данных, касающиеся расстройств, сходных с раком предстательной железы, у модельных организмов, таких как мыши, мы можем увидеть прогресс в понимании того, какие гены участвуют в раке предстательной железы, с помощью комбинации нескольких агентов ИИ с различными возможностями, взаимодействующими друг с другом.

Предположим, что ИИ № 1 — назовем его Мастером аналогий — обладает способностью к рассуждению аналогий. Это тот тип рассуждений, который отображает знания об одной ситуации в другой тип ситуации, например, используя знания о войне, чтобы сделать выводы о бизнесе. Analogy Master мог бы использовать генетические данные о мышах с состояниями, похожими на рак простаты, чтобы сделать косвенные выводы о раке простаты человека.

Мы увидим работу в направлении более общих форм ИИ, которыми владеют и руководят отдельные лица.

Затем предположим, что ИИ № 2 — назовем его «Коннектор данных» — способен находить биологические и медицинские наборы данных, относящиеся к определенной проблеме, и готовить эти наборы данных для анализа ИИ. А затем предположим, что ИИ № 3 — давайте назовем его «Аналитик болезней» — является экспертом в использовании машинного обучения для понимания коренных причин заболеваний человека.

Аналитик по болезням, когда ему поручено найти человеческие гены, связанные с раком предстательной железы, может решить, что ему необходимо некоторое боковое мышление, чтобы помочь ему сделать концептуальный скачок и решить проблему. Он обращается за помощью к Мастеру Аналогов, или ко многим различным ИИ.

Мастер аналогии может ничего не знать о биологии рака, хотя он хорошо делает концептуальные скачки, используя рассуждения по аналогии. Таким образом, чтобы помочь аналитику по болезням справиться с этой проблемой, ему может потребоваться заполнить базу знаний некоторыми важными данными, например, о раке у мышей. Затем на помощь приходит Data Connector, предоставляющий Analogy Master данные о раке мыши, необходимые для его творческого мозгового штурма, и помощь Disease Analyst в решении его проблемы.

Все это сотрудничество между агентами ИИ может происходить за сценой с точки зрения пользователя. Исследовательская лаборатория, обращающаяся к Disease Analyst за помощью в генетическом анализе рака предстательной железы, никогда не должна знать, что Disease Analyst справился со своей задачей, обратившись за помощью к Analogy Master и Data Connector. Кроме того, Analogy Master и Data Connector не обязательно должны видеть запатентованные данные Disease Analyst, потому что с помощью многопартийных вычислений или гомоморфного шифрования аналитика AI может выполняться на зашифрованной версии набора данных без нарушения конфиденциальности данных (в данном случае, конфиденциальность пациента).

Благодаря прогрессу в технологиях искусственного интеллекта и облачных информационных технологиях, такое сотрудничество между несколькими искусственными интеллектами только сейчас становится возможным. Конечно, такое сотрудничество может происходить способом, контролируемым крупными корпорациями за брандмауэрами. Но что более интересно, так это то, как естественно эта парадигма достижения все более мощного и общего ИИ может соответствовать децентрализованным моделям контроля.

Что если три агента AI в этом примере сценария принадлежат разным сторонам? Что если данные о раке предстательной железы человека, используемые Disease Analyst, принадлежат и контролируются лицами с раком предстательной железы, от которых эти данные были собраны? Сейчас медицинское учреждение работает не так. Но, по крайней мере, мы можем сказать, что на технологическом уровне нет причин, по которым медицинские открытия, основанные на искусственном интеллекте, должны быть монолитными и централизованными. Децентрализованный подход, при котором интеллект достигается с помощью нескольких агентов с несколькими владельцами, действующими на надежно зашифрованных данных, теперь технологически осуществим, объединяя современный ИИ с инфраструктурой блокчейна.

На данном этапе централизация анализа данных ИИ и принятия решений в медицине, как и в других областях, является распространенной в силу политических и отраслевых причин и инерции, а не потому, что это единственный способ заставить техническую работу работать.

В этом случае оригинальный ИИ, ориентированный на здоровье, которому поручено понимание генетических причин рака, был бы полезен, чтобы закулисно связываться с этим ИИ, основанным на аналогиях, и с поставщиком соответствующих данных модельных организмов для передачи рассуждению по аналогии. , чтобы получить его помощь в решении своей задачи.

В сети искусственного общего интеллекта ближайшего будущего интеллект будет существовать на двух разных уровнях — отдельных агентах ИИ и согласованной и скоординированной деятельности сети агентов ИИ (комбинация трех агентов ИИ в приведенном выше примере; и комбинации большего количества более разнообразных агентов ИИ в более сложных случаях). Способность обобщать и абстрагировать также будет в некоторой степени существовать на обоих этих уровнях. Он будет существовать в отдельных агентах ИИ, таких как Analogy Master в приведенном выше примере, которые ориентированы на общий интеллект, а не на решение узкоспециализированных проблем. Он будет существовать во всей сети, включая комбинацию ориентированных на обобщение агентов AI, таких как Analogy Master, и агентов специального назначения, таких как Disease Analyst, и агентов AI «соединителя», таких как Data Connector, выше.

Масштабируемое развертывание и широкое внедрение децентрализованных сетей искусственного интеллекта все еще находится в начале, и есть много тонкостей, с которыми придется столкнуться и решить в ближайшие годы. В конце концов, то, что децентрализованному сообществу ИИ необходимо для достижения своих среднесрочных целей, является более фундаментально сложным, чем ИТ-системы, созданные Google, Facebook, Amazon, IBM, Tencent или Baidu. Эти системы являются результатом десятилетий инженерных работ десятков тысяч блестящих инженеров.

Сообщество децентрализованного ИИ не будет нанимать больше инженеров, чем эти компании. Но тогда Linux Foundation никогда не нанимал столько инженеров, как Microsoft или Apple, и теперь у него есть операционная система № 1, лежащая в основе как серверного интернета, так и мобильных и IoT-экосистем. Если попытка мира блокчейн-ИИ катализировать возникновение общего интеллекта через совместную деятельность многочисленных агентов ИИ с различными уровнями абстракции будет успешной, то это должно произойти с помощью общественной деятельности. Эта общественная деятельность должна быть в значительной степени самоорганизованной. Но токеномные модели, лежащие в основе многих децентрализованных проектов ИИ, точно настроены так, чтобы поощрять эту самоорганизацию путем предоставления стимулов для агентов ИИ, которые служат для стимулирования и управления интеллектом всей сети, а также для достижения их индивидуальных целей.

Крупные централизованные корпорации приносят огромные ресурсы на стол. Тем не менее, для многих приложений — в том числе медицины и рекламы — это не корпорации, а отдельные лица, которые приносят данные в таблицу. И ИИ нужны данные, чтобы учиться. По мере появления ИИ-приложений на основе блокчейна крупные корпорации могут обнаружить, что их уникальная мощь извлекается из-под них.

Вы бы предпочли владеть частью медицинской терапии, обнаруженной с использованием ваших медицинских карт и геномных данных? Вы бы предпочли точно знать, как содержимое ваших сообщений и ваши шаблоны веб-серфинга используются, чтобы решить, какие продукты вам порекомендовать? Я тоже.

2020 год будет годом, когда это видение начинает набирать обороты. Мы увидим начало реального принятия пользователями платформ, которые объединяют блокчейн и ИИ. Мы увидим работу над более общими формами ИИ, которыми владеют и руководят люди, снабжающие ИИ данными, которые им необходимы для изучения и развития.

раскрытие Читать Больше

CoinDesk является лидером в области блокчейн-новостей. Это средство массовой информации, которое стремится к самым высоким журналистским стандартам и придерживается строгий набор редакционных правил, CoinDesk является независимой операционной дочерней компанией Digital Currency Group, которая инвестирует в криптовалюты и стартапы блокчейнов.





Источник: ИИ для всех: супер-умные системы, которые вознаграждают создателей данных — CoinDesk


Похожие материалы по теме: ИИ для всех: супер-умные системы, которые вознаграждают создателей данных — CoinDesk

Leave a comment