глубокого обучения Эндрю Ын сравнил исследование ИИ с работой Томаса Эдисона над внедрением электричества: передовая технология существует сама по себе, и только поставив ее на службу человеку, можно революционизировать десятки различных отраслей промышленности. Предприниматели XIX века в короткие сроки поставили электричество на службу человеку[14]: чтобы тот мог готовить пищу, освещать помещения и приводить в действие промышленное оборудование. Точно так же современные предприниматели, опираясь на исследования ИИ, начинают ставить на службу человеку и глубокое обучение. До сего дня было проделано много сложных теоретических изысканий, теперь же пришло время предпринимателям засучить рукава и приступить к нелегкой работе по превращению алгоритмов в устойчивый бизнес. Это не уменьшит энтузиазма в области исследования ИИ – просто реализация делает академические успехи осязаемыми, что действительно меняет нашу повседневную жизнь. Наступление эры практического применения означает, что после десятилетий самоотверженных исследований мы, наконец, увидим их плоды – и именно этого я так ждал большую часть своей взрослой жизни.
Поняв разницу между открытием и внедрением, мы лучше поймем, как ИИ будет влиять на нашу жизнь и какая страна станет лидером, когда дело дойдет до реализации новых технологий на практике. В эпоху открытий прогресс шел благодаря усилиям группы выдающихся ученых, и почти все они работали в США и Канаде. Их проницательность и новаторство привели к тому, что возможности компьютеров выросли быстро и радикально. Со времени зарождения глубокого обучения ни одна другая группа исследователей или инженеров не создала инноваций такого масштаба.
Эпоха данных
Итак, человечество приближается ко второму важному переходу – от эпохи экспертных знаний к эпохе данных. В наше время для создания эффективных алгоритмов ИИ нужны три составляющих: большие объемы данных, вычислительные мощности и труд способных – но не обязательно выдающихся – разработчиков алгоритмов ИИ. Чтобы с помощью глубокого обучения решать новые задачи, необходимы все три элемента, но в эпоху внедрения основную роль играют именно данные. Так получается потому, что, как только вычислительная мощность и талант разработчика достигают некоторого порога, объем данных становится решающим и определяет общую эффективность и точность алгоритма. При глубоком обучении данных не бывает слишком много. Чем больше примеров одного явления получает сеть, тем проще ей будет находить закономерности и идентифицировать вещи в реальном мире.
При превосходящем объеме данных алгоритм, разработанный группой инженеров ИИ среднего уровня, как правило, сильнее алгоритма, созданного исследователем глубокого обучения мирового класса. Ведущие исследователи ИИ все еще могут вывести эту область науки на более высокий уровень, но такие достижения случаются один раз в несколько десятилетий. А пока мы ждем
Линч Ш. Эндрю Ын: почему ИИ – это новое электричество // The Dish [блог] // Stanford News. URL: https://news.stanford.edu/thedish/2017/03/14/andrew-ng-why-ai-is-the-new-electricity/ (14 марта 2017 года).
