А чи не надто багато галасу здіймається навколо машинного навчання? На це питання, колись заданий на Quora , відповідає Скотт Ааронсон, фахівець у галузі теоретичної інформатики в Массачусетському технологічному інституті (Кембридж, Массачусетс, США), який незабаром працюватиме в Техаському Університеті в Остіні.
Теми для обговорення бувають дуже різні, і їхня цінність теж. "Ідеологічне значення нігтів на пальцях ніг", наприклад. Про це мало хто говорить, і, мабуть, говорити більше не потрібно. Або ось напівекспоненційні функції. Про них теж мало говорять, хоч варто. У той же час розмови про футбол, безкультурну манеру сидіти, розкинувши ноги в громадському транспорті, або сукні знаменитостей на церемонії «Оскар» не вщухають. Хоча толку в цьому мало. Нарешті, є теми, про які багато говорять, і, на перший погляд, про це справді варто говорити: Друга світова війна, глобальне потепління, чорні дірки чи машинне навчання. Важко сказати, наскільки вони важливі, оскільки дуже непросто виділити суть із купи інформаційного сміття. До того ж, щоб по-справжньому зрозуміти наукомістку тему, потрібно мати певну підготовку.deep learning ) і впливає суспільство (той самий перехід на самокеровані автомобілі).
Я б із задоволенням попрацював із машинним навчанням, якби не займався квантовими обчисленнями. Насправді я почав придивлятися до штучного інтелекту ще під час навчання в Корнельському університеті (Ітака, Нью-Йорк, США) з Бартом Селманом (Bart Selman), а потім як аспірант у Берклі (Каліфорнійський університет, Берклі, Каліфорнія, США) з Майком Джорданом (Mike Jordan), перш ніж перейшов до квантових обчислень. Я вирішив, що в цій галузі моя «порівняльна перевага» значно більша. Прогрес у машинному навчанні за останні десять років – це прогрес, який призвів до таких речей, як IBM Watson, AlphaGoі так далі, — здається мені справді вражаючим. З іншого боку, принаймні, за словами дослідників Машинного Навчання, яких я знаю, цей самий прогрес, який у всіх на слуху, не включає будь-яких великих нових концептуальних проривів. Він більше пов'язаний з доопрацюванням алгоритмів, які існували в 70-х і 80-х роках і реалізацією цих алгоритмів на комп'ютерах, які на порядок швидше, та їх навчання з значною кількістю даних. З одного боку, той факт, що ідеї, які дозрівали вже кілька десятків років (наприклад, метод зворотного поширення помилки — Backpropagation та його варіації) змогли показати такий високий результат під час масштабування, викликає оптимізм. Адже ми зможемо досягти ще значніших результатів ІІ,
З іншого боку, це також нагадування про те, що якщо ми хочемо знати, що буде важливим через десятиліття, нам необхідно пошукати сьогоднішні аналоги наукових ідей минулого, того ж методу зворотного поширення помилки. Можливо, ці ідеї, що розроблялися групою вчених-диваків, надто дивні, нові та недоведені, щоб залучити інвесторів або бути описаними у глянцевих журналах. Ідеї, що недооцінюються з причин недостатнього розвитку технологій. Насамкінець я хочу сказати, що мені куди цікавіша сама суть машинного навчання, ніж весь цей ажіотаж навколо нього. Адже ще в п'ятдесятих роках майже кожен знав, що в майбутньому комп'ютери будуть важливими, і вони мали рацію. Але багато в чому вчені помилялися. Так, була сильно недооцінена складність створення людиноподібних роботів, люди не змогли передбачити момент появи персональних комп'ютерів чи інтернету. Я не сумніваюся, що через тридцять років люди погодяться з нами щодо важливості ролі машинного навчання. Але, можливо, вони будуть засуджувати нас за те, що ми проігнорували якісь галузі Машинного навчання, чи навпаки сміятися з нас за те, що ми займалися питаннями, які надалі не знайшли застосування? Я не знаю відповіді на ці запитання, але мені хотілося б їх дізнатися.
ПЕРЕЙДІТЬ В ПОВНУ ВЕРСІЮ