Z roku na rok sztuczna inteligencja zdaje się stawać coraz mądrzejsza. Regularnie słyszymy o kolejnych przełomach z nią powiązanych – o tym, że sztuczna inteligencja coraz lepiej rozpoznaje twarze, coraz lepiej przewiduje przeróżne zdarzenia, coraz lepiej generuje przeróżne treści, i tak dalej. Ale czy ta technologia rzeczywiście postępuje w takim tempie, jak owe przekazy sugerują?
Davis Blalock, absolwent studiów informatycznych z MIT, postanowił to sprawdzić. On i jego współpracownicy porównali ze sobą dziesiątki podejść do ulepszania sieci neuronowych – architektur oprogramowania, które w luźny sposób naśladują mózg. Badania zespołu sugerują, że przynajmniej niektóre algorytmiczne usprawnienia ostatniej dekady mogły mieć mniejsze znaczenie, niż wcześniej sądzono.
Złudzenie postępu
Blalock ocenił wraz ze swoim zespołem aż 81 „algorytmów przycinających” (ang. pruning algorithms). Algorytmy te mają zwiększać wydajność sieci neuronowych poprzez usuwanie sekcji drzew decyzyjnych. Twórcy każdego z tych algorytmów twierdzili, że pod pewnymi względami ich algorytmy wykazywały wyższość nad innymi. Jak się jednak okazuje, algorytmy te rzadko były właściwie porównywane, a kiedy badacze próbowali ocenić je jeden obok drugiego, nie odnaleziono jednoznacznych dowodów na to, że w ciągu ostatnich 10 lat dokonała się jakakolwiek poprawa ich wydajności.
Co ciekawe, nie tylko wysiłki zespołu Blalocka pokazały, że sztuczna inteligencja rozwija się wolniej, niż mogło się wydawać. W 2019 roku dokonano na przykład metaanalizy, którą poświęcono algorytmom pozyskującym informacje, które są wykorzystywane w wyszukiwarkach internetowych. Ta metaanaliza ujawniła, że szczyt ich wydajności osiągnięto w rzeczywistości w… 2009 roku. W ramach innych badań z 2019 roku odtworzono siedem systemów SI, które odpowiadały za proponowanie rekomendacji w serwisach streamingowych. Okazało się, że sześć z nich nie było w stanie przewyższyć znacznie prostszych algorytmów, które nie bazowały na sieciach neuronowych, opracowanych znacznie wcześniej. W kolejnej pracy, która zadebiutowała w marcu tego roku, przyjrzano się tak zwanym funkcjom strat – tym częściom algorytmów, które matematycznie określają ich cele. Gdy porównano ich tuzin, dając im za zadanie wyszukiwanie obrazów, autorzy artykułu doszli do wniosku, że dokładność funkcji strat nie poprawiła się od 2006 roku, w przeciwieństwie do tego, co twierdzili ich twórcy.
Źródło: Unsplash/Markus Spiske
Na szczęście czasem pojawiają się prawdziwe przełomy
Rzecz jasna, nie wszystkie postępy dokonane w dziedzinie sztucznej inteligencji na przestrzeni ostatnich lat były iluzoryczne. Algorytmy poprawiające rozdzielczość cyfrowych obrazów rzeczywiście zostały usprawnione, tak jak te wykorzystywane w procesorach graficznych, aparatach fotograficznych smartfonów czy grach.
Jak pokazują inne prace, tak jak ta opublikowana w lutym, raz na jakiś czas w dziedzinie sztucznej inteligencji rzeczywiście dokonywane są poważne przełomy. Do nich można wliczyć opracowanie w 1997 roku modeli o architekturze LSTM (ang. Long short-term memory) czy w 2014 roku tak zwanych generatywnych sieci przeciwstawnych (GAN). Co jednak ciekawe, modele o architekturze LSTM po odpowiednich usprawnieniach dorównywały wydajnością dużo nowszym modelom, bazujących na rzekomo nowocześniejszych architekturach i podobnie było w przypadku sieci GAN, co pokazały dwa różne artykuły z 2018 roku.
Reasumując można stwierdzić, że postępy w dziedzinie sztucznej inteligencji rzeczywiście się dokonują, ale nie w takim tempie, jak sugerują niektóre doniesienia. Zatem, chyba jeszcze nie powinniśmy się za bardzo obawiać się możliwości przejęcia przez sztuczną inteligencję władzy nad światem.
Źródło: Science, Foto. tyt. Pexels/Pixabay