Umělá inteligence: v budoucnosti to bez ní nepůjde

Proč se vlastně od umělé inteligence (AI) tolik očekává? Podle Erika Brynjolfssona, ředitele Iniciativy digitální ekonomiky a řádného profesora na MIT, jsou k tomu dva důvody. Zaprvé, my lidé víme víc, než umíme říct. Neumíme například vysvětlit, jak to či ono vlastně děláme – jak rozeznáváme tváře lidí, proč jsme se rozhodli právě k tomu chytrému tahu ve staré asijské hře go apod. Před objevem strojového učení (ML) tato neschopnost zformulovat své vlastní znalosti a schopnosti znamenala, že jsme nebyli schopni mnoho úkolů zautomatizovat. To už dnes tedy můžeme. Za druhé, říká Brynjolfsson, systémy vybavené strojovým učením jsou výteční žáci. Jsou schopny dosáhnout nadlidských výsledků v širokém spektru aktivit, včetně odhalování podvodů a diagnostiky nemocí. Zapojení těchto dokonalých „žáků“ do světových ekonomik bude mít nedozírný dopad. Na druhou stranu ale AI, stejně jako další nové technologie, doprovází i mnoho nerealistických očekávání. AI se také bohužel stává úspěšným marketingovým heslem, které přitahuje nejen pozornost, ale i peníze. Nálepka „AI-powered“ nemusí nutně znamenat, že je dané zařízení „chytřejší“ a „efektivnější“, ale mohla tam být připevněna pouze z čistě pragmatického důvodu – aby usnadnila cestu k dotacím.

Co už AI umí dobře

Největšího pokroku bylo dosud dosaženo ve dvou širokých oblastech – vnímání (percepce) a poznávání (kognitivní činnosti). V rámci první z těchto dvou kategorií bylo dosaženo velkého praktického pokroku v rozpoznávání hlasu. I když má současný stav k dokonalosti ještě hodně daleko, miliony lidí po celém světě s touto funkcionalitou již běžně pracují. Vzpomeňme Siri, Alexu, asistenta od Google, hlasové ovládání strojů apod. V současné době již AI umí přepsat diktovaný text přibližně třikrát rychleji než člověk a její chybovost klesla za poslední dva roky z 8,5 % na necelých 5. Stejně tak se dramaticky vylepšilo rozpoznávání obrazů. Zatímco v roce 2010 nejlepší zařízení vybavená AI chybovala v identifikaci obrazů v 30 % případů, v roce 2016 klesla chybovost pod 4 %. Není proto divu, že se nejrůznější aplikace tohoto typu šíří do světa doslova jako lavina a v některých oborech již začínají plně nahrazovat člověka. Pozadu ale nezůstávají ani kognitivní funkce a řešení problémů. Stroje už dokonce dokázaly porazit nejlepší hráče v pokeru a v go. Že se to stane, předpověděl již v roce 1957 ekonom Herbert Simon. Zmýlil se ale ve svém časovém odhadu. Odhadoval, že k tomu dojde v průběhu následujících 10 let. Ve skutečnosti k tomu ale bylo zapotřebí let 40. Mýlil se i odborník na kognitivní vědy Marvin Minsky, který v roce 1967 řekl, že pouhá jedna generace bude stačit k tomu, aby byly od základů vyřešeny všechny problémy související s vytvořením umělé inteligence. Není divu, že takto fatální neodhadnutí situace vneslo do oboru velkou dávku skepticismu.

Umělá inteligence, přesněji strojové učení, ale slaví úspěchy i na mnoha jiných polích. Společnost Google například dokázala vylepšit s využitím ML efektivitu chlazení svých datových center o celých 15 %, což nedokázal žádný z expertních týmů. ML začíná pronikat i do finančnictví. Desítky společností se nechávají vést umělou inteligencí při obchodování na Wall Street. Amazon využívá ML systémy, aby radily zákazníkům, jaké produkty si koupit. A podobných příkladů bychom mohli uvést bezpočet.

Úspěchy velké, použitelnost malá

I když jsou úspěchy a pokrok dosažené s ML obrovské, použitelnost těchto systémů je stále malá, přesněji, úzce zaměřená. Uveďme konkrétní příklad:

I když je AI bezpečně schopna, díky využívání rozsáhlé databáze ImageNet, rozpoznávat obrovské množství fotografií, jakmile se setká s neupravenou fotografií, která je rozostřená, vyfocená za špatných světelných podmínek a focený objekt je třeba zaměřen ze špatného úhlu, AI selhává. Podobně, i když je AI schopná překládat mezi jednotlivými jazyky, význam jednotlivých slov vůbec nechápe. Obecné inteligenci, která by zvládala to, co děláme my lidé jaksi „samozřejmě“, jsme ještě na míle vzdáleni.

Druhý věk strojů

Mezi strojovým učením a počítači je zcela zásadní rozdíl: zatímco počítače se explicitně programují s jasně definovaným cílem, jakou činnost mají vykonávat, stroje vybavené AI se učí prostřednictvím příkladů. To je něco úplně jiného, než co se praktikovalo posledních 50 let. Úspěch IT specialistů se posuzoval podle toho, nakolik byli úspěšní v kodifikaci existujících znalostí a postupů a v jejich vestavbě do strojů. Samo kódování pak znamená bolestivý proces převodu znalostí člověka do formy, která je srozumitelná pro stroje. Tento postup má ale velkou slabinu: není možné sepsat kódované přesné instrukce ani pro tak přirozené věci, jako je například jízda na kole. Tuto skutečnost vystihuje Polanyiho paradox z roku 1964, který zásadně omezuje jednak to, co si dokážeme vzájemně sdělit, ale současně stanovuje i zásadní omezení pro naši schopnost obdařit stroje inteligencí.

Ve druhé vlně tzv. druhého věku strojů, jak ho nazvali autoři stejnojmenné knihy Erik Brynjolfsson a Andrew McAfee, strojové učení tyto limity překonává. Stroje, které postavili lidé, se učí prostřednictvím příkladů a umějí využívat strukturovanou zpětnou vazbu, která jim pomáhá řešit vlastní problémy.