AI para sa Lahat: Mga Super-Smart na System na Gumagantimpala sa Mga Tagalikha ng Data

Ang post na ito ay bahagi ng 2019 Year in Review ng CoinDesk, isang koleksyon ng 100 op-eds, mga panayam at tumatagal sa estado ng blockchain at sa mundo. Si Ben Goertzel ay tagapagtatag at CEO ng SingularityNET, isang blockchain-based AI marketplace project.

Habang ang AI ay mabilis na lumaganap sa bawat sektor ng ekonomiya, may ilang mga katanungan na mas apurahan kaysa sa kung sino ang nagmamay-ari, kumokontrol at gumagabay sa data na ginagamit upang sanayin ang mga sistema ng AI, at ang mga modelo at konklusyon na natutunan ng AI mula sa data na ito.

Sa ngayon ang sagot ay malamang na malalaking korporasyon. Ang data tungkol sa aming mga iniisip, kagustuhan, takot at pagnanais, tulad ng ipinahayag sa aming mga email, mensahe, larawan at dokumento, ay naka-imbak sa mga corporate repository at ginagamit upang lumikha ng mga personalized na ad na nagtutulak sa aming mga gawi sa pagbili. Ang data tungkol sa aming mga katawan at aming mga genome ay iniimbak sa mga database ng kumpanya ng pharma at ginagamit para sa pagmamay-ari na R&D, nang walang aming tahasang pahintulot at nang hindi kami nakakatanggap ng anumang gantimpala para sa mga natuklasang therapy. Ang malalaking korporasyong ito, siyempre, ay nagpapatakbo sa malapit na koordinasyon sa mga ahensya ng pagmamatyag ng gobyerno, kung minsan upang protektahan ang populasyon ng sibilyan at kung minsan ay mas kasuklam-suklam.

Habang nagiging mas matalino ang AI, ang tanong kung sino ang nagmamay-ari at kumokontrol nito ay magiging mas matindi. Kaya naman, masuwerte na mayroong mga teknolohiya upang paganahin ang maingat na pagsubaybay at kontrol sa paggamit ng AI ng personal na data, mga modelo at konklusyon, at mga kakayahan na natutunan batay sa data ng mga tao. Ito ay maaaring sa huli ang pinaka-kritikal na aplikasyon ng blockchain Technology, at mga nauugnay na pamamaraan tulad ng homomorphic encryption at multiparty computation, na nagpapahintulot sa sopistikadong pagproseso ng data ng AI na mangyari habang nirerespeto pa rin ang Privacy ng data .

Habang nagiging mas matalino ang AI, ang tanong kung sino ang nagmamay-ari at kumokontrol nito ay magiging mas matindi.

Sa nakalipas na dalawang taon, ang kahalagahan ng pagsasama-sama ng AI at blockchain ay naging halos karaniwan sa mga kumperensya, workshop at mga startup. Wala pang isang desentralisadong AI network na may malawak na komersyal na pag-aampon, ngunit ang konsepto ay naging malawak na tinanggap. Sa pagtatapos ng 2020, mukhang magkakaroon ng kapana-panabik na mga kaso ng paggamit na kinasasangkutan ng mga kumpanyang malaki at maliliit na pagkuha ng kanilang mga serbisyo ng AI mula sa mga tawag sa API sa isang desentralisado, blockchain-based na network sa halip na sa pamamagitan ng isang sentralisadong serbisyo ng AI.

Sa parehong timeframe, ang mga AI system ay tumataas sa kapangyarihan sa isang kapansin-pansing antas, na may mas mataas na profile na mga aplikasyon ng negosyo sa maraming vertical Markets, kasama ang pangunahing pag-unlad ng pananaliksik na gumagawa ng paglukso mula sa mga system na "makitid na AI" na partikular sa application patungo sa mas pangkalahatang layunin na mga sistema ng AI na matagal nang nakikita ng mga may-akda ng sci-fi at mga futurist na eksperto.

Hindi nagtagal ang Artificial General Intelligence (AGI) ay isang paksa ng talakayan lamang sa ilang bihirang grupo ng pananaliksik. Ngunit mula noong $1 bilyon ang pamumuhunan ng Microsoft sa OpenAI, ONE na ngayon ang termino mula sa bibig ng mga pinuno ng pambansa at korporasyon. Ngayon ay medyo malawak na nauunawaan na kailangan ng AI na higit pa sa paggaya sa mga dataset ng pagsasanay nito at makamit ang kakayahang pangasiwaan ang mga bagong domain na hindi inaasahan ng mga programmer at trainer nito. Habang nananatili ang mga sistema ng AGI sa antas ng tao para sa hinaharap, nagsasagawa kami ng mga hakbang sa direksyong iyon gamit ang mga AI system na maaaring magsagawa ng causal inference (pagtukoy sa mga ugat na sanhi ng mga kumplikadong Events tulad ng pag-crash ng stock market o paglaganap ng sakit) at paggawa ng analogy reasoning (gamit ang kaalaman tungkol, halimbawa, sakit sa mouse upang makatulong na maunawaan ang sakit ng Human , o kaalaman tungkol sa Chinese upang matulungan kaming maunawaan ang Ingles).

Ang pagsasanib ng AGI at desentralisadong AI, gayunpaman, ay hindi pa tumama sa pampublikong radar sa malaking paraan. Sa 2020, malamang na makikita natin ang mga unang kongkretong hakbang sa direksyong ito. Iyon ay magigising sa atensyon ng publiko sa potensyal ng mga desentralisadong balangkas upang gumana patungo sa AI na may kakayahan para sa malalim na imahinasyon, pangkalahatan at malikhaing pag-aaral.

Mga praktikal na anyo

Ang mga ahente na nakatuon sa AGI sa isang desentralisadong AI meta-network (na kinasasangkutan ng maraming interoperating na desentralisadong AI network: sabihin natin SingularityNET, OCEAN, Fetch.ai, Shivom at dose-dosenang iba pa, lahat ay nagtutulungan) ay makakapagbigay ng mga serbisyo ng abstraction at generalization sa mga application-oriented na AI agent na tumatakbo sa parehong meta-network na ito.

Ipagpalagay na ang isang healthtech-oriented AI agent ay kailangang gumawa ng hypothesis tungkol sa kung alin sa 25,000 o higit pang mga gene ng Human ang sangkot sa pagdudulot ng prostate cancer. Ngunit ipagpalagay na mayroon lamang itong data ng DNA mula sa ilang daang tao - hindi sapat upang payagan itong gumawa ng matatag na konklusyon tungkol sa napakaraming iba't ibang mga gene. Kung walang balangkas na nagpapahintulot sa ahente ng AI na ito na kumunsulta sa iba pang mga ahente ng AI para sa tulong, malamang na susuko ang AI. Ngunit sa isang konteksto tulad ng SingularityNET, kung saan maaaring kumonsulta ang mga AI sa iba pang mga AI para sa tulong, maaaring may mga banayad na ruta patungo sa tagumpay. Kung may iba pang mga dataset patungkol sa mga sakit na katulad ng prostate cancer sa mga modelong organismo gaya ng mga daga, maaari nating makita ang pag-unlad sa pag-unawa kung aling mga gene ang sangkot sa prostate cancer, sa pamamagitan ng kumbinasyon ng maraming ahente ng AI, na may magkakaibang mga kakayahan na nagtutulungan.

Ipagpalagay na ang AI #1 – tawagin natin itong Analogy Master – ay may talento para sa analogy reasoning. Ito ang uri ng pangangatwiran na nagmamapa ng kaalaman tungkol sa ONE sitwasyon sa ibang uri ng sitwasyon - halimbawa, paggamit ng kaalaman tungkol sa pakikidigma upang makakuha ng mga konklusyon tungkol sa negosyo. Ang Analogy Master ay maaaring gumamit ng genetic data tungkol sa mga daga na may mga kondisyon na katulad ng prostate cancer upang makagawa ng mga hindi direktang konklusyon tungkol sa Human prostate cancer.

Makakakita tayo ng trabaho patungo sa mas pangkalahatang mga anyo ng AI na pagmamay-ari at ginagabayan ng mga indibidwal

Ipagpalagay na ang AI #2 – tawagin natin itong Data Connector – ay mahusay sa paghahanap ng mga biological at medikal na dataset na may kaugnayan sa isang partikular na problema, at inihahanda ang mga dataset na ito para sa pagsusuri ng AI. At ipagpalagay na ang AI #3 – tawagin natin itong Disease Analyst – ay dalubhasa sa paggamit ng machine learning para sa pag-unawa sa mga ugat na sanhi ng mga sakit ng Human .

Ang Manunuri ng Sakit, kapag inatasan ito sa problema sa paghahanap ng mga gene ng Human na nauugnay sa kanser sa prostate, ay maaaring magpasya na kailangan nito ng ilang lateral na pag-iisip upang matulungan itong gumawa ng isang haka-haka na paglukso at malutas ang problema. Humihingi ito ng tulong sa Analogy Master, o maraming iba't ibang AI.

Maaaring walang alam ang Analogy Master tungkol sa cancer biology, kahit na ito ay mahusay sa paggawa ng mga haka-haka na paglukso gamit ang pangangatwiran sa pamamagitan ng pagkakatulad. Kaya para matulungan ang Disease Analyst sa problema nito, maaaring kailanganin nitong punan ang knowledge base nito ng ilang nauugnay na data, halimbawa tungkol sa cancer sa mga daga. Ang Data Connector pagkatapos ay sumagip, na nagpapakain sa Analogy Master ng data tungkol sa mouse cancer na kailangan nito upang himukin ang malikhaing brainstorming nito, na sumusuporta sa Disease Analyst upang malutas ang problema nito.

Ang lahat ng pakikipagtulungang ito sa pagitan ng mga ahente ng AI ay maaaring mangyari sa likod ng mga eksena mula sa pananaw ng user. Ang research lab na humihingi ng tulong sa Disease Analyst para sa genetic analysis ng prostate cancer ay hindi kailangang malaman na ginawa ng Disease Analyst ang trabaho nito sa pamamagitan ng paghingi ng tulong sa Analogy Master at Data Connector. Higit pa rito, T kinakailangang makita ng Analogy Master at Data Connector ang proprietary data ng Disease Analyst, dahil gamit ang multiparty computation o homomorphic encryption, maaaring maganap ang AI analytics sa isang naka-encrypt na bersyon ng isang dataset nang hindi lumalabag sa Privacy ng data (sa kasong ito, Privacy ng pasyente ).

Sa mga pagsulong sa Technology ng AI at cloud-based na IT, ang ganitong uri ng pakikipagtulungan sa pagitan ng maraming AI ay nagiging posible na ngayon. Siyempre, ang gayong pakikipagtulungan ay maaaring mangyari sa paraang kontrolado ng malalaking korporasyon sa likod ng mga firewall. Ngunit ang mas kawili-wili ay kung paano natural na ang paradigm na ito para sa pagkamit ng mas malakas at pangkalahatang AI ay maaaring umaayon sa mga desentralisadong modalidad ng kontrol.

Paano kung ang tatlong ahente ng AI sa halimbawang senaryo na ito ay pagmamay-ari ng magkaibang partido? Paano kung ang data tungkol sa Human prostate cancer na ginagamit ng Disease Analyst ay pagmamay-ari at kinokontrol ng mga indibidwal na may prostate cancer, kung saan nakolekta ang data? Hindi ito ang paraan ng pagtatrabaho ng institusyong medikal sa ngayon. Ngunit hindi bababa sa maaari nating sabihin, sa isang teknolohikal na antas, walang dahilan ang AI-driven na medikal Discovery ay kailangang maging monolitik at sentralisado. Ang isang desentralisadong diskarte, kung saan nakakamit ang katalinuhan sa pamamagitan ng maraming ahente na may maraming may-ari na kumikilos sa secure na naka-encrypt na data, ay teknolohikal na magagawa ngayon, sa pamamagitan ng pagsasama ng modernong AI sa imprastraktura ng blockchain.

Ang sentralisasyon ng analytics ng data ng AI at paggawa ng desisyon, sa medisina tulad ng sa iba pang mga lugar, ay laganap sa puntong ito dahil sa mga kadahilanang pampulitika at istruktura ng industriya at pagkawalang-galaw, sa halip na dahil ito ang tanging paraan upang gumana ang tech.

Sa kasong ito, ang orihinal na healthtech-oriented na AI na nakatalaga sa pag-unawa sa genetic na mga sanhi ng cancer ay makabubuting ikonekta ang behind-the-scenes na ito sa analogy-reasoning AI, at sa isang provider ng may-katuturang data ng organismo ng modelo na ipapakain sa analogy reasoner, upang makakuha ng tulong nito sa paglutas ng gawain nito.

Sa network ng Artificial General Intelligence sa NEAR hinaharap, iiral ang intelligence sa dalawang magkaibang antas – ang mga indibidwal na ahente ng AI, at ang magkakaugnay at magkakaugnay na aktibidad ng network ng mga ahente ng AI (ang kumbinasyon ng tatlong ahente ng AI sa halimbawa sa itaas; at mga kumbinasyon ng mas malaking bilang ng mas magkakaibang mga ahente ng AI sa mas kumplikadong mga kaso). Ang kakayahang mag-generalize at abstract ay magkakaroon din, sa ilang antas, sa parehong mga antas na ito. Ito ay iiral sa mga indibidwal na ahente ng AI tulad ng Analogy Master sa halimbawa sa itaas, na nakatuon sa pangkalahatang katalinuhan sa halip na sa paglutas ng mga lubhang espesyalisadong problema. Iiral ito sa pangkalahatang network, kabilang ang kumbinasyon ng mga ahente ng AI na nakatuon sa pangkalahatan tulad ng Analogy Master at mga ahente ng espesyal na layunin ng AI tulad ng Disease Analyst at mga ahente ng AI na "konektor" tulad ng Data Connector sa itaas.

Ang scalable rollout at malawak na pag-aampon ng mga desentralisadong AI network ay NEAR pa sa simula, at maraming mga subtlety na mahaharap at malulutas sa mga darating na taon. Pagkatapos ng lahat, kung ano ang kailangan ng desentralisadong AI community para makamit ang mga medium-term na layunin nito ay mas kumplikado kaysa sa mga IT system na nilikha ng Google, Facebook, Amazon, IBM, Tencent o Baidu. Ang mga sistemang ito ay resulta ng mga dekada ng gawaing inhinyero ng libu-libong mahuhusay na inhinyero.

Ang desentralisadong AI na komunidad ay hindi kukuha ng higit pang mga inhinyero kaysa sa mga kumpanyang ito. Ngunit pagkatapos, ang Linux Foundation ay hindi kailanman kumuha ng kasing dami ng mga inhinyero gaya ng Microsoft o Apple, at mayroon na itong #1 operating system na pinagbabatayan ng parehong server-side na internet at ang mobile at IoT ecosystem. Kung ang pagtatangka ng mundo ng blockchain-AI na paganahin ang paglitaw ng pangkalahatang katalinuhan sa pamamagitan ng kooperatiba na aktibidad ng maraming ahente ng AI na may iba't ibang antas ng abstraction ay magtatagumpay, ito ay kailangang sa pamamagitan ng aktibidad ng komunidad. Ang aktibidad ng komunidad na ito ay kailangang maging organisado sa sarili sa isang malaking antas. Ngunit ang mga tokenomic na modelo na pinagbabatayan ng maraming desentralisadong proyekto ng AI ay tiyak na na-configure upang hikayatin ang self-organization na ito, sa pamamagitan ng pagbibigay ng mga token na insentibo sa mga ahente ng AI na nagsisilbing pasiglahin at gabayan ang katalinuhan ng pangkalahatang network pati na rin ang pagtatrabaho patungo sa kanilang mga indibidwal na layunin.

Ang malalaking sentralisadong korporasyon ay nagdadala ng napakalaking mapagkukunan sa talahanayan. Gayunpaman, para sa maraming mga aplikasyon - kabilang ang gamot at advertising - hindi mga korporasyon, ngunit mga indibidwal, ang nagdadala ng data sa talahanayan. At ang mga AI ay nangangailangan ng data upang Learn. Habang lumalabas ang mga application ng AI na nakabatay sa blockchain, maaaring makita ng malalaking korporasyon na ang kanilang natatanging kapangyarihan ay nahugot mula sa ilalim ng mga ito.

Mas gugustuhin mo bang magkaroon ng isang piraso ng mga medikal na therapies na natuklasan gamit ang iyong mga medikal na rekord at genomic data? Mas gugustuhin mo bang malaman nang eksakto kung paano ginagamit ang nilalaman ng iyong mga mensahe at ang iyong mga pattern sa web-surfing upang magpasya kung anong mga produkto ang irerekomenda sa iyo? Ako naman.

Ang 2020 ang magiging taon na ang pananaw na ito ay magsisimulang makakuha ng ilang traksyon sa likod nito. Makikita natin ang simula ng totoong user adoption para sa mga platform na pinagsasama ang blockchain at AI. Makakakita tayo ng gawain tungo sa mas pangkalahatang mga anyo ng AI na pagmamay-ari at ginagabayan ng mga indibidwal na nagpapakain sa AI ng data na kailangan nila upang Learn at lumago.