Projekt DeepMind, v současnosti pravděpodobně celosvětově nejrozsáhlejší výzkum v oblasti umělé inteligence, který je široké veřejnosti znám především svými úspěchy v deskových hrách, v loňském roce prodělal přes půl miliardy amerických dolarů. Za poslední tři roky činí jeho ztráta více než jednu miliardu USD. Je to příliš? Jak se to vezme, jen pro srovnání: provoz LHC (Large Hadron Collider) stojí zhruba miliardu USD ročně a celková částka vynaložená na objev Higgsova bosonu se odhaduje na více než 10 miliard USD. V případě DeepMind však může být znepokojující každoroční nárůst ztráty v řádu stovek milionů dolarů. Podle některých názorů tento projekt, financovaný společností Alphabet, které patří například i Google (a je pro ni tudíž v kontextu celkového obratu zmíněná finanční ztráta poměrně nevýznamná), vsadil příliš na jednu kartu. Typ AI , kterou Alphabet tak masivně podporuje, se nazývá deep reinforcement learning. Jedná se o kombinaci technik deep learning, které se zcela obecně řečeno soustředí na rozpoznávání vzorů, a reinforcement learning, zaměřené na učení se na základě zpětných signálů. Oslnivé úspěchy v šachách či hře go, o kterých se často hovoří, však střídají občasné neúspěchy v počítačových hrách, změní-li se nějakým způsobem herní podmínky. Ukazuje se, že míra flexibility, rychlého pochopení nové situace a přizpůsobení se tak, aby efektivita činnosti, ať už je jakákoli, zůstala zachována, je v případě tohoto typu AI značně omezená. Například program AlphaGo musel k tomu, aby dosáhl vrcholného mistrovství ve hře go, sehrát miliony partií sám se sebou. Jen tento tréninkový čas stále podle odhadů 35 milionů USD. Energie při tom spotřebovaná odpovídala spotřebě 12 760 lidských mozků po dobu tří dnů bez spánku. Možnosti nasazení deep reinforcement learning v reálném světě jsou tedy momentálně velmi omezené, i proto v něm zatím příliš komerčního uplatnění nenašlo. Podobnou zkušenost učinila i společnost IBM, která se poté, co se svým AI konceptem Watson uspěla v herní oblasti, pokusila proniknout i do oblasti medicíny, kde měl Watson sloužit coby nástroj k přesnějšímu stanovování lékařských diagnóz. Výsledky však byly značně proměnlivé. I když zatím ani Watson, ani DeepMind nesplnily očekávání, která do nich mnozí vkládali, neznamená to, že by měly být zatracovány. Kromě pozornosti laické veřejnosti, která o principech fungování AI a její současné úrovni má z velké části jen velmi omezené znalosti, a může být tudíž poněkud zklamána, přitahuje toto technologické odvětví – právě i díky mediálně vděčným úspěchům v oblasti her – mnoho nadaných odborníků, takže předpovídat vývoj i jen na několik let dopředu je velmi ošidné. Nehledě na to, že k významným objevům dochází i v jiných vývojových směrech AI a také v oblasti kognitivních věd, jejichž nové poznatky mohou být pro další vývoj AI klíčové. Mgr. Petr Jechort
