Co je to vlastně umělá inteligence, k čemu se hodí a co od ní můžeme dál očekávat? Máme se jí spíš bát, anebo ji přijmout jako nedílnou součást života? Odpovídá Vladimír Kulla, ředitel vývojového a konstrukčního centra Siemens ČR a ředitel úseku Corporate Technology pro ČR.
Mohli bychom se na začátku pokusit definovat, co to vlastně umělá inteligence je?
Akční filmy typy Terminátor, Transformers apod. vedou k tomu, že si lidé spojují umělou inteligenci s robotem. Ve skutečnosti ale robot umělou inteligenci pouze reprezentuje, představuje tedy konkrétní entitu, objekt reálného světa, který umělou inteligencí disponuje. Důležitější otázka ale je, co tím míníme, když hovoříme o obecné umělé inteligenci (general artificial intelligency). General AI se svým uvažováním blíží člověku. To ale není to, co kolem sebe vidíme. Tuto skutečnost si spousta lidí neuvědomuje. A z toho rovněž plynou i široce rozšířené obavy, že roboty jednou nahradí lidi, či se dokonce proti nim vzbouří. Dnes jsme v této oblasti úplně na začátku, všeobecná umělá inteligence je nám ještě hodně vzdálená. Sebeuvědomění umělé inteligence je ještě strašně daleko. Ještě před tím by si totiž musela uvědomit kontext – že ji někdo učí, že existuje nějaký fyzický svět, elektronický svět, emoce apod.
Tyto strachy podněcují nejen filmy, ale i články, jako ty z nedávné doby, že robot AlphaGo porazil ve hře Go ty nejlepší hráče světa. Ani zde se však nejedná o všeobecnou AI. Pořád se pohybujeme jen v malé části tzv. hlubokého učení (deep learning), které je schopno se naučit velmi dobře jednu dílčí věc, ale pořád platí, že nedokáže samostatně uvažovat ani spojovat jednotlivé věci dohromady.
V současné době nám jde o to, aby prvky AI – např. robot nebo auto – dokázaly vykonávat určité úkony autonomně. Autonomní fungování, i když ho budeme nazývat umělou inteligencí, je ještě na hony vzdáleno obecné umělé inteligenci. Jinak řečeno, aby se takové auto, včetně řidiče, chovalo tak, jak se dnes chová auto a řidič. To, co autonomní vozidla dokážou, je jen malá část toho, co dokáže lidský řidič, který zde de facto reprezentuje všeobecnou umělou inteligenci.
Vývoj umělé inteligence ale pokračuje stále dál a nemůže se stát, že to, co platí dnes, může být už velmi brzy jinak?
AI je v podstatě něco, co dělá „chytré věci ještě chytřejšími“. Její principy jsou známy už poměrně velmi dlouho. V průběhu posledních 20 let se ale ve výzkumu AI nic zásadního nedělo. Najednou však došlo k průlomu v podobě aplikace metod hlubokého učení a celá oblast se najednou skokově posunula dopředu. No a teď už se zase nic tak zásadního neděje, pokud to tak mohu říct. A ani momentálně nevidím na obzoru žádnou další techniku či technologii, která by naznačovala další převratný posun tohoto oboru.
Tím ale v žádném případě nechci význam AI snižovat. Je bezesporu výborná na kognitivní, tedy poznávací činnosti, jako je například třídění fotografií. Umělá inteligence dokáže za noc zhlédnout desetitisíce fotografií, což by člověk nikdy nedokázal. Může se také spolehlivě naučit rozpoznávat, co na těch fotografiích je. Co jí ale chybí, je kontext.
AI se umí naučit data, ale jaký kontext ta data mají a co vlastně znamenají, jí musí „říct“ člověk. Umělá inteligence sama od sebe neví nic. Sice ji nazýváme nadneseně „inteligencí“, ale pravda je ta, že se pouze naučí, která množina dat je správná a která nesprávná. Neumí zobecňovat a neumí uvažovat.
Dají se vůbec nějak odlišit tzv. chytrá zařízení od umělé inteligence?
Smart zařízení lze od AI odlišit velmi těžko. Bylo by chybou si myslet, že když už jsou v nějakém zařízení zabudovány prvky AI, tak se toto zařízení nevyhnutelně musí dál učit. Třeba na to nemá výpočetní výkon. V tom spočívá zásadní rozdíl například mezi telefonem a digitální továrnou. V rámci digital factory bude fungovat vlastní výpočetní středisko, které umožní, aby se AI dál učila a rozšiřovala se podle toho, jak poběží výroba. Když tedy někdo mluví o AI, tak to může znamenat všechno, ale taky nic.
Nemůže být výpočetní výkon právě tou limitou, která jednou zabrzdí další rozvoj AI?
Podle Mooreova zákona integrace a výpočetní výkon trvale roste, a to implicitně vede k očekávání, že budou přicházet další nové technologie. Kompletně nové možnosti z hlediska výkonu a paralelního zpracování přinesou kvantové počítače. Růst výpočetního výkonu pro AI se zřejmě hned tak nezastaví.
Čím dál se na tomto poli dostaneme, tím reálnějšími se stanou obavy, na které upozorňovali např. Stephen Hawking a Elon Musk, že přijde okamžik, kdy nebudeme schopni určit, jestli rozhodnutí, které umělá inteligence udělala, je dobré, anebo špatné. Přestaneme jí totiž rozumět. AI se budou nějak rozhodovat na základě toho, co se naučily, ale my nebudeme vědět, jak k tomu rozhodnutí dospěly a už je ani nebudeme schopni korigovat.
I když má umělá inteligence stále jasné hranice, za které zatím nelze proniknout, bezesporu v ní spočívá obrovský potenciál. Uvádí se, že do budoucna bude zásadním způsobem ovlivňovat světové ekonomiky a země, které ji budou vlastnit a budou umět ji využívat, budou mít bohatství, které bude svým významem srovnatelné s ropou v 80. letech.
Jak jsem již řekl, AI je skvělá všude tam, kde je potřeba „brutální síla“ – vytřídit formuláře, fotky, analyzovat finanční trhy, předpovídat obchody na burzách s akciemi, tedy všude tam, kde se pracuje s velkým množstvím dobře definovaných dat. AI je schopná sledovat tolik parametrů, které lidé nikdy nemůžou zvládnout.
Ani v této oblasti ale neplatí bezvýhradně, že je umělá inteligence vždy výhodou. Při vytváření kontextů do ní člověk často vnáší prvky nejistoty: kdo umí přesně rozhodnout, co je ještě červená a co už spíš růžová nebo lososová? AI pak bude reagovat pravděpodobně stylem: zdá se mi, že to je červená s 30% pravděpodobností. Vy ale potřebujete vědět, jestli ano, nebo ne. Proto je někde lepší použít statistické metody a „starý dobrý“ software, který rozhodne mezi ano/ne. Všechny tyto metodiky ale naštěstí lze kombinovat. I roboty budoucnosti budou pravděpodobně pracovat všemi těmito různými způsoby společně.
Do jisté míry omezením nás lidí rovněž je, že když se chceme něco naučit, musíme si to přečíst nebo nám to musí někdo odpřednášet. V průběhu dějin lidstvo trvale ztrácí své vědění (knowledge) tím, že ho nikdo nikdy není schopen předat na 100 % a nikdo další není schopen ho úplně přijmout. Lidské vědění nelze plně transferovat. AI ale na druhou stranu lze neomezeně kopírovat. Obrovskou výhodou neuronové sítě je, že když se něco naučí, lze ji neomezeně multiplikovat a nadto neustále zlepšovat nebo specializovat. Nehrozí, že jednou „umře“ a bude ji muset nahradit nová, která by začínala na 70–80 % dosažených znalostí, jak tomu bývá u lidí.
AI lze neustále zlepšovat, poněvadž jí lze trvale přidávat další informace. Nemusí se vracet zpátky, žádné znalosti neztrácí. Kdybychom např. my v Siemensu měli neuronové sítě, které by vyvíjely produkty, dokážu si představit, že by tyto produkty byly ve výsledku stále iterativně lepší. Tím tedy přímo dochází k trvalému zlepšování znalostní domény a její úroveň je právě tím, co bude rozhodovat i o úspěšnosti jednotlivých ekonomik, jak jste zmiňovala.
V této souvislosti mě napadá, jak a jestli bude vůbec možné umělou inteligenci opravovat? Budování lidského vědění se odehrává jinak než například stavba domu – ne cihla k cihle, ale často tak, že dojde ke kompletní změně paradigmatu, a to, co dřív bylo považováno za „správné“, je najednou kategorizováno jako „chybné“.
Vědci znají algoritmy, na základě kterých vznikají neuronové sítě, jež jsou základem hlubokého učení. Struktura, která vznikne propojením všech informací do nějaké AI, už ale žádný popis nemá. A to znamená, že ji ani nelze jednoduše změnit. Je to stejné jako u lidského mozku, kde také nedokážeme někam přesně říznout, a tím něco konkrétního změnit.
Kontext je opravdu v oboru AI velkým tématem. Když se síť naučí špatně kontext, nastane problém. A poněvadž vlastně vůbec nevíte, kde v té síti zasáhnout, často ho ani nedokážete vyřešit. Proto např. Siemens pracuje i s tzv. znalostními grafy, ve kterých se snaží spojovat prvky hlubokého učení a umělé inteligence spolu se softwarem, který k dané AI přidává další konkrétní věci. Hluboké učení se do jisté míry podobá paměti lidí. Chybějí mu ale další bloky, které my, lidé, máme, jako je uvažování, rozhodování, kontext. Tyto prvky zatím naprogramovat neumíme, umíme je jenom částečně simulovat. Stejné je to i s lidskými smysly. Lidé používají více smyslů než jen zrak, který lze poměrně dobře simulovat výkonnými kamerami. Naprogramovat ale hmat v celé jeho šíři je už mnohem těžší, možná až nemožné.
Nakolik a v jakých směrech se zapojuje Siemens do vývoje umělé inteligence?
Pro firmy, jako je Siemens, je zapojení se do výzkumu a vývoje na poli AI zcela nezbytné. Do produktového portfolia Siemens patří řídicí systémy, a proto logicky pracujeme na tom, aby byly chytřejší, čili obsahovaly prvky AI – dokázaly například vydedukovat blížící se poruchu apod. Velkou výhodou je, že když systém něco naučíte, tak tuto funkcionalitu můžete jednoduše multiplikovat ve všech dalších zařízeních, tedy s takto vytrénovanou AI dodávat každý další systém a navíc tyto systémy samozřejmě průběžně vylepšovat.
Siemens má vlastní týmy specializované na AI v Evropě a v USA, které se věnují hlubokému učení, vytváření znalostních grafů a otázkám kontextu. Dále tam jsou týmy, které se věnuji inteligentní robotice nebo řídicím systémům.
Věříme, že to, čím se v Siemensu odlišujeme, je právě znalost kontextu. Práce v industriální sféře funguje na úplně jiném základu než třídění fotek. Např. když chcete správně provozovat turbínu, musíte znát i výrobní proces – jak a z čeho je vyrobená, proč je tak vyrobená. K tomu pak přidáte data. Data dnes umí sbírat v podstatě každý provozovatel, ale výrobce k nim navíc umí přiřadit i kontext. Jsou to znalosti, které uživatel většinou vůbec nemá. Pro nás je umělá inteligence věc, kterou bychom chtěli mít v produktech jako další přidanou hodnotu. Naše produkty zůstávají tím, na co se stále soustředíme. A pochopitelně jejich další integrace. Důležité je si uvědomit, že Siemens je sám sobě velkým zákazníkem – vyrábíme si prvky, jejichž prostřednictvím dál vyrábíme. Sami na sobě si můžeme ověřit, jaké benefity ta která řešení přinášejí a kde jsou naopak stále nedostatky. Díky tomu disponujeme znalostí celého procesu, a v tom spočívá naše jedinečnost a síla.
O zavádění umělé inteligence ale nelze ani uvažovat, pokud není k dispozici dostatek dat. Dá se vůbec určit moment, kdy se investice do AI vyplatí?
Data jsou základem. Digitální továrny, umělá inteligence (tedy hluboké učení), znalostní grafy apod., to vše lze aplikovat na větší množství dat a už k tomu umíme přiřadit i kontext – třeba i nepřímo. Něco se dá jednoduše naprogramovat. V rámci jedné továrny může fungovat i několik AI se specifickými znalostmi a nad nimi může být další, nadřazená, a toto tzv. kaskádování může pokračovat až do poměrně velmi složitých struktur. Data ale být musí.
I když jsou počáteční investice vysoké a doprovází je potřeba vynaložit obrovské úsilí, což se na začátku většinou nevyplácí, buduje se tím něco, na čem se dá do budoucna stavět. S AI můžete začít pracovat na jednoduchých věcech a pak ji postupně učit dál a dál. Možností je spousta a mají i velký komerční potenciál.
Například firmy, které dodávají ERP software, už ho třeba budou prodávat rovnou s jakýmsi digitálním asistentem – přednaučenou AI, která bude ten software znát. Obecné věci už bude umět z výroby a u zákazníka se pak bude dál customizovat, tedy učit se, jak se to dělá v této konkrétní firmě. Software může být obecný, ale umí se naučit i specifika. Jakmile máte systém jednou připravený, můžete ho libovolně kopírovat a investice se vrátí.
Rozhovor, který vyšel v zákaznickém časopise VISIONS, přetiskujeme s laskavým svolením společnosti Siemens.