L'IA pour tous : des systèmes ultra-intelligents qui récompensent les créateurs de données

Cet article fait partie du Bilan de l'année 2019 de CoinDesk, un recueil de 100 éditoriaux, interviews et points de vue sur l'état de la blockchain et le monde. Ben Goertzel est fondateur et PDG de SingularityNET, un projet de place de marché d'IA basé sur la blockchain.

Alors que l’IA envahit rapidement tous les secteurs de l’économie, peu de questions sont plus urgentes que de savoir qui possède, contrôle et guide les données utilisées pour former les systèmes d’IA, ainsi que les modèles et les conclusions que l’IA apprend à partir de ces données.

Actuellement, la réponse réside généralement dans les grandes entreprises. Les données sur nos pensées, nos préférences, nos peurs et nos désirs, révélées dans nos e-mails, messages, photos et documents, sont stockées dans des référentiels d'entreprise et utilisées pour créer des publicités personnalisées qui influencent nos comportements d'achat. Les données sur notre corps et notre génome sont stockées dans les bases de données des laboratoires pharmaceutiques et utilisées pour la recherche et le développement, sans notre consentement explicite et sans que nous recevions la moindre récompense pour les thérapies découvertes. Ces grandes entreprises, bien sûr, agissent en étroite collaboration avec les agences de surveillance gouvernementales, parfois pour protéger la population civile, parfois de manière plus néfaste.

À mesure que l'IA gagne en intelligence, la question de savoir qui la possède et la contrôle deviendra encore plus aiguë. Heureusement, il existe des technologies permettant de suivre et de contrôler minutieusement l'utilisation des données personnelles par l'IA, ses modèles et conclusions, ainsi que les capacités acquises à partir des données des utilisateurs. Il s'agit peut-être, à terme, de l'application la plus cruciale de la Technologies blockchain et des méthodes associées, comme le chiffrement homomorphe et le calcul multipartite, qui permettent un traitement sophistiqué des données d'IA tout en respectant la Politique de confidentialité des données.

À mesure que l’IA devient de plus en plus intelligente, la question de savoir qui la possède et la contrôle deviendra encore plus aiguë.

Ces deux dernières années, l'importance de combiner IA et blockchain est devenue monnaie courante lors de conférences, d'ateliers et auprès des startups. Il n'existe pas encore de réseau d'IA décentralisé bénéficiant d'une large adoption commerciale, mais le concept est largement accepté. D'ici fin 2020, il est probable que des cas d'utilisation prometteurs verront le jour, impliquant des entreprises, grandes et petites, qui exploiteront leurs services d'IA via des appels d'API vers un réseau décentralisé basé sur la blockchain plutôt que via un service d'IA centralisé.

Au cours de la même période, les systèmes d’IA ont vu leur puissance augmenter de manière remarquable, avec des applications commerciales de plus en plus prestigieuses sur de multiples Marchés verticaux, ainsi que des progrès de la recherche fondamentale passant des systèmes d’IA « étroits » spécifiques aux applications aux systèmes d’IA plus généraux prévus depuis longtemps par les auteurs de science-fiction et les experts futuristes.

Il n'y a pas si longtemps, l'intelligence artificielle générale (IAG) n'était un sujet de discussion que dans certains cercles de recherche restreints. Mais depuis l'investissement d'un milliard de dollars de Microsoft dansOpenAI, on entend désormais ce terme dans la bouche des dirigeants nationaux et des entreprises. Il est désormais largement admis que l'IA doit aller au-delà de l'imitation de ses propres jeux de données d'entraînement et acquérir la capacité de gérer de nouveaux domaines que ses programmeurs et formateurs n'avaient pas anticipés. Si les systèmes d'IAG de niveau humain demeurent une option d'avenir, nous avançons dans cette direction avec des systèmes d'IA capables d'effectuer des inférences causales (identifier les causes profondes Événements complexes comme les krachs boursiers ou les épidémies) et de faire du raisonnement par analogie (utiliser les connaissances sur, par exemple, les maladies de la souris pour comprendre les maladies Human , ou les connaissances sur le chinois pour comprendre l'anglais).

La fusion de l'IAG et de l'IA décentralisée n'a cependant pas encore véritablement attiré l'attention du public. 2020 devrait être l'année des premières avancées concrètes dans ce sens. Cela attirera l'attention du public sur le potentiel des cadres décentralisés pour développer une IA dotée de capacités d'imagination, de généralisation et d'apprentissage créatif.

Formes pratiques

Les agents orientés AGI dans un méta-réseau d'IA décentralisé (impliquant plusieurs réseaux d'IA décentralisés interopérables : disons SingularityNET, OCEAN, Fetch.ai, Shivom et des dizaines d'autres, tous travaillant ensemble) pourront fournir des services d'abstraction et de généralisation aux agents d'IA orientés application exécutés dans ce même méta-réseau.

Imaginons qu'un agent d'IA orienté vers les technologies de la santé doive formuler une hypothèse sur les gènes Human , parmi les quelque 25 000, impliqués dans le cancer de la prostate. Mais supposons qu'il ne dispose que de données ADN de quelques centaines de personnes, insuffisantes pour tirer des conclusions solides sur un si grand nombre de gènes différents. Sans un cadre permettant à cet agent d'IA de consulter d'autres agents d'IA, il abandonnerait probablement. Mais dans un contexte comme SingularityNET, où les IA peuvent consulter d'autres IA, des voies subtiles vers le succès pourraient exister. Si d'autres ensembles de données concernant des maladies similaires au cancer de la prostate sont disponibles chez des organismes modèles comme la souris, nous pourrions progresser dans la compréhension des gènes impliqués dans le cancer de la prostate, grâce à la combinaison de plusieurs agents d'IA dotés de capacités différentes et coopérant entre eux.

Supposons que l'IA n° 1 – appelons-la le Maître de l'Analogie – possède un talent pour le raisonnement par analogie. Ce type de raisonnement permet de transposer les connaissances sur une situation donnée à une autre – par exemple, en utilisant les connaissances sur la guerre pour tirer des conclusions sur les affaires. Le Maître de l'Analogie pourrait être capable d'utiliser des données génétiques sur des souris atteintes de maladies similaires au cancer de la prostate pour tirer des conclusions indirectes sur le cancer de la prostate Human .

Nous verrons des travaux vers des formes plus générales d’IA qui seront détenues et guidées par des individus.

Supposons ensuite que l'IA n° 2 – appelons-la le Connecteur de données – soit capable de trouver des ensembles de données biologiques et médicales pertinents pour un problème donné et de les préparer pour une analyse par l'IA. Supposons ensuite que l'IA n° 3 – appelons-la l'Analyste des maladies – soit experte dans l'utilisation de l'apprentissage automatique pour comprendre les causes profondes des maladies Human .

L'analyste des maladies, chargé de trouver des gènes Human liés au cancer de la prostate, peut alors décider qu'il a besoin d'une réflexion transversale pour franchir un pas conceptuel et résoudre le problème. Il sollicite alors l'aide du Maître des analogies, ou de nombreuses IA différentes.

Le Maître des Analogies ne connaît peut-être rien à la biologie du cancer, mais il excelle à franchir des étapes conceptuelles grâce au raisonnement par analogie. Pour aider l'Analyste des Maladies à résoudre son problème, il peut donc avoir besoin d'enrichir sa base de connaissances avec des données pertinentes, par exemple sur le cancer chez la souris. Le Connecteur de Données intervient alors en fournissant au Maître des Analogies les données sur le cancer chez la souris dont il a besoin pour alimenter son brainstorming créatif et aider l'Analyste des Maladies à résoudre son problème.

Toute cette coopération entre agents d'IA peut se dérouler en coulisses, du point de vue de l'utilisateur. Le laboratoire de recherche qui sollicite l'aide de l'analyste des maladies pour l'analyse génétique du cancer de la prostate n'a jamais besoin de savoir que l'analyste a fait son travail en sollicitant l'aide du maître d'analogie et du connecteur de données. De plus, le maître d'analogie et le connecteur de données n'ont T nécessairement besoin de consulter les données propriétaires de l'analyste des maladies, car grâce au calcul multipartite ou au chiffrement homomorphe, l'analyse par IA peut s'effectuer sur une version chiffrée d'un ensemble de données sans porter atteinte à la Politique de confidentialité des données (dans ce cas, la Politique de confidentialité des patients).

Grâce aux progrès de l' IA et de l'informatique en nuage, ce type de coopération entre plusieurs IA devient tout juste envisageable. Bien sûr, une telle coopération peut se dérouler sous le contrôle de grandes entreprises, derrière des pare-feu. Mais le plus intéressant est de constater comment ce paradigme, visant à développer une IA de plus en plus puissante et généralisée, pourrait naturellement s'harmoniser avec des modalités de contrôle décentralisées.

Et si les trois agents d'IA de cet exemple appartenaient à des parties différentes ? Et si les données sur le cancer de la prostate Human utilisées par l'analyste des maladies étaient détenues et contrôlées par les personnes atteintes, auprès desquelles les données ont été collectées ? Ce n'est pas ainsi que fonctionne le système médical actuel. Mais au moins, on peut affirmer, sur le plan technologique, qu'il n'y a aucune raison pour que À découvrir médicale basée sur l'IA soit monolithique et centralisée. Une approche décentralisée, où l'intelligence est obtenue par l'intermédiaire de multiples agents, dont les propriétaires multiples agissent sur des données chiffrées de manière sécurisée, est désormais technologiquement réalisable, en combinant l'IA moderne avec une infrastructure blockchain.

La centralisation de l’analyse des données et de la prise de décision en matière d’IA, en médecine comme dans d’autres domaines, est répandue à l’heure actuelle pour des raisons de structure politique et industrielle et d’inertie, plutôt que parce que c’est le seul moyen de faire fonctionner la technologie.

Dans ce cas, l’IA orientée vers les technologies de la santé, chargée de comprendre les causes génétiques du cancer, ferait bien de se connecter en coulisses avec cette IA de raisonnement par analogie et avec un fournisseur de données pertinentes sur les organismes modèles à alimenter au raisonneur par analogie, pour obtenir son aide dans la résolution de sa tâche.

Dans le réseau d'intelligence artificielle générale du futur NEAR , l'intelligence se situera à deux niveaux : les agents IA individuels et l'activité cohérente et coordonnée du réseau d'agents IA (la combinaison de trois agents IA dans l'exemple ci-dessus ; et des combinaisons d'un plus grand nombre d'agents IA plus diversifiés dans les cas plus complexes). La capacité de généralisation et d'abstraction existera également, dans une certaine mesure, à ces deux niveaux. Elle sera présente chez les agents IA individuels, comme le Maître de l'analogie dans l'exemple ci-dessus, qui sont orientés vers l'intelligence générale plutôt que vers la résolution de problèmes hautement spécialisés. Elle sera présente dans le réseau global, comprenant une combinaison d'agents IA orientés vers la généralisation, comme le Maître de l'analogie, et d'agents IA spécialisés, comme l'Analyste des maladies, et d'agents IA « connecteurs », comme le Connecteur de données ci-dessus.

Le déploiement évolutif et l'adoption à grande échelle des réseaux d'IA décentralisés n'en sont NEAR leurs débuts, et de nombreuses subtilités devront être abordées et résolues dans les années à venir. Après tout, ce dont la communauté de l'IA décentralisée a besoin pour atteindre ses objectifs à moyen terme est fondamentalement plus complexe que les systèmes informatiques créés par Google, Facebook, Amazon, IBM, Tencent ou Baidu. Ces systèmes sont le fruit de décennies de travail d'ingénierie mené par des dizaines de milliers d'ingénieurs brillants.

La communauté de l'IA décentralisée ne recrutera pas plus d'ingénieurs que ces entreprises. Or, la Linux Foundation n'a jamais recruté autant d'ingénieurs que Microsoft ou Apple, et elle possède désormais le système d'exploitation numéro un qui sous-tend à la fois l'internet côté serveur et les écosystèmes mobiles et IoT. Pour que la tentative du monde de l'IA blockchain de catalyser l'émergence de l'intelligence générale via l'activité coopérative de nombreux agents d'IA aux niveaux d'abstraction variés réussisse, elle devra passer par l'activité communautaire. Cette activité communautaire devra être largement auto-organisée. Or, les modèles tokenomiques qui sous-tendent de nombreux projets d'IA décentralisée sont précisément configurés pour encourager cette auto-organisation, en fournissant des incitations symboliques aux agents d'IA, qui servent à stimuler et à guider l'intelligence du réseau global tout en travaillant à la réalisation de leurs objectifs individuels.

Les grandes entreprises centralisées apportent des ressources considérables. Cependant, pour de nombreuses applications, notamment la médecine et la publicité, ce ne sont pas les entreprises, mais les individus qui apportent les données. Or, l'IA a besoin de données pour Guides. Avec l'émergence d'applications d'IA basées sur la blockchain, les grandes entreprises pourraient voir leur pouvoir unique leur être retiré.

Préféreriez-vous posséder un échantillon de thérapies médicales découvertes grâce à votre dossier médical et à vos données génomiques ? Préféreriez-vous savoir exactement comment le contenu de vos messages et vos habitudes de navigation sur Internet sont utilisés pour décider des produits à vous recommander ? Moi aussi.

2020 marquera le début de la concrétisation de cette vision. Nous assisterons au début d'une véritable adoption par les utilisateurs des plateformes alliant blockchain et IA. Nous verrons des avancées vers des formes d'IA plus générales, gérées et pilotées par les individus qui alimentent l'IA avec les données nécessaires à son Guides et à son développement.