AI per tutti: sistemi super intelligenti che premiano i creatori di dati

Questo post fa parte del 2019 Year in Review di CoinDesk, una raccolta di 100 editoriali, interviste e opinioni sullo stato della blockchain e del mondo. Ben Goertzel è fondatore e CEO di SingularityNET, un progetto di mercato AI basato su blockchain.

Mentre l'intelligenza artificiale pervade rapidamente ogni settore dell'economia, poche domande sono più urgenti di chi possiede, controlla e guida i dati utilizzati per addestrare i sistemi di intelligenza artificiale, nonché i modelli e le conclusioni che l'intelligenza artificiale trae da questi dati.

Al momento la risposta tende a essere le grandi aziende. I dati sui nostri pensieri, preferenze, paure e desideri, come rivelati nelle nostre e-mail, messaggi, foto e documenti, sono archiviati in repository aziendali e utilizzati per creare annunci personalizzati che guidano i nostri comportamenti di acquisto. I dati sui nostri corpi e sui nostri genomi sono archiviati in database di aziende farmaceutiche e utilizzati per R&S proprietari, senza il nostro esplicito consenso e senza che riceviamo alcuna ricompensa per le terapie scoperte. Queste grandi aziende, ovviamente, operano in stretto coordinamento con le agenzie di sorveglianza governative, a volte per proteggere la popolazione civile e a volte in modo più nefasto.

Man mano che l'IA diventa sempre più intelligente, la questione di chi la possiede e la controlla diventerà ancora più acuta. È una fortuna, quindi, che esistano tecnologie che consentono un attento monitoraggio e controllo dell'uso da parte dell'IA di dati personali, modelli e conclusioni e abilità apprese in base ai dati delle persone. Questa potrebbe essere alla fine l'applicazione più critica della Tecnologie blockchain e dei metodi associati come la crittografia omomorfica e il calcolo multipartitico, che consentono l'elaborazione sofisticata dei dati dell'IA nel rispetto Privacy dei dati.

Man mano che l'intelligenza artificiale diventa sempre più intelligente, la questione di chi la possiede e la controlla diventerà ancora più acuta.

Negli ultimi due anni, l'importanza di combinare AI e blockchain è diventata quasi un luogo comune in conferenze, workshop e startup. Non esiste ancora una rete AI decentralizzata con ampia adozione commerciale, ma il concetto è stato ampiamente accettato. Entro la fine del 2020, sembra probabile che ci saranno interessanti casi d'uso che coinvolgono aziende grandi e piccole che ottengono i loro servizi AI da chiamate API in una rete decentralizzata basata su blockchain anziché tramite un servizio AI centralizzato.

Nello stesso lasso di tempo, la potenza dei sistemi di intelligenza artificiale è aumentata in modo notevole, con applicazioni aziendali di alto profilo in molteplici Mercati verticali, insieme al progresso della ricerca fondamentale che ha fatto il balzo dai sistemi di "intelligenza artificiale ristretta" specifici per applicazione verso i sistemi di intelligenza artificiale più generici da tempo previsti da autori di fantascienza e opinionisti futurologi.

Non molto tempo fa, l'Intelligenza Artificiale Generale (AGI) era oggetto di discussione solo in alcuni circoli di ricerca rarefatti. Ma da quando Microsoft ha investito 1 miliardo di dollari inIA aperta, ora ONE sente il termine dalla bocca di leader nazionali e aziendali. Ora è abbastanza ampiamente compreso che l'IA deve andare oltre l'imitazione dei suoi set di dati di formazione e raggiungere la capacità di gestire nuovi domini che i suoi programmatori e formatori non avevano previsto. Mentre i sistemi AGI di livello umano rimangono per il futuro, stiamo facendo passi in quella direzione con sistemi di IA in grado di eseguire inferenze causali (identificando le cause profonde alla base di Eventi complessi come crolli del mercato azionario o epidemie) e di fare ragionamenti analogici (utilizzando la conoscenza, ad esempio, di una malattia dei topi per aiutare a comprendere una malattia Human o la conoscenza del cinese per aiutarci a capire l'inglese).

Tuttavia, la fusione di AGI e AI decentralizzata non ha ancora raggiunto il radar pubblico in modo significativo. Nel 2020, probabilmente assisteremo ai primi passi concreti in questa direzione. Ciò risveglierà l'attenzione pubblica sul potenziale dei framework decentralizzati per lavorare verso un'AI con capacità di profonda immaginazione, generalizzazione e apprendimento creativo.

Forme pratiche

Gli agenti orientati all'AGI in una meta-rete di intelligenza artificiale decentralizzata (che coinvolge più reti di intelligenza artificiale decentralizzate interoperanti: ad esempio SingularityNET, OCEAN, Fetch.ai, Shivom e decine di altre, tutte funzionanti insieme) saranno in grado di fornire servizi di astrazione e generalizzazione agli agenti di intelligenza artificiale orientati alle applicazioni in esecuzione in questa stessa meta-rete.

Supponiamo che un agente AI orientato alla tecnologia sanitaria debba formulare un'ipotesi su quali dei circa 25.000 geni Human siano coinvolti nel cancro alla prostata. Ma supponiamo che abbia solo dati sul DNA di poche centinaia di persone, non abbastanza per trarre conclusioni solide su così tanti geni diversi. Senza un framework che consenta a questo agente AI di consultare altri agenti AI per chiedere aiuto, l'AI probabilmente si arrenderebbe. Ma in un contesto come SingularityNET, in cui le AI possono consultare altre AI per ricevere assistenza, potrebbero esserci percorsi sottili per il successo. Se ci sono altri set di dati riguardanti disturbi simili al cancro alla prostata in organismi modello come i topi, potremmo vedere progressi nella comprensione di quali geni sono coinvolti nel cancro alla prostata, tramite la combinazione di più agenti AI, con diverse capacità che cooperano tra loro.

Supponiamo che l'IA n. 1, chiamiamola Analogy Master, abbia un talento per il ragionamento per analogia. Questo è il tipo di ragionamento che mappa la conoscenza di ONE situazione in un tipo di situazione diverso, ad esempio, usando la conoscenza della guerra per trarre conclusioni sul business. L'Analogy Master potrebbe essere in grado di usare dati genetici su topi con condizioni simili al cancro alla prostata per trarre conclusioni indirette sul cancro alla prostata Human .

Vedremo lavori verso forme più generali di intelligenza artificiale possedute e guidate da individui

Quindi supponiamo che l'IA n. 2, chiamiamola Data Connector, sia brava a trovare set di dati biologici e medici rilevanti per un certo problema e a preparare questi set di dati per l'analisi dell'IA. E quindi supponiamo che l'IA n. 3, chiamiamola Disease Analyst, sia esperta nell'uso dell'apprendimento automatico per comprendere le cause profonde delle malattie Human .

Il Disease Analyst, quando gli viene assegnato il problema di trovare geni Human correlati al cancro alla prostata, potrebbe decidere di aver bisogno di un po' di pensiero laterale per aiutarlo a fare un salto concettuale e risolvere il problema. Chiede aiuto all'Analogy Master, o a molte diverse IA.

L'Analog Master potrebbe non sapere nulla di biologia del cancro, sebbene sia bravo a fare salti concettuali usando il ragionamento per analogia. Quindi, per aiutare l'analista delle malattie con il suo problema, potrebbe aver bisogno di riempire la sua base di conoscenza con alcuni dati rilevanti, ad esempio sul cancro nei topi. Il Data Connector arriva quindi in soccorso, fornendo all'Analog Master i dati sul cancro nei topi di cui ha bisogno per guidare il suo brainstorming creativo, supportando l'analista delle malattie nella risoluzione del suo problema.

Tutta questa cooperazione tra agenti AI può avvenire dietro le quinte dal punto di vista dell'utente. Il laboratorio di ricerca che chiede aiuto al Disease Analyst per l'analisi genetica del cancro alla prostata non ha mai bisogno di sapere che il Disease Analyst ha fatto il suo lavoro chiedendo aiuto all'Analogy Master e al Data Connector. Inoltre, l'Analogy Master e il Data Connector T hanno necessariamente bisogno di vedere i dati proprietari del Disease Analyst, perché utilizzando il calcolo multipartitico o la crittografia omomorfica, l'analisi AI può avvenire su una versione crittografata di un set di dati senza violare la Privacy dei dati (in questo caso, la Privacy del paziente).

Con i progressi nella Tecnologie AI e nell'IT basata sul cloud, questo tipo di cooperazione tra più AI sta diventando fattibile solo ora. Naturalmente, tale cooperazione può avvenire in un modo controllato da grandi aziende dietro firewall. Ma ciò che è più interessante è il modo naturale in cui questo paradigma per ottenere un'AI sempre più potente e generale potrebbe allinearsi con modalità di controllo decentralizzate.

Cosa succederebbe se i tre agenti AI in questo scenario di esempio fossero di proprietà di parti diverse? Cosa succederebbe se i dati sul cancro alla prostata Human utilizzati dal Disease Analyst fossero di proprietà e controllati dagli individui con cancro alla prostata, da cui sono stati raccolti i dati? Non è questo il modo in cui funziona l'establishment medico in questo momento. Ma almeno possiamo dire, a livello tecnologico, che non c'è motivo per cui la Da scoprire medica guidata dall'AI debba essere monolitica e centralizzata. Un approccio decentralizzato, in cui l'intelligenza è ottenuta tramite più agenti con più proprietari che agiscono su dati crittografati in modo sicuro, è tecnologicamente fattibile ora, combinando l'AI moderna con l'infrastruttura blockchain.

La centralizzazione dell’analisi dei dati e del processo decisionale dell’intelligenza artificiale, in medicina come in altri settori, è prevalente in questo momento per ragioni politiche e di struttura industriale e per inerzia, piuttosto che perché è l’unico modo per far funzionare la tecnologia.

In questo caso, l'intelligenza artificiale originale orientata alla tecnologia sanitaria incaricata di comprendere le cause genetiche del cancro farebbe bene a connettersi dietro le quinte con questa intelligenza artificiale che ragiona per analogie e con un fornitore di dati rilevanti sull'organismo modello da fornire al ragionatore per analogie, per ottenere il suo aiuto nella risoluzione del suo compito.

Nella rete di Intelligenza Artificiale Generale del NEAR futuro, l'intelligenza esisterà su due livelli diversi: i singoli agenti di IA e l'attività coerente e coordinata della rete di agenti di IA (la combinazione di tre agenti di IA nell'esempio precedente; e combinazioni di un numero maggiore di agenti di IA più diversificati in casi più complessi). La capacità di generalizzare e astrarre esisterà anche, in una certa misura, su entrambi questi livelli. Esisterà nei singoli agenti di IA come l'Analog Master nell'esempio precedente, che sono orientati verso l'intelligenza generale piuttosto che verso la risoluzione di problemi altamente specializzati. Esisterà nella rete complessiva, inclusa una combinazione di agenti di IA orientati alla generalizzazione come l'Analog Master e agenti di IA per scopi speciali come il Disease Analyst e agenti di IA "connettore" come il Data Connector di cui sopra.

L'implementazione scalabile e l'ampia adozione delle reti AI decentralizzate sono ancora NEAR inizi e ci sono molte sottigliezze da incontrare e risolvere nei prossimi anni. Dopo tutto, ciò di cui la comunità AI decentralizzata ha bisogno per raggiungere i suoi obiettivi a medio termine è fondamentalmente più complesso dei sistemi IT creati da Google, Facebook, Amazon, IBM, Tencent o Baidu. Questi sistemi sono il risultato di decenni di lavoro ingegneristico da parte di decine di migliaia di ingegneri brillanti.

La comunità AI decentralizzata non assumerà più ingegneri di quanti ne abbiano queste aziende. Ma poi, la Linux Foundation non ha mai assunto tanti ingegneri come Microsoft o Apple, e ora ha il sistema operativo n. 1 alla base sia di Internet lato server che degli ecosistemi mobile e IoT. Se il tentativo del mondo blockchain-AI di catalizzare l'emergere dell'intelligenza generale tramite l'attività cooperativa di numerosi agenti AI con diversi livelli di astrazione deve avere successo, dovrà essere tramite l'attività della comunità. Questa attività della comunità dovrà essere auto-organizzata in larga misura. Ma i modelli tokenomici alla base di molti progetti AI decentralizzati sono configurati precisamente per incoraggiare questa auto-organizzazione, tramite la fornitura di incentivi token agli agenti AI che servono a stimolare e guidare l'intelligenza della rete complessiva e a lavorare per i loro obiettivi individuali.

Le grandi aziende centralizzate mettono a disposizione enormi risorse. Tuttavia, per molte applicazioni, tra cui medicina e pubblicità, non sono le aziende, ma gli individui, a portare i dati sul tavolo. E le IA hanno bisogno di dati per Imparare. Con l'emergere di applicazioni di IA basate su blockchain, le grandi aziende potrebbero scoprire che il loro potere unico viene loro sottratto.

Preferiresti possedere un pezzo di terapie mediche scoperte usando le tue cartelle cliniche e i tuoi dati genomici? Preferiresti sapere esattamente come il contenuto dei tuoi messaggi e i tuoi schemi di navigazione web vengono usati per decidere quali prodotti consigliarti? Anch'io.

Il 2020 sarà l'anno in cui questa visione inizierà a prendere piede. Vedremo l'inizio di una vera adozione da parte degli utenti per le piattaforme che uniscono blockchain e AI. Vedremo lavori verso forme più generali di AI possedute e guidate dagli individui che alimentano l'AI con i dati di cui ha bisogno per Imparare e crescere.