Анализ 16 625 научных работ из arXiv показал тенденции развития искусственного интеллекта

+7 926 604 54 63 address
 Какие-то методы привлекают внимание, популярность других идёт на спад. И так всегда.
Какие-то методы привлекают внимание, популярность других идёт на спад. И так всегда.

Издание MIT Technology Review проанализировало 16625 статей из раздела artificial intelligence базы данных препринтов научных статей arXiv.org, чтобы понять, как развивались разработки в области искусственного интеллекта и какие направления будут популярны в ближайшее время.

Большинство достижений в области искусственного интеллекта сегодня относятся к глубокому обучению: медицина, робототехника, автономные автомобили. Но некоторые учёные полагают, что Deep learning (глубокое обучение) — это короткая тенденция, которая вскоре пойдёт на спад и откроет дорогу другим методам.

Количество научных работ, скачанных исследователями из Массачусетского технологического института из раздела "искусственный интеллект", по годам.
Количество научных работ, скачанных исследователями из Массачусетского технологического института из раздела «искусственный интеллект», по годам.

Стоит отметить, что публикация работ об ИИ на arXiv началась в 1993-м, в то время как термин artificial intelligence относится к 50-м годам. Кроме того, статьи в базе — только часть всех работ по данной теме. Однако это хороший источник для выявления тенденций развития отрасли.

Исследование выявило три основных тренда:

  • рост популярности машинного обучения в конце 90-х — начале 2000-х;
  • развитие нейронных сетей в 2010-х;
  • недавний рост числа разработок, основанных на обучении с подкреплением.

Популярность машинного обучения

В 1980-е годы учёные были сосредоточены на идее, что можно соединить и закодировать все знания человечества в систему правил и обучить искусственный интеллект здравому смыслу. Однако сообщество столкнулось с ограничениями: правил оказалось очень много, и закодировать их вручную было невозможно. После этого начался рост популярности машинного обучения. Разработчики решили запрограммировать машины, чтобы те самостоятельно извлекали закономерности из больших данных.

Нейронные сети

В нулевых учёные тестировали разные методы обучения нейросетей. Байесовские сети, метод опорных векторов, эволюционные алгоритмы тоже были популярными и конкурировали между собой.

Все изменилось в октябре 2012-го. Алгоритм, разработанный Джеффри Хинтоном (Geoffrey Hinton) и командой при поддержке Google, достиг высокой точности в задаче классификации 1000 объектов на фотографиях на конкурсе ImageNet. Команда использовала методы глубокого обучения и свёрточные нейронные сети. Таким образом, популярность этих методов быстро выросла.

 Как менялось количество работ на arXiv.org по каждому направлению с течением времени. Интерактивный график — https://www.technologyreview.com/s/612768/we-analyzed-16625-papers-to-figure-out-where-ai-is-headed-next/

Как менялось количество работ на arXiv.org по каждому направлению с течением времени. Интерактивный график — https://www.technologyreview.com/s/612768/we-analyzed-16625-papers-to-figure-out-where-ai-is-headed-next/

Последняя тенденция — обучение с подкреплением

Последний перелом в научном сообществе произошёл в 2015 году. Одинаково популярными были три подхода к обучению нейронных сетей: обучение с учителем, без учителя и обучение с подкреплением. Однако после того как алгоритм AlphaGo от DeepMind победил чемпиона мира по игре в го, используя обучение с подкреплением, в сообществе сразу наметился перекос в сторону роста исследований по этой теме.

Следующее десятилетие

Исследование показывает, как некоторые непопулярные подходы в одно мгновение становились самыми используемыми, благодаря внезапным вспышкам достижений. Нейронные сети доминировали в 60-х, после чего стали популярными вновь в 2010-х. Концепция «здравого смысла» была популярна в 1980-х, но сейчас некоторые учёные тоже к ней обращаются. Байесовские сети доминировали в 1990-х, а опорные векторы — в 2000-х.

В MIT (Massachusetts Institute of Technology) полагают, что 2020-е продолжат эту тенденцию. Это означает, что популярность методов deep learning уменьшится и на смену им придут новые разработки или переосмысленные методы из прошлого. Но пока у исследователей нет ответа, какие именно подходы способны заменить глубокое обучение. Сегодня этот вопрос вызывает ожесточённые споры.

.
Комментарии