211service.com
Glem AlphaGo—DeepMind har et mer interessant skritt mot generell AI
AlphaGo og selvkjørende biler er utrolig smarte, men ingen av dem representerer et veldig stort sprang mot generell kunstig intelligens. Heldigvis utvikler noen AI-forskere måter å utvide maskinintelligens på.
Forskerne ved DeepMind, som skapte den mesterlige Go-spilleroboten AlphaGo, jobber med en tilnærming som kan vise seg å være viktig i søken etter å gjøre maskiner like intelligente som vi er.
I to papirer publisert denne uken og rapportert av Ny vitenskapsmann, forskere ved datterselskapet Alphabet beskriver forsøk på å lære datamaskiner om relasjonell resonnement, en kognitiv evne som er grunnleggende for menneskelig intelligens.
Enkelt sagt er relasjonell resonnement evnen til å vurdere forhold mellom ulike mentale representasjoner, for eksempel objekter, ord eller ideer. Denne typen resonnement er både avgjørende for menneskelig kognitiv utvikling og avgjørende for å løse omtrent ethvert problem.
De fleste eksisterende maskinlæringssystemer prøver ikke å forstå forholdet mellom konsepter. Et synssystem kan identifisere en hund eller en katt på et bilde, for eksempel, men det vet ikke at hunden jager katten.
De to systemene utviklet ved DeepMind løser dette ved å modifisere eksisterende maskinlæringsmetoder for å gjøre dem i stand til å lære om fysiske forhold mellom statiske objekter, samt atferden til objekter i bevegelse over tid.
De demonstrerer den første muligheten ved å bruke CLEVR, et datasett med enkle objekter. Etter trening kan de spørre systemet om en gjenstand er foran en annen, eller hvilken gjenstand som er nærmest. Resultatene deres er dramatisk bedre enn noe som er oppnådd før, og overgår til og med menneskelig ytelse i noen tilfeller.
I den andre artikkelen viser forskerne hvordan et tilsvarende modifisert maskinlæringssystem kan lære å forutsi oppførselen til enkle objekter i to dimensjoner. Vi gjør slikt hele tiden i tre dimensjoner, for eksempel når vi fanger en ball eller kjører bil. Faktisk viser psykologiske eksperimenter at mennesker bruker en intuitiv fysikkmotor når de forutsier effekten av en handling på objekter. Det er mye mer sofistikert og kraftig enn bare å gjenkjenne objektene i en scene.
Selv om fremskrittene kanskje ikke er iøynefallende gjennombrudd, er de akkurat den typen forskning som trengs. Så imponerende som dagens AI er, det meste av det innebærer at en maskin lærer å utføre en utrolig smal oppgave. Uten nye ideer vil AI-systemer forbli ute av stand til ting som å føre en ekte samtale eller løse vanskelige problemer på egenhånd.
Sam Gershman , en professor i psykologi ved Harvard som studerer intelligens, sier at vi må tenke på å etterligne menneskelig intelligens nærmere hvis vi vil at kunstig intelligens skal ligne vår egen.
Hjernene våre representerer verden når det gjelder relasjoner mellom objekter, agenter og hendelser, fortalte han MIT Technology Review via e-post. Å representere verden på denne måten begrenser massivt hva slags slutninger vi trekker fra data, noe som gjør det vanskeligere å lære noen ting og lettere å lære andre ting. Så i den forstand er dette arbeidet et skritt i riktig retning: å bygge inn menneskelignende begrensninger som gjør det mulig for maskiner å lettere lære oppgaver som er naturlige for mennesker.
Gershman advarte imidlertid mot å overvurdere betydningen av DeepMind-arbeid. Supermenneskelig ytelse på en bestemt maskinlæringsoppgave innebærer ikke supermenneskelig intelligens, sa han.
Relasjonell resonnement er også bare ett element i menneskelig intelligens. Gershman og andre skrev et papir i fjor som utforsker de andre aspektene ved menneskelig intelligens som for tiden mangler fra AI. Foruten å resonnere om relasjoner, for eksempel, bemerket de at mennesker er i stand til komposisjon, eller bygge nye ideer fra eksisterende kunnskap for å løse problemer.
Relasjonell resonnement er en nødvendig, men ikke tilstrekkelig betingelse for menneskelignende intelligens, sa Gershman.
(Les mer: DeepMinds nevrale nettverk lærer AI å resonnere om verden )