211service.com
To rivaliserende AI-tilnærminger kombineres for å la maskiner lære om verden som et barn
Foto fra DEN NEURO-SYMBOLISKE KONSEPT-ELEREN: TOLKING AV SCENER, ORD OG SETNINGER FRA NATURLIG TILSYN; Redigert av MIT Technology Review
I løpet av tiårene siden oppstarten av kunstig intelligens har forskningen på feltet falt i to hovedleirer. Symbolistene har forsøkt å bygge intelligente maskiner ved å kode inn logiske regler og representasjoner av verden. Konneksjonistene har forsøkt å konstruere kunstige nevrale nettverk, inspirert av biologi, for å lære om verden. De to gruppene har historisk sett ikke kommet overens.
men a nytt papir fra MIT, IBM og DeepMind viser kraften i å kombinere de to tilnærmingene, kanskje peker en vei fremover for feltet. Teamet, ledet av Josh Tenenbaum , professor ved MIT Senter for hjerner, sinn og maskiner , laget et dataprogram kalt en neuro-symbolic concept learner (NS-CL) som lærer om verden (riktignok en forenklet versjon) akkurat som et barn kan – ved å se seg rundt og snakke.
Systemet består av flere deler. Ett nevralt nettverk er trent på en serie scener som består av et lite antall objekter. Et annet nevralt nettverk er trent på en serie tekstbaserte spørsmål-svar-par om scenen, for eksempel Q: Hva er fargen på kulen? A: Rødt. Dette nettverket lærer å kartlegge de naturlige språkspørsmålene til et enkelt program som kan kjøres på en scene for å gi et svar.
NS-CL-systemet er også programmert til å forstå symbolske konsepter i tekst som objekter, objektattributter og romlige forhold. Denne kunnskapen hjelper NS-CL med å svare på nye spørsmål om en annen scene – en type bragd som er langt mer utfordrende ved å bruke en konneksjonistisk tilnærming alene. Systemet gjenkjenner dermed konsepter i nye spørsmål og kan relatere dem visuelt til scenen før den.
'Dette er en spennende tilnærming,' sier Brendensjøen , en assisterende professor ved NYU. «Nevral mønstergjenkjenning gjør det mulig for systemet se , mens symbolske programmer lar systemet Årsaken . Sammen går tilnærmingen utover hva dagens dyplæringssystemer kan gjøre.'
Med andre ord adresserer hybridsystemet sentrale begrensninger ved begge tidligere tilnærminger ved å kombinere dem. Den overvinner skalerbarhetsproblemene til symbolismen, som historisk har kjempet for å kode kompleksiteten til menneskelig kunnskap på en effektiv måte. Men den takler også et av de vanligste problemene med nevrale nettverk: det faktum at de trenger enorme mengder data.
Det er mulig å trene bare et nevralt nettverk til å svare på spørsmål om en scene ved å mate inn millioner av eksempler som treningsdata. Men et menneskebarn krever ikke en så stor mengde data for å forstå hva et nytt objekt er eller hvordan det forholder seg til andre objekter. Dessuten har et nettverk som er trent på den måten ingen reell forståelse av konseptene som er involvert - det er bare en omfattende mønstertilpasningsøvelse. Så et slikt system vil være tilbøyelig til å gjøre veldig dumme feil når det står overfor nye scenarier. Dette er et vanlig problem med dagens nevrale nettverk og underbygger mangler som lett kan avsløres (se AIs språkproblem).
Konneksjonisme-purister kan protestere mot det faktum at systemet krever noe kunnskap for å bli hardkodet i. Men arbeidet er viktig fordi det dytter oss nærmere å konstruere en form for intelligens som virker mer som vår egen. Kognitive forskere mener at menneskesinnet går gjennom noen lignende trinn, og at dette underbygger fleksibiliteten til menneskelig læring.
Mer praktisk kan det også låse opp nye applikasjoner av AI fordi den nye teknologien krever langt mindre treningsdata. Robotsystemer, for eksempel, kan endelig lære på farten, i stedet for å bruke mye tid på trening for hvert unike miljø de er i.
Dette er veldig spennende fordi det kommer til å få oss forbi denne avhengigheten av enorme mengder merkede data, sier David Cox , forskeren som leder MIT-IBM Watson AI-laboratoriet.
Forskerne bak studien utvikler nå en versjon som fungerer på fotografier av virkelige scener. Dette kan vise seg å være verdifullt for mange praktiske anvendelser av datasyn.