Τεχνολογία

Πότε θα μάθει η τεχνητή νοημοσύνη να αιτιολογεί;

Κάθε μέρα τα πιο προηγμένα συστήματαΗ τεχνητή νοημοσύνη γίνεται πιο έξυπνη και πιο έξυπνη, κερδίζοντας νέες γνώσεις και δεξιότητες. Η ΑΙ είναι ήδη ικανή να είναι καλύτερη σε πολλούς τομείς εκτός από τον άνθρωπο. Αλλά πίσω από όλη αυτή την "ανωτερότητα" υπάρχουν μόνο γραμμές κώδικα και σαφώς καθορισμένοι αλγόριθμοι που δεν επιτρέπουν στο πρόγραμμα να είναι "ελεύθερο στις σκέψεις τους". Με άλλα λόγια, μια μηχανή δεν μπορεί να κάνει πράγματα που δεν ενσωματώνονται σε αυτήν. AI μπορεί να καταλήξει σε λογικά συμπεράσματα, αλλά δεν μπορεί να λογοδοτεί σε ένα δεδομένο θέμα. Και φαίνεται ότι αυτό θα αλλάξει σύντομα.

Πώς γνωρίζουν οι άνθρωποι τον κόσμο

Εμείς, όπως όλοι οι λογικοί οργανισμοί, θα μάθουμεσυσκευή του κόσμου σταδιακά. Φανταστείτε ένα μωρό ενός έτους για να δείτε ένα φορτηγό παιχνίδι οδήγησης από μια πλατφόρμα και να κρεμάσει στον αέρα. Για αυτόν, αυτό δεν θα είναι τίποτα ασυνήθιστο. Αλλά κάνετε το ίδιο πείραμα μόλις δύο ή τρεις μήνες αργότερα, και ο μικρός άνθρωπος θα συνειδητοποιήσει αμέσως ότι κάτι είναι λάθος. Εξάλλου, ξέρει ήδη πώς λειτουργεί η βαρύτητα.

"Κανείς δεν λέει στο παιδί ότι αντικείμενα πρέπεινα πέσει », λέει ο Jan Lekun, επικεφαλής του Facebook στην κατεύθυνση της ανάπτυξης τεχνητής νοημοσύνης και καθηγητής στο Πανεπιστήμιο της Νέας Υόρκης. - "Πολλά από αυτά που μαθαίνουν τα παιδιά για τον κόσμο, μαθαίνουν μέσω της παρατήρησης."

Και, ανεξάρτητα από το πόσο απλό μπορεί να ακούγεται, αυτή η προσέγγιση μπορεί να βοηθήσει τους προγραμματιστές της AI να δημιουργήσουν πιο προηγμένες εκδόσεις τεχνητής νοημοσύνης.

Γιατί είναι τόσο δύσκολο να διδάξουμε τον AI για λογική

Βαθιά μηχανική μάθηση (δηλαδή, περίπουμιλώντας, η απόκτηση ορισμένων δεξιοτήτων μέσω δοκιμών και σφαλμάτων σήμερα επιτρέπει στο AI να επιτύχει τεράστια επιτυχία. Αλλά το πιο σημαντικό, η τεχνητή νοημοσύνη δεν είναι ακόμα σε θέση να κάνει. Δεν μπορεί να αιτιολογήσει και να εξαγάγει συμπεράσματα βάσει μιας ανάλυσης της αντικειμενικής πραγματικότητας στην οποία υπάρχει. Με άλλα λόγια, τα μηχανήματα δεν καταλαβαίνουν πραγματικά τον κόσμο γύρω τους, γεγονός που τους καθιστά αδύνατο να αλληλεπιδράσουν με αυτό.

Αυτό είναι ενδιαφέρον: Μπορεί τεχνητή νοημοσύνη να νικήσει ένα άτομο πόκερ;

Ένας από τους τρόπους βελτίωσης του AI μπορεί να είναι ένα είδος «κοινής μνήμης», το οποίο θα βοηθήσει τα μηχανήματα να αποκτήσουν πληροφορίες για τον κόσμο γύρω τους και να τα μελετήσουν σταδιακά. Αλλά αυτό δεν λύνει όλα τα προβλήματα.

"Προφανώς, μας λείπει κάτι", λέειΚαθηγητής Lekun. - «Ένα παιδί μπορεί να αναπτύξει την κατανόηση του πώς να μοιάζουν με ενήλικα ελέφαντες και τα μικρά τους μετά από 2 δείτε όλες τις φωτογραφίες. Αν και βαθιά αλγόριθμοι μάθησης πρέπει να αναζητήσετε χιλιάδες, αν όχι εκατομμύρια εικόνες. Ένας έφηβος μπορεί να μάθει να οδηγεί ένα αυτοκίνητο με ασφάλεια, ασκούν μερικές δεκάδες ώρες, και να κατανοήσουν τον τρόπο για την αποφυγή ατυχημάτων, αλλά τα ρομπότ πρέπει να παύλα off δεκάδες εκατομμύρια ώρες. "

Πώς να διδάξετε το AI στη λογική

Η απάντηση, σύμφωνα με τον καθηγητή Lekun, είναι ναμια υποτιμημένη υποκατηγορία βαθιάς μάθησης, που είναι γνωστή ως μη επιτηρούμενη μάθηση. Όταν οι αλγόριθμοι που βασίζονται στην επίβλεψη και τη βελτιωμένη μάθηση διδάσκουν τον ΑΙ να επιτύχει το στόχο μέσω της εισαγωγής δεδομένων από το εξωτερικό, οι ανεξέλεγκτες μέθοδοι συμπεριφοράς αναπτύσσουν οι ίδιες. Με απλά λόγια, υπάρχουν δύο τρόποι να διδάξετε ένα ρομπότ να περπατήσει: το πρώτο είναι να εισέλθει στο σύστημα όλες τις παραμέτρους που βασίζονται στη δομή του ρομπότ. Το δεύτερο είναι να "εξηγήσει" τις αρχές του τι είναι το περπάτημα και να κάνει το ρομπότ να μάθει ανεξάρτητα. Ταυτόχρονα, η συντριπτική πλειονότητα των υπαρχόντων αλγορίθμων λειτουργεί κατά μήκος της πρώτης διαδρομής. Ο Yang Lekun πιστεύει ότι η έμφαση πρέπει να στραφεί προς τη δεύτερη μέθοδο.

"Οι ερευνητές θα πρέπει να ξεκινήσουν με τη μάθησηαλγόριθμοι πρόβλεψης. Για παράδειγμα, για να διδάξετε νευρωνικά δίκτυα να προβλέψουν το δεύτερο μισό του βίντεο, βλέποντας μόνο το πρώτο. Ναι, σε αυτή την περίπτωση τα λάθη είναι αναπόφευκτα, αλλά με αυτόν τον τρόπο διδάσκουμε τον συλλογισμό του ΑΙ, διευρύνοντας τις δυνατότητες εφαρμογής του. Επιστρέφοντας στο παράδειγμα ενός παιδιού και ενός φορτηγού παιχνιδιών: έχουμε δύο πιθανά αποτελέσματα - το φορτηγό θα πέσει ή θα παγώσει. "Πετάξτε" άλλα εκατό τέτοια παραδείγματα σε νευρικά δίκτυα και μαθαίνουν πώς να χτίζουν λογικές διασυνδέσεις και τελικά να μάθουν πώς να λογοθετούν. "

Μπορείτε να συζητήσετε αυτό και άλλα νέα στη συνομιλία μας στο Telegrams.