מתי תדע הבינה המלאכותית להיגיון?

כל יום המערכות המתקדמות ביותרבינה מלאכותית הופכים חכמים יותר וחכמים יותר, צוברים ידע ומיומנויות חדשים. AI כבר מסוגל להיות טוב יותר בתחומים רבים מאשר בני אדם. אבל מאחורי כל "העליונות" הזאת יש רק שורות של קוד ואלגוריתמים מוגדרים היטב שאינם מאפשרים לתוכנית להיות "חופשית במחשבותיהם". במילים אחרות, מכונה אינה יכולה לעשות דברים שאינם משולבים בה. AI יכול לבוא למסקנה הגיונית, אבל לא יכול סיבה על נושא נתון. ונראה שזה ישתנה בקרוב.

איך אנשים מכירים את העולם

אנחנו, כמו כל האורגניזמים הרציונליים, נלמד עליהםהתקן של העולם בהדרגה. תארו לעצמכם תינוק בן שנה לראות משאית צעצוע נוסעת מהרציף ותולה באוויר. מבחינתו, זה לא יהיה שום דבר יוצא דופן. אבל לעשות את אותו הניסוי רק חודשיים או שלושה מאוחר יותר, ואת האיש הקטן מיד מבינים שמשהו לא בסדר. אחרי הכל, הוא כבר יודע איך עובד כוח הכבידה.

"אף אחד לא אומר לילד שחפצים צריכיםליפול ", אומר יאן לקון, ראש פייסבוק לקראת פיתוח בינה מלאכותית ופרופסור באוניברסיטת ניו יורק. - "הרבה ממה שילדים לומדים על העולם, הם לומדים באמצעות תצפית".

ו, לא משנה כמה זה פשוט נשמע, זה גישה זו יכולה לעזור מפתחי AI ליצור גרסאות מתקדמות יותר של בינה מלאכותית.

למה זה כל כך קשה ללמד את AI סיבה

למידה עמוקה המכונה (כלומר, בערךמדבר, רכישת מיומנויות מסוימות באמצעות ניסוי וטעייה היום מאפשר AI להשיג הצלחה עצומה. אבל הכי חשוב, אינטליגנציה מלאכותית היא עדיין לא מסוגלת לעשות. אין הוא יכול להסיק ולהסיק מסקנות על סמך ניתוח המציאות האובייקטיבית שבה הוא קיים. במילים אחרות, המכונות לא ממש מבינות את העולם הסובב אותן, מה שהופך אותן לאינטראקטיביות עם זה.

זה מעניין: האם בינה מלאכותית יכולה להכות אדם פוקר?

אחת הדרכים לשפר את AI יכול להיות סוג של "זיכרון משותף", אשר יסייע המכונות לקבל מידע על העולם סביבם בהדרגה ללמוד אותו. אבל זה לא פותר את כל הבעיות.

"ברור שאנחנו מפספסים משהו", אומרפרופסור לקון. "ילד יכול לפתח הבנה של איך פילים בוגרים והתינוקות שלהם דואגים לראות רק 2 תמונות. בעוד אלגוריתמים למידה עמוקה צריך להסתכל על אלפי, אם לא מיליוני תמונות. נער יכול ללמוד לנהוג בבטחה, להתאמן כמה עשרות שעות ולהבין איך להימנע מתאונות, אבל רובוטים צריכים לגלגל עשרות מיליוני שעות ".

איך ללמד AI סיבה

התשובה, לדברי פרופ 'לקון, היאתת-הקטגוריה הנמוכה ביותר של הלמידה העמוקה, הידועה כלמידה ללא השגחה. כאשר אלגוריתמים המבוססים על למידה מבוקרת ומשופרת מלמדים את AI כדי להגיע למטרה באמצעות הזנת נתונים מבחוץ, דפוסי ההתנהגות ללא השגחה בעצמם. במילים פשוטות, יש 2 דרכים ללמד רובוט ללכת: הראשון הוא להיכנס למערכת כל הפרמטרים על בסיס המבנה של הרובוט. השני הוא "להסביר" את העקרונות של מה הליכה היא להפוך את הרובוט ללמוד באופן עצמאי. יחד עם זאת, הרוב המכריע של האלגוריתמים הקיימים לעבוד לאורך הנתיב הראשון. יאנג לקון סבור שיש לשים דגש על השיטה השנייה.

"החוקרים צריכים להתחיל ללמודאלגוריתמים חיזוי. לדוגמה, כדי ללמד רשתות עצביות לחזות את המחצית השנייה של הסרטון, לראות רק את הראשון. כן, במקרה זה טעויות הן בלתי נמנעות, אבל בדרך זו אנו מלמדים את החשיבה AI, להרחיב את האפשרויות של היישום שלה. חזרה לדוגמה של ילד ומשאית צעצוע: יש לנו 2 תוצאות אפשריות - המשאית תיפול או להקפיא. "לזרוק" עוד מאות דוגמאות כאלה לרשתות עצביות והם לומדים איך לבנות חיבורים לוגיים ובסופו של דבר ללמוד איך לחשוב. "

אתה יכול לדון זה וחדשות אחרות שלנו צ 'אט ב מברקים.