211service.com
Divas konkurējošas AI pieejas apvieno, lai ļautu mašīnām uzzināt par pasauli kā bērnam
Foto no NEIROSIMBOLISKĀS JĒDZIENAS MĀCĪTĀJS: SITU, VĀRDU UN TEIKUMU INTERPRETĒŠANA NO DABISKAS UZRAUDZĪBAS; Rediģējis MIT Technology Review
Vairāku gadu desmitu laikā kopš mākslīgā intelekta izveides pētījumi šajā jomā ir iedalījušies divās galvenajās nometnēs. Simbolisti ir centušies izveidot inteliģentas mašīnas, iekodējot loģiskos noteikumos un pasaules attēlojumus. Konnekcionisti ir mēģinājuši izveidot mākslīgus neironu tīklus, iedvesmojoties no bioloģijas, lai uzzinātu par pasauli. Abas grupas vēsturiski nav sapratušās.
Bet a jauns papīrs no MIT, IBM un DeepMind parāda abu pieeju apvienošanas spēku, iespējams, norādot virzību uz priekšu šajā jomā. Komanda, kuru vadīja Džošs Tenenbaums , MIT profesors Smadzeņu, prātu un mašīnu centrs , izveidoja datorprogrammu, ko sauc par neirosimbolisko jēdzienu apguvēju (NS-CL), kas apgūst pasauli (kaut arī vienkāršotu versiju) tāpat kā bērns — skatoties apkārt un runājot.
Sistēma sastāv no vairākām daļām. Viens neironu tīkls tiek apmācīts virknē ainu, ko veido neliels skaits objektu. Cits neironu tīkls ir apmācīts, izmantojot virkni uz tekstu balstītu jautājumu-atbilžu pāru par ainu, piemēram, J: Kāda ir sfēras krāsa? A: Sarkans. Šis tīkls iemācās kartēt dabiskās valodas jautājumus ar vienkāršu programmu, kuru var palaist uz skatuves, lai iegūtu atbildi.
NS-CL sistēma ir arī ieprogrammēta, lai saprastu simboliskus jēdzienus tekstā, piemēram, objektus, objektu atribūtus un telpiskās attiecības. Šīs zināšanas palīdz NS-CL atbildēt uz jauniem jautājumiem par atšķirīgu ainu — tas ir varoņdarbs, kas ir daudz grūtāks, izmantojot tikai konnekcionistisku pieeju. Tādējādi sistēma atpazīst jēdzienus jaunos jautājumos un var tos vizuāli saistīt ar ainu pirms tās.
'Šī ir aizraujoša pieeja,' saka Brendenas ezers , NYU docents. 'Neironu modeļu atpazīšana ļauj sistēmai skat , savukārt simboliskās programmas ļauj sistēmai iemesls . Kopā šī pieeja pārsniedz to, ko spēj pašreizējās dziļās mācīšanās sistēmas.
Citiem vārdiem sakot, hibrīda sistēma risina abu iepriekšējo pieeju galvenos ierobežojumus, tos apvienojot. Tas pārvar simbolisma mērogojamības problēmas, kas vēsturiski ir cīnījušās, lai efektīvi iekodētu cilvēka zināšanu sarežģītību. Taču tas risina arī vienu no visizplatītākajām neironu tīklu problēmām: to, ka tiem ir nepieciešams milzīgs datu apjoms.
Ir iespējams apmācīt tikai neironu tīklu, lai atbildētu uz jautājumiem par ainu, ievadot miljoniem piemēru kā apmācības datus. Taču cilvēkbērnam nav nepieciešams tik liels datu apjoms, lai saprastu, kas ir jauns objekts vai kā tas ir saistīts ar citiem objektiem. Turklāt šādā veidā apmācītam tīklam nav īstas izpratnes par iesaistītajiem jēdzieniem — tas ir tikai plašs modeļu saskaņošanas vingrinājums. Tātad šāda sistēma varētu pieļaut ļoti muļķīgas kļūdas, saskaroties ar jauniem scenārijiem. Tā ir izplatīta problēma mūsdienu neironu tīklos, un tās pamatā ir viegli atklāti trūkumi (skatiet AI valodas problēmu).
Konekcionisma piekritēji var iebilst pret to, ka sistēmai ir vajadzīgas zināmas zināšanas, lai tās būtu stingri iekodētas. Taču darbs ir svarīgs, jo tas mūs virza tuvāk tāda veida inteliģences izstrādei, kas vairāk šķiet mūsu pašu. Kognitīvie zinātnieki uzskata, ka cilvēka prāts iet cauri dažiem līdzīgiem soļiem un ka tas ir cilvēka mācīšanās elastības pamatā.
Praktiskāk tas varētu arī atbloķēt jaunas AI lietojumprogrammas, jo jaunajai tehnoloģijai ir nepieciešams daudz mazāk apmācības datu. Piemēram, robotu sistēmas beidzot varētu mācīties lidojumā, nevis pavadīt daudz laika, lai apmācītu katru unikālo vidi, kurā tie atrodas.
Tas ir patiešām aizraujoši, jo tādējādi mēs pārvarēsim šo atkarību no milzīga apjoma marķētu datu, saka Deivids Kokss , zinātnieks, kurš vada MIT-IBM Watson AI laboratoriju.
Pētījuma pētnieki tagad izstrādā versiju, kas darbojas uz reālu ainu fotogrāfijām. Tas varētu izrādīties vērtīgs daudzos praktiskos datorredzes lietojumos.