Hibrīda mākslīgā intelekta modelis ļauj prātot par pasaules fiziku kā bērnam

Kategorija: Mākslīgais intelekts Ievietots 06. marts

Jauna datu kopa atklāj, cik slikti AI prot spriest, un liek domāt, ka jauna hibrīda pieeja varētu būt labākais ceļš uz priekšu.

Jautājumi, jautājumi: Pazīstams kā CLEVRER, datu kopu sastāv no 20 000 īsu sintētisku videoklipu un vairāk nekā 300 000 jautājumu un atbilžu pāru, kas pamato videoklipos redzamos notikumus. Katrs video parāda vienkāršu rotaļlietu objektu pasauli, kas saduras viens ar otru, sekojot simulētai fizikai. Vienā sarkana gumijas bumbiņa ietriecas zilā gumijas cilindrā, kas turpina trāpīt pret metāla cilindru.

Jautājumi ir iedalīti četrās kategorijās: aprakstoši (piemēram, kāda ir objekta forma, kas saduras ar ciāna cilindru?), skaidrojošie (Kas ir atbildīgs par pelēkā cilindra sadursmi ar kubu?), paredzošais (kurš notikums notiks tālāk?) , un hipotētisks (kurš notikums nenotiks bez pelēkā objekta?). Jautājumi atspoguļo daudzus jēdzienus, ko bērni apgūst agri, pētot savu apkārtni. Taču pēdējās trīs kategorijas, uz kurām īpaši ir vajadzīgs cēloņsakarības pamatojums, bieži vien traucē padziļinātās mācīšanās sistēmas.

Neveiksme: Datu kopa, ko izveidojuši Hārvardas, DeepMind un MIT-IBM Watson AI Lab pētnieki, ir paredzēts, lai palīdzētu novērtēt, cik labi AI sistēmas var pamatot. Kad pētnieki pārbaudīts vairāki jaunākie datorredzes un dabiskās valodas modeļi ar datu kopu, viņi atklāja, ka visi no tiem labi risina aprakstošos jautājumus, bet slikti ar citiem.

Vecā un jaunā sajaukšana: Pēc tam komanda izmēģināja jaunu AI sistēmu, kas apvieno gan dziļu mācīšanos, gan simbolisko loģiku. Simboliskās sistēmas agrāk bija populāras aptumšota ar mašīnmācību 80. gadu beigās. Taču abām pieejām ir savas stiprās puses: dziļa mācīšanās izceļas ar mērogojamību un modeļu atpazīšanu; simboliskās sistēmas ir labākas abstrakcijā un argumentācijā.

Saliktā sistēma, kas pazīstama kā neirosimboliskais modelis, izmanto abus: tā izmanto neironu tīklu, lai atpazītu objektu krāsas, formas un materiālus, un simbolisko sistēmu, lai izprastu to kustību fiziku un cēloņsakarības starp tiem. Tas pārspēja esošos modeļus visās jautājumu kategorijās.

Kāpēc tas ir svarīgi: Būdami bērni, mēs mācāmies novērot apkārtējo pasauli, secināt, kāpēc lietas notika, un prognozēt, kas notiks tālāk. Šīs prognozes palīdz mums pieņemt labākus lēmumus, orientēties vidē un saglabāt drošību. Šāda veida cēloņsakarības izpratnes atkārtošana mašīnās nodrošinās tās, lai tās varētu mijiedarboties ar pasauli saprātīgākā veidā.