211service.com
Kas notiek, ja AI piešķirat darba atmiņu?
Jauna veida dators, ko izstrādājuši Google DeepMind pētnieki Apvienotajā Karalistē, varētu paplašināt mūsdienu labāko AI sistēmu iespējas, piešķirot tām svarīgu jaunu funkciju — sava veida darba atmiņu.
Pētnieki parāda, ka dators, kas sastāv no liela neironu tīkla, kas savienots ar unikālu atmiņas veidu, var veikt salīdzinoši sarežģītus uzdevumus, pats izdomājot, kādu informāciju glabāt savā atmiņā. Uzdevumos ietilpst izdomāt labāko veidu, kā nokļūt no vienas stacijas uz otru Londonas spageti līdzīgajā metro tranzīta tīklā, pēc tam, kad ir izpētītas cita veida tīklu diagrammas un uzzinātas par vissvarīgākajām funkcijām.
Google DeepMind pētnieki savu sistēmu sauc par diferencējamu neironu datoru. Tas ir atšķirīgs tādā nozīmē, ka tā uzvedību, tostarp to, ko saglabāt atmiņā, var apgūt, izmantojot matemātisko procesu, ko sauc par atpakaļejošu pavairošanu, kas ir neironu tīklu darbības pamatā. Tā kā tīkls ir apmācīts ar datiem, tas automātiski saglabās daļu informācijas atmiņas matricā.
Tāpat kā parasts dators, tas var izmantot savu atmiņu, lai attēlotu un apstrādātu sarežģītas datu struktūras, bet, tāpat kā neironu tīkls, tas var iemācīties to darīt no datiem, raksta autori, tostarp Alekss Greivss, Gregs Veins un Demiss Hasabiss. papīrs, kas šodien publicēts žurnālā Daba .
Virzība ir solis ceļā uz mākslīgo intelektu, kas pēc savām spējām ir nedaudz līdzīgāks cilvēkam. Lai gan tehnika pagaidām ir ierobežota, šādā veidā izveidotās sistēmas kādreiz varētu veikt noderīgu darbu, saka Ruslans Salahutdinovs , CMU asociētais profesors, kurš specializējas mašīnmācībā un AI. Piemēram, uzlabotā versija var pārmeklēt Vikipēdiju un noskaidrot, kādus nozīmīgus jēdzienus, piemēram, vārdus, vietas un datumus, saglabāt atmiņā. Vai arī tas var ļaut robotam izmantot vienā iestatījumā iegūto informāciju pilnīgi jaunā. Tas ir ļoti aizraujošs darbs, saka Salahutdinovs.
Jaunākās mašīnmācīšanās sistēmas lieliski spēj veikt noteiktus uzdevumus, piemēram, seju atpazīšanu attēlos vai izrunātos vārdos. Un ar praksi viņi var iemācīties veikt sarežģītus uzdevumus, piemēram, spēlēt datorspēles līdz eksperta līmenim. Bet viņiem ir nepieciešams milzīgs daudzums specifisku datu apmācībai, un atšķirībā no cilvēka viņi nevar saglabāt lielu daļu no apgūtā atmiņā, lai tos izmantotu vēlāk. Tas rada problēmas daudzās jomās, tostarp valodā (skatiet AI valodas problēmu).
Salakhutdinovs tomēr atzīmē, ka šāda diferencējama neironu datora sarežģītība varētu būt sarežģīta. Tas ir tāpēc, ka, lai piekļūtu tās atmiņai, tai ir jāveic sarežģīts aprēķins, vaicājot katru saglabāto gabalu. Viņš saka, ka ir ļoti grūti panākt, lai šīs lietas darbotos. Palielināšana var būt nedaudz problemātiska.
Interesanti, ka darbs satuvina divas AI jomas, kuras jau sen ir savstarpēji nesaskaņas. Agrīnais darbs mākslīgā intelekta jomā ietvēra programmēšanas mašīnas, lai simboliski attēlotu informāciju, savukārt pašreizējā modē ir izmantot ļoti lielus neironu tīklus, kas apmāca sevi veikt uzdevumus. Jau ilgu laiku daži MI tradicionālisti un kognitīvie zinātnieki ir apšaubījuši, vai neironu tīkli var darīt to, ko dara cilvēki, neiegūstot dziļāku spēju simboliski attēlot informāciju.
Mani visvairāk iespaido tīkla spēja mācīties “algoritmus” no piemēriem, saka Brendenas ezers , Ņujorkas universitātes kognitīvais zinātnieks, kurš pēta veidus, kā padarīt datorus atdarinātus cilvēka intelektam. Tas varētu paplašināt dziļās mācīšanās lietderību. Algoritmi, piemēram, šķirošana vai īsāko ceļu atrašana, ir klasiskās datorzinātnes maize un sviests. To izstrādei un ieviešanai tradicionāli ir nepieciešams programmētājs.
Bet Leiks norāda, ka sistēma joprojām nav gluži cilvēkiem līdzīga savā darbībā. Viņš saka, ka cilvēki var uzņemties jaunu uzdevumu no ierobežotas pieredzes, it īpaši, ja viņi ir pazīstami ar domēnu. Turpretim diferenciālais neironu dators ir apmācīts desmitiem vai simtiem tūkstošu katra uzdevuma piemēru. Es domāju, ka cilvēka spēja ātri apgūt jaunus uzdevumus būs viens no nākamajiem lielākajiem AI izaicinājumiem.