211service.com
Ko roboti var mācīties no mazuļiem
Bērni ātri iemācās paredzēt, kas notiks, ja apgriezīs otrādi ar sulu pildītu krūzi. No otras puses, robotiem nav ne jausmas.
Pētnieki pie Allena Mākslīgā intelekta institūts (Ai2 ) Sietlā ir izstrādājuši datorprogrammu, kas parāda, kā mašīnas nosaka, kā kameras uzņemtie objekti, visticamāk, uzvedīsies. Tas varētu palīdzēt padarīt robotus un citas mašīnas mazāk pakļautas kļūdām, un varētu palīdzēt pašbraucošām automašīnām drošāk pārvietoties nepazīstamās ainas.
Sistēma, kuru izstrādāja Roozbeh Mottaghi un kolēģiem, izdara secinājumus par ainas fiziskajām īpašībām, izmantojot mašīnmācības un 3-D modelēšanas kombināciju. Pētnieki pārveidoja vairāk nekā 10 000 attēlu ainās, kas atveidotas vienkāršotā formātā, izmantojot 3-D fizikas dzinēju. Trīsdimensiju atveidojumus izveidoja brīvprātīgie, izmantojot Amazon Mechanical Turk pūļa pakalpojumu platformu.
Pētnieki ievadīja attēlus, kā arī to 3-D attēlus datorā, kurā darbojas liels dziļās mācīšanās neironu tīkls, kas pakāpeniski iemācījās saistīt konkrētu ainu ar noteiktiem vienkāršiem spēkiem un kustībām. Kad sistēmai tika parādīti nepazīstami attēli, tas varēja norādīt uz dažādiem spēkiem, kas varētu būt spēlē.
Tas nedarbojas nevainojami, taču visbiežāk dators izdarīs saprātīgu secinājumu. Piemēram, skavotāja attēlam, kas sēž uz galda, programma var noteikt, ka skavotājs slīd pāri rakstāmgaldam un tad pēkšņi nokrīt uz grīdas. Kafijas galdiņa un dīvāna attēlam tas zina, ka galdu var stumt pāri grīdai, līdz tas sasniedz dīvānu.
Mērķis ir apgūt fizikas dzinēja dinamiku, saka Mottagi. Jums viss ir jāizsecina, pamatojoties tikai uz redzamo attēlu.
Darbs varētu būt īpaši noderīgs robotiem, kuriem ātri jāinterpretē aina un pēc tam jādarbojas tajā. Pat robotam, kas aprīkots ar 3-D skeneri, bieži būtu jāizsecina uztveramās ainas fizika. Un būtu nepraktiski, ja robots visu iemācītos, izmantojot izmēģinājumus un kļūdas. Datu vākšana šim nolūkam ir ļoti sarežģīta, saka Mottagi. Ja es vedu savu robotu uz veikalu, tas nevar stumt objektus un vākt datus; tas būtu ļoti dārgi.
Šī programma ir daļa no lielākas pūles, ko sauc Projekts Platons , kuras mērķis ir aprīkot mašīnas ar vizuālo intelektu, kas pārsniedz vienkāršu objektu atpazīšanu un kategorizēšanu. Saistīts projekts, kas arī ir daļa no Project Plato, ļauj datoram atpazīt fizisku spēku, kas jau darbojas: piemēram, kā slēpotājs virzīsies lejā no kalna vai kā sperta futbola bumba lidotu pa gaisu.
Pēdējos gados datori ir kļuvuši daudz labāki attēlu parsēšanā, pateicoties dziļās mācīšanās progresam, jaudīgākai aparatūrai un lielām marķētu attēlu datu kopām. Pēc daudziem piemēriem datori tagad var aprakstīt vai atbildēt uz jautājumiem par ainu (skatiet Google smadzeņu iedvesmas programmatūru apraksta to, ko tā redz sarežģītos attēlos, un Facebook lietotne var atbildēt uz pamatjautājumiem par fotoattēlu saturu ). Bet tas liecina par ļoti virspusēju izpratni par to, kas notiek attēlā. Lai iegūtu dziļāku izpratni, datoram ir jāsaprot, kā darbojas fiziskā pasaule.
Brendenas ezers , Ņujorkas universitātes pētnieks, kurš specializējas cilvēka kognitīvo spēju modelēšanā, saka, ka Ai2 darbs ir svarīgs solis šajā virzienā.
Patiesa ainas izpratne prasa daudz vairāk nekā tikai objektu atpazīšanu, norāda Leiks. Kad cilvēki redz ainas momentuzņēmumu, viņi stāsta: kas ir objekti, kāpēc tie tur atrodas un kas notiks tālāk. Fizikas izpratne ir šī stāsta galvenā sastāvdaļa.
Tomēr, pēc Leika teiktā, cilvēka uztverē ir iesaistīts daudz vairāk argumentāciju, kas vēl kādu laiku varētu kavēt progresu robotikā un mašīnredzēšanā. Lai gan tas ir aizraujošs progress, tas vēl nekonkurē ar mūsu cilvēka spēju izprast fiziku, viņš saka. Cilvēki var saprast daudz plašāku fizisko notikumu klāstu un var precīzi paredzēt fiziskos notikumus pilnīgi jauna veida ainās.