211service.com
Šis AI algoritms apgūst vienkāršus uzdevumus tikpat ātri kā mēs
Iedvesmojoties no tā, kā šķiet, ka cilvēki mācās, zinātnieki ir izveidojuši AI programmatūru, kas spēj iegūt jaunas zināšanas daudz efektīvākā un izsmalcinātāk.
1. attēls. Cilvēki var apgūt bagātīgus jēdzienus no ierobežotiem datiem. (A un B) Viens jaunas koncepcijas piemērs (sarkanās kastes) var būt pietiekama informācija, lai atbalstītu (i) jaunu piemēru klasifikāciju, (ii) jaunu piemēru ģenerēšanu, (iii) objekta parsēšanu daļās un attiecībās ( daļas, kas segmentētas pēc krāsas), un (iv) jaunu jēdzienu ģenerēšana no saistītiem jēdzieniem.
Jaunā AI programma var atpazīt ar roku rakstītu rakstzīmi tikpat precīzi, cik to spēj cilvēks, redzot tikai vienu piemēru. Labākajiem esošajiem mašīnmācīšanās algoritmiem, kas izmanto paņēmienu, ko sauc par dziļo mācīšanos, ir jāredz daudzi tūkstoši ar roku rakstītu rakstzīmju piemēru, lai uzzinātu atšķirību starp A un Z.
Programmatūru izstrādāja Brendenas ezers , Ņujorkas universitātes pētnieks kopā ar Ruslans Salahutdinovs , Toronto Universitātes datorzinātņu docents un Džošua Tenenbaums MIT Smadzeņu un kognitīvo zinātņu katedras profesors. Sīkāka informācija par programmu un tās idejas tiek publicētas šodien žurnālā Zinātne.
Datori pēdējos gados ir kļuvuši daudz gudrāki, cita starpā iemācoties atpazīt sejas, saprast runu un pat droši vadīt automašīnas. Un lielākā daļa progresa ir gūti, izmantojot lielus vai dziļus neironu tīklus. Taču šīm sistēmām ir būtisks trūkums: tām ir nepieciešams milzums datu, lai iemācītos veikt pat visvienkāršāko uzdevumu.
Šis ierobežojums lielā mērā ir saistīts ar faktu, ka algoritmi neapstrādā informāciju tā, kā mēs to darām. Lai gan dziļā mācīšanās ir veidota pēc virtuālā neironu tīkla, un šī pieeja ir radījusi ļoti iespaidīgus rezultātus uztveres uzdevumos, tā ir ļoti aptuvena smadzeņu darbības veida imitācija. Padziļinātas mācīšanās algoritms attēla pikseļus saista ar noteiktu rakstzīmi. Smadzenes var apstrādāt dažus vizuālos stimulus līdzīgā veidā, taču cilvēki izmanto arī augstākas kognitīvās funkcijas, lai interpretētu attēla saturu.
Pētnieki izmantoja paņēmienu, ko viņi sauc par Beijesa programmas mācību sistēmu vai BPL. Būtībā programmatūra ģenerē unikālu programmu katram varonim, izmantojot iedomātas pildspalvas vēzienus. Pēc tam tiek izmantots varbūtības programmēšanas paņēmiens, lai saskaņotu programmu ar noteiktu rakstzīmi vai ģenerētu jaunu programmu nepazīstamam. Programmatūra neatdarina veidu, kā bērni apgūst spēju lasīt un rakstīt, bet gan to, kā pieaugušie, kuri jau zina, kā iemācīties atpazīt un no jauna radīt jaunas rakstzīmes.
Galvenais varbūtības programmēšanā — un tas diezgan atšķiras no tā, kā darbojas lielākā daļa padziļināto mācību vielu — ir tā, ka tā sākas ar programmu, kas apraksta cēloņsakarības procesus pasaulē, saka Tenenbaums. Tas, ko mēs cenšamies uzzināt, nav funkciju paraksts vai funkciju modelis. Mēs cenšamies apgūt programmu, kas ģenerē šīs rakstzīmes.
Tenenbaums un kolēģi pārbaudīja šo pieeju, liekot gan cilvēkiem, gan programmatūrai uzzīmēt jaunas rakstzīmes pēc viena ar roku rakstīta piemēra un pēc tam lūdzot cilvēku grupai spriest, vai rakstzīmi ir uzrakstījusi persona vai mašīna. Viņi atklāja, ka mazāk nekā 25 procenti tiesnešu spēja pateikt atšķirību.
Komanda saka, ka šo paņēmienu varētu attiecināt uz praktiskākiem pielietojumiem. Piemēram, tas var ļaut datoriem ātri iemācīties atpazīt un izmantot jaunus vārdus runātajā valodā. Vai arī tas varētu ļaut datoram atpazīt jaunus konkrēta objekta gadījumus. Vispārīgāk, šī pieeja norāda uz svarīgu jaunu virzienu mākslīgajā intelektā, jo pētnieki smeļas iedvesmu no pētījumiem par cilvēka izziņu.
Džefrijs Hintons , Toronto Universitātes psiholoģijas profesors, kuram bija galvenā loma dziļas mācīšanās attīstībā, saka, ka darbs ir svarīgs solis šajā jomā. Viņš saka, ka tas ir skaists papīrs un ļoti iespaidīgs piemērs tam, kā mācīties no daudziem piemēriem.
Hintons, kurš bija arī viena no darba autora Salakhutdinova doktora padomnieks, saka, ka AI pētnieki var mācīties daudzas noderīgas lietas gan no neirozinātnes, gan kognitīvās zinātnes. Viņš arī norāda, ka tādas pieejas kā rokraksta atpazīšanai izstrādātā pieeja var būt saderīgas ar dziļu mācīšanos. Es domāju, ka jūs varat iegūt labāko no abām pasaulēm, viņš saka.
Gerijs Markuss , Ņujorkas universitātes kognitīvais zinātnieks un uzņēmuma Geometric Intelligence līdzdibinātājs, kas arī izstrādā mašīnmācības pieejas, kuru pamatā ir cilvēka uzvedība, saka, ka viņš pilnībā nepiekrīt, ka cilvēka prāts darbojas tā, kā aprakstīts Zinātne papīrs. Taču viņš uzskata, ka šī pieeja parāda svarīgu AI mērķi, jo daudzās situācijās mašīnai nav milzīgu datu apjomu, no kā mācīties.
Problēma ar dominējošo paradigmu ir tāda, ka tas ir ļoti, ļoti izsalcis datu, saka Markuss. Tas ir pierādījums, ka varat mācīties ātrāk. Un es domāju, ka par to cilvēki daudz domās.
Markuss piebilst, ka valoda varētu būt slepkava šādām sistēmām. Daudzi padziļināti izglītojoši pētnieki jau strādā pie šī izaicinājuma (skatiet Mācīšanas mašīnas, lai mūs saprastu), taču Markuss uzskata, ka mašīnām būs jāmācās efektīvāk un elastīgāk, lai to pārvarētu. Viņš saka, ka īstais mākslīgā intelekta pagrieziena punkts būs tad, kad mašīnas patiešām varēs saprast valodu. Ne tikai veic viduvējus tulkojumus, bet arī saprot, ko tu domā.