I fjor slo den kunstige intelligensen AlphaGo verdensmesteren i spillet for første gang. Denne seieren var enestående og uventet gitt det kinesiske brettspillets store vanskeligheter. Selv om AlphaGos seier definitivt var imponerende, regnes denne AI, som har slått andre mester i Go siden den gang, fortsatt som en "smal" type AI - en som bare kan overgå mennesker i et begrenset arbeidsfelt.
Så selv om vi neppe vil kunne slå en datamaskin i Go eller sjakk uten å ty til hjelp fra en annen datamaskin, kan vi heller ikke stole på dem for rutineoppgaver. AI vil ikke lage deg te eller planlegge MOT til bilen din.
I motsetning til dette blir AI ofte fremstilt i science fiction som "generell" kunstig intelligens. Det vil si kunstig intelligens med samme nivå og variasjon som et menneske. Selv om vi allerede har forskjellige typer kunstig intelligens som kan gjøre alt fra å diagnostisere sykdommer til å kjøre bilene våre, har vi ennå ikke klart å finne ut hvordan vi kan integrere dem på et mer generelt nivå.
Forrige uke presenterte DeepMind-forskere flere artikler som hevder å legge grunnlaget for generell kunstig intelligens. Selv om det ikke er noen konklusjoner ennå, er de første resultatene oppmuntrende: På noen områder har AI allerede overgått mennesker med evner.
Begge DeepMinds arbeid fokuserer på relativ resonnement, en kritisk kognitiv evne som lar mennesker sammenligne mellom forskjellige objekter eller ideer. For å sammenligne hvilket objekt som er større eller mindre, som er til venstre og hvilket som er til høyre. Folk bruker relativt (eller relasjonelt) resonnement hver gang de prøver å løse et problem, men forskere har ennå ikke funnet ut hvordan de skal gi AI denne villedende enkle evnen.
DeepMind-forskere har valgt to forskjellige ruter. Noen trente et nevralt nettverk - en type AI-arkitektur modellert etter en menneskelig hjerne - ved å bruke en database med enkle, statiske 3D-objekter kalt CLEVR. Et annet nevralt nettverk ble lært å forstå hvordan et todimensjonalt objekt endrer seg over tid.
I CLEVR ble et nevralt nettverk representert av et sett med enkle design som pyramider, terninger og kuler. Forskere spurte deretter spørsmål om kunstig intelligens på naturlig språk, for eksempel "er en kube laget av samme materiale som en sylinder?" Utrolig nok kunne nevrale nettverk estimere de relasjonelle attributtene til CLEVR i 95,5% av tilfellene, og overgå til og med et menneske med 92,6% nøyaktighet i denne parameteren.
I den andre testen opprettet forskere av DeepMind et nevralt nevralt nettverk (VIN) som ble opplært til å forutsi fremtidens tilstander for et objekt på video, avhengig av tidligere bevegelser. For å gjøre dette matet forskerne først VIN-en tre påfølgende videorammer, som nettverket oversatte til kode. I denne koden var det en liste over vektorer - hastigheten eller plasseringen til et objekt - for hvert objekt i rammen. VIN-en ble deretter matet en sekvens av andre koder, som kombinerte for å forutsi koden for neste ramme.
Salgsfremmende video:
For å trene VIN brukte forskere fem forskjellige typer fysikksystemer, der 2D-objekter beveget seg mot bakgrunnen til "naturbilder" og kolliderte med forskjellige krefter. I et fysisk system samhandlet for eksempel de simulerte objektene med hverandre i samsvar med Newtons gravitasjonslov. I et annet ble et nevralt nettverk presentert med biljard og laget for å forutsi ballens fremtidige plassering. I følge forskere klarte VIN-nettverket å lykkes med å forutsi atferden til objekter i videoen.
Dette arbeidet representerer et viktig skritt mot generell AI, men det er fortsatt mye arbeid som må gjøres før kunstig intelligens kan overta verden. Og dessuten innebærer ikke overmenneskelig ytelse overmenneskelig intelligens.
Ikke ennå, uansett.
ILYA KHEL
