Hver dag blir de mest avanserte systemene for kunstig intelligens smartere og smartere og får ny kunnskap og ferdigheter. AI er allerede i stand til å være bedre enn mennesker på mange områder. Men bak all denne "overlegenheten" er det bare kodelinjer og veldefinerte algoritmer som ikke lar programmet være "fritt i tankene." Med andre ord, en maskin kan ikke gjøre det som ikke er innebygd i den. AI kan komme til logiske konklusjoner, men den vet ikke hvordan man resonnerer om et gitt emne. Og det ser ut som dette er i ferd med å endre seg.
Hvordan folk lærer om verden rundt seg
Vi, som alle intelligente organismer, lærer gradvis strukturen i verden rundt oss. Se for deg at en ett år gammel baby ser en leketøybil trekke av en plattform og henge i luften. Dette vil ikke være uvanlig for ham. Men gjør det samme eksperimentet bare to eller tre måneder senere, og den lille personen vil umiddelbart innse at noe er galt. Tross alt vet han allerede hvordan tyngdekraften fungerer.
Og så enkelt som det høres ut, kan denne tilnærmingen hjelpe AI-utviklere med å lage mer avanserte versjoner av kunstig intelligens.
Salgsfremmende video:
Hvorfor er det så vanskelig å lære AI å resonnere
Dyp maskinlæring (det vil si grovt sett, å lære seg visse ferdigheter gjennom prøving og feiling) i dag lar AI oppnå enorm suksess. Men det viktigste er fremdeles ikke i stand til å gjøre kunstig intelligens. Han kan ikke resonnere og trekke konklusjoner basert på analysen av den objektive virkeligheten han eksisterer i. Med andre ord forstår maskiner ikke verden rundt dem, noe som gjør at de ikke kan samhandle med den.
En av måtene å forbedre AI kan være en slags "delt minne", som vil hjelpe maskiner til å motta informasjon om verden rundt og gradvis studere den. Men det løser ikke alle problemene.
Hvordan lære AI å resonnere
Svaret, ifølge professor Lecun, ligger i en undervurdert underkategori av dyp læring kjent som uovervåket læring. Når algoritmer basert på veiledet og forsterket læring lærer AI å oppnå et mål gjennom eksterne innspill, utvikler de uovervåkte atferdsmønstrene på egen hånd. Enkelt sagt er det to måter å lære en robot å gå: den første er å gå inn i systemet alle parametere basert på strukturen til roboten. Det andre er å "forklare" prinsippene for hva gåing er og få roboten til å lære på egen hånd. Dessuten fungerer det overveldende flertallet av eksisterende algoritmer nøyaktig langs den første banen. Yang Lecun mener at vektleggingen bør forskyves mot den andre veien.
Vladimir Kuznetsov
