211service.com
AI IQ didinimas
Šiandieninis dirbtinis intelektas toli gražu nėra protingas. Tačiau Joshas Tenenbaumas, 99 m. daktaras, dirba ties tuo. 2018 m. birželio 27 d
Bobas O'Connoras
Sekmadienio popietę kovo pabaigoje kognityvinis mokslininkas Joshas Tenenbaumas, 99 m. mokslų daktaras, sėdi prieš medinį stalo žaidimą, valdo magnetinį irklą ir bando įmušti nedidelį oranžinį kamuoliuką į savo varžovo vartus. Skaičiavimo pažinimo mokslų profesorius Tenenbaumas ir jo oponentas, pirmo kurso magistrantūros studentas, juokiasi, kai kamuolys atsimuša į lentos kraštą ir rikošetu atsimuša į Tenenbaumo vartus, o jam kainavo tašką.
„Tenenbaum's Building 46“ darbo vieta užpildyta žaislais – ne tik magnetinio irklo žaidimu, bet ir medžio formos dėlione bei žaidimu „Stormy Seas“, kuriame žaidėjai bando subalansuoti mažus, piratų tematikos objektus ant nestabilios platformos. Pirmokas čia būtų kaip namie. Tačiau žaislai taip pat įkvepia Tenenbaumą ir jo mokinius nagrinėti svarbius klausimus apie tai, kas daro žmones protingus – kas leidžia taip greitai mąstyti ir mokytis, o galiausiai – kas daro mus protingesnius už bet kurią dabartinę dirbtinio intelekto sistemą.
Žmogus, stebintis Tenenbaumą ir jo mokinį, mušantį kamuolį pirmyn ir atgal, greitai suprastų, kad žaidžia žaidimą. Po kelių akimirkų stebėtojas išsiaiškins taisykles ir galės dalyvauti. Tenenbaumas sako, kad būtų pakankamai sunku priversti robotą paimti daugumą dalykų ant šio stalo, jau nekalbant apie tai, kas vyksta. Jis sako, kad dirbtinis intelektas nėra pasirengęs dirbti atgal nuo tikslo ir planuoti nauju būdu. Tačiau žmonės gali tai padaryti, iš dalies kurdami protinius juos supančio pasaulio modelius. Gali būti įmanoma sukurti protingesnes mašinas, apverčiant šiuos psichinius procesus.
Nepaisant pastarojo meto ažiotažo apie dirbtinį intelektą, Tenenbaumas nemano, kad nė viena iš šių dienų AI sistemų nėra tikrai protinga. Taip, dirbtinis intelektas padarė įspūdingą pažangą, leidžiančią kompiuteriams atlikti gana siauras užduotis, pavyzdžiui, atpažinti veidus ar objektus. Tačiau nors daugelis šių tikslinių AI sistemų veikia neįtikėtinai gerai ir turi didžiulį poveikį, mokslininkams nepavyko pamėgdžioti bendro lankstaus intelekto, leidžiančio žmonėms spręsti problemas be specialaus mokymo. Jo darbai, anot jo, įkvėpti filosofijos, įskaitant Platono, Aristotelio, Kanto ir Hume'o svarstomus klausimus. Kaip pereiti nuo detalių prie bendrų dalykų? Kaip pažvelgti į vieną dalyką ir pasakyti: tai, ką aš sužinau, yra ne tik apie tą dalyką, bet ir apie kitus dalykus? Man tai įdomu – galvodamas apie šiuos didelius klausimus apie tai, kaip mes ką nors sužinome, sako jis.
Bobas O'Connoras
Tenenbaumas teigia, kad dėmesys žmogaus protui yra vertingas būdas tobulinti AI. Pasak jo, istoriškai daugelis, jei ne dauguma naujovių šioje srityje buvo įgyvendintos žmonių, besidominčių suprasti žmogaus intelektą matematiniu ar inžineriniu požiūriu. Taigi, nors tai nėra vienintelis galimas būdas, jis mano, kad jis greičiausiai bus vaisingas. Be to, daugelis technologijų, kurių tikimės iš dirbtinio intelekto, yra technologijos, kurios gyvens žmonių pasaulyje, sako jis. Tai apima mašinas, kurios gali padėti atlikti namų ruošos darbus ar net prižiūrėti vaikus ar pagyvenusius žmones, atliekant žmogiškas užduotis. Ir, anot jo, jei norime, kad mašinos sąveikautų su mumis taip, kaip mes sąveikaujame viena su kita, tam tikru mastu labai svarbu, kad jos turėtų į žmogų panašų intelektą.
Kovo mėn., kai institutas pradėjo MIT Intelligence Quest (dabar vadinamas MIT Quest for Intelligence), iniciatyvą, skirtą žmogaus intelekto pagrindams ištirti, Tenenbaumas atvirai kalbėjo apie esamų AI sistemų ribas. Pasak jo, kiekvieną turi sukurti tikrai protingi inžinieriai, ir kiekvienas daro tik vieną dalyką. Tačiau jis išplėtojo savo drąsesnę viziją, kaip sukurti dirbtinį intelektą, kad būtų galima imituoti žmogaus mokymąsi. Įsivaizduokite, jei galėtume sukurti mašiną, kuri išaugtų į intelektą, kaip tai daro žmogus, kuri pradeda kaip kūdikis ir mokosi kaip vaikas, sakė jis. Tai būtų DI, kuris yra tikrai protingas, jei galėtume jį sukurti. Jis pridūrė, kad tai beveik neabejotinai negalėtų būti padaryta per 10 metų, tikriausiai ne per 20, o galbūt net ne per mūsų gyvenimą. Bet tai gerai, sakė jis. Štai kodėl mes tai vadiname ieškojimu.
Intuityvi fizika
Šiame didelių duomenų ir gilaus mokymosi amžiuje lengva susivilioti, sako Robertas Goldstone'as, Indianos universiteto psichologijos ir smegenų mokslo profesorius. Jis reiškia, kad kyla pagunda manyti, kad mašininio mokymosi sistemoms nereikia nuoseklių jas supančio pasaulio interpretacijų, kad jos elgtųsi protingai – kam reikalinga teorija, kai turime pakankamai duomenų? Tačiau Tenenbaumo darbas parodo teorijos svarbą, sako Goldstone'as, nes tai rodo, kad norint eiti į priekį, besimokantieji turi sukurti vidinius savo aplinkos modelius.
Apsvarstykite kasdienės fizikos sritį, kurioje žmonės demonstruoja paruoštą intuiciją. Kai matome vaiką, lipantį į medį, jaučiame, ar šakos pakankamai tvirtos, kad išlaikytų jos svorį. Kai matome puodelį, pastatytą prie stalo krašto, žinome, kad jei stalas bus stumdomas, puodelis greičiausiai nukris. Kiekvieną dieną susiduriame su įvairiais vizualiai įvairiais scenarijais, tačiau galime juos samprotauti ir priimti sprendimus. Tenenbaumas mano, kad žmonės gali mintyse imituoti fizikos mechanizmus, ir tai leidžia mums numatyti, kaip elgsis objektai.
Tikrindamas šią teoriją, Tenenbaumo tikslas yra ne tik geriau suprasti žmogaus pažinimą, bet ir sukurti kompiuterines programas, kurios galėtų veiksmingiau jį suderinti. Viename projekte jis ir jo komanda pastatė virtualių bokštų seriją su įrankiais, naudojamais kuriant vaizdo žaidimus. Jie suprojektavo kiekvieną bokštą su 10 blokų, sukrautų daugiau ar mažiau nesaugiais išdėstymais. Tada komanda pristatė žmonėms šias konstrukcijas ir paklausė, ar bokštai nukris, kaip žaidžiant Jenga. Kai tiriamasis atsakė, bokštas nukrito arba ne. Tenenbaumas teigia, kad žmonės šią užduotį sprendžia naudodami intuityvų fizikos variklį – mentalinį modelį, pagrįstą masės, trinties, gravitacijos ir kitų fizinio pasaulio aspektų supratimu.
Bobas O'Connoras
Tuo tarpu Tenenbaumas ir jo komanda taip pat parašė kompiuterinę programą, skirtą užfiksuoti žmogaus mintis ir suvokimą apie tokius fizinius scenarijus. Jų tikslas buvo, kad programa užkoduotų informaciją apie blokinį bokštą, pvz., jo padėtį ir konfigūraciją, o tada pagal šią informaciją vykdytų modeliavimą, kad būtų galima numatyti, ar bokštas nukris. Jame buvo numatytos tikimybinės prognozės, kaip, pasak jo, daro ir mūsų pačių fiziniai samprotavimai. (Jis aiškina, kad mes linkę mąstyti statistiškai apie skirtingus galimus rezultatus, nes kasdieniame pasaulyje turime grumtis su netikrumu dėl stebimų objektų.)
2013 m. paskelbtame dokumente Tenenbaum, postdoc Peter Battaglia ir Jessica Hamrick '11, MEng '12, aprašyta išbandę sistemą ir nustatę, kad jos prognozės buvo stipriai koreliuojamos su žmonių prognozėmis. Tolesniuose eksperimentuose komanda manipuliavo blokų masėmis, todėl kai kurie buvo sunkūs, o kiti - lengvi. Jie taip pat modeliavo smūgius į stalą ir paklausė, kurie blokai greičiausiai nukris ant grindų. Kiekvienu iš šių atvejų kompiuterinio modelio prognozės buvo panašios į žmonių prognozes, sako Tenenbaumas: mes galėjome modeliuoti, kokį modeliavimą kažkas gali sukurti savo galvoje.
Mokymasis mokytis
Iki šiol geriausi AI algoritmai reikalauja, kad sistemos būtų apmokytos pagal tūkstančius, o kai kuriais atvejais milijonus pavyzdžių. Tai pasakytina, pavyzdžiui, raidžių identifikavimo srityje, kuri yra standartinis mašininio mokymosi etalonas. Vis dėlto nuostabus žmogaus pažinimo aspektas yra tai, kad mums nereikia 6 000 raidžių pavyzdžių, kad sužinotume, kas tai yra ir atpažintume ją skirtingais šriftais ar skirtinga rašysena, sako Brenden Lake, 14 metų doktorantė, psichologijos ir duomenų docentas. mokslas Niujorko universitete ir buvęs Tenenbaumo absolventas.
Nuo 2009 m. Lake, Tenenbaum ir postdoc Ruslanas Salakhutdinovas (dabar Carnegie Mellon universiteto docentas ir Apple AI tyrimų direktorius) nusprendė sukurti programą, įkvėptą įžvalgų apie tai, kaip žmonės mokosi ir suvokia personažus. Nufilmavę 20 tiriamųjų, piešiančių raides iš svetimų abėcėlių, kurių anksčiau niekada nenaudojo, jie rado stiprių bendrų dalykų, kaip žmonės atliko užduotį – dalis, į kurias jie suskirstė veikėjus, jų pradinis taškas ir potėpių kryptis. Remdamiesi šiais stebėjimais, mokslininkai nusprendė sukurti rašymo ranka algoritmą, kuriame būtų atsižvelgta kaip buvo sukurtos raidės, o ne tik tai, kokie pikseliai buvo galutiniame rezultate.
Pagrindinė mintis buvo pateikti raidės sąvoką kaip a programa , kuri yra daug turtingesnė nei įprastai naudojama mašininiam mokymuisi, sako Lake. Jie taip pat padarė programą tikimybine. Jis galėtų stebėti užrašytą simbolį, padaryti išvadą, kaip jis greičiausiai buvo nupieštas (programa, skirta jo piešimui), ir tada įsivaizduoti, kaip gali būti nupiešti nauji to paties simbolio atvejai. Jis taip pat galėjo prisitaikyti prie informacijos, su kuria jis dirbo, neapibrėžtumo ir sukurti įvairius rezultatus: pavyzdžiui, kiekvienas raidės A pavyzdys buvo šiek tiek kitoks. Šis gebėjimas toleruoti neapibrėžtumą padėjo algoritmui susidoroti su realiomis situacijomis. Turint patirties, programa taip pat galėtų patobulinti naujų personažų piešimą. Dalis to, kas mus sujaudino, buvo „mokymosi mokytis“ idėja, sako Tenenbaumas. Jis aiškina, kad taip įgyjame galimybę efektyviai apibendrinti, naudojant negausius duomenis ar net vieną pavyzdį.
Straipsnyje, paskelbtame 2015 m Mokslas , komanda išbandė algoritmą parodydama vieną nepažįstamą raidę ir paprašydama sukurti naują panašų personažą. Jie pateikė tą pačią užduotį žmonėms, o tada paprašė teisėjų nustatyti, kuriuos personažus sukūrė žmonės, o kuriuos – mašinos. Stebėtina, kad didžioji dauguma teisėjų negalėjo pasakyti skirtumo. Kitaip tariant, algoritmas išlaikė paprastą, vaizdinę Turingo testo formą – klasikinį mašininio intelekto kriterijų.
Kūdikių modeliavimas
Pirmosiomis dirbtinio intelekto dienomis žmogaus mokymosi mokslas nebuvo pakankamai pažengęs, kad galėtų pasiūlyti daug patarimų. Tenenbaumas, britų matematikas laikė jas tuščiu sąsiuviniu, galėjo tik numanyti, kokios yra vaiko smegenys, bet ne, tai daug daugiau. Tenenbaumas, siekdamas suprasti žinių kilmę, taip pat bendradarbiavo tyrinėdamas mažų vaikų protus. 2008 m. jis vedė pamoką Harvarde pas garsią psichologę Elizabeth Spelke, kuri parodė, kad net maži kūdikiai turi tam tikrų žinių formų, kurios, atrodo, yra įtvirtintos. (Priešingai nei Jeano Piaget, kuris tikėjo, kad vaikai Maždaug aštuonių mėnesių išvystyti objekto pastovumą, supratimą, kad objektai ne tik mirksi ir išnyksta – Spelke parodė, kad tam tikra šio supratimo forma būdinga dviejų ar trijų mėnesių vaikams.) Spelke įtikino Tenenbaumą, kad smegenys yra sukurta siekiant sukurti tam tikras sąvokas ir kad norint visapusiškai įvertinti žmogaus intelektą, būtina modeliuoti pagrindines labai mažų vaikų žinias. Tai apima intuiciją tiek apie fiziką, tiek apie psichologiją, ypač apie mūsų gebėjimą interpretuoti kitų žmonių veiksmus atsižvelgiant į jų psichinę būseną, įsitikinimus ir tikslus.
Bobas O'Connoras
Visai neseniai Tenenbaumas ir Spelke tyrinėjo, kaip 10 mėnesių kūdikiai gali suprasti, ko nori kiti žmonės ir kiek jie vertina savo siekiamus tikslus. Norėdami tai padaryti, mokslininkai sukūrė animacijas, kuriose mėlyni, raudoni ir geltoni personažai šokinėjo per sienas arba atliko kitas fizines užduotis, kad pasiektų vienas kitą. Pavyzdžiui, raudona figūra gali peršokti per mažą sieną, kad pasiektų mėlyną figūrą, bet atsisakyti peršokti per vidutinę sieną. Tačiau ta pati figūra gali padidinti aukštą sieną, kad pasiektų geltoną atitikmenį. Tyrėjai iškėlė hipotezę, kad jei kūdikiai pamatytų, kad personažas dirba sunkiau siekdamas tikslo, jie padarytų išvadą, kad veikėjas jį vertina labiau nei alternatyvą. Iš tiesų, kai tyrėjai parodė raudoną figūrą, stovinčią tarp geltonos ir mėlynos be sienos, o paskui privertė ją pajudėti mėlynos spalvos link, kūdikiai žiūrėjo ilgiau. Tai yra, pamatę, kaip raudona figūra atlieka daugiau darbo, kad pasiektų geltoną spalvą, jie padarė išvadą, kad raudona teikia pirmenybę geltonai spalvai, ir nustebo, kai vietoj jos pasirinko mėlyną. Tai rodo, kad net priešžodiniai kūdikiai intuityviai supranta pusiausvyrą tarp išlaidų ir atlygio ir kaip tai atsiliepia kitų žmonių elgesiui, sako Tenenbaumas ir priduria, kad ši psichologinė intuicija yra pagrindas sudėtingesniam socialiniam supratimui vėliau. Darbas, kuriam vadovavo postdoc Tomer Ullman, PhD '15 ir Spelke's doktorantas Shari Liu, buvo paskelbtas m. Mokslas 2017 metais.
Žygiu
Hamrick buvo MIT jaunesnioji, kai 2010 m. prisijungė prie Tenenbaumo laboratorijos ir pradėjo dirbti su Jenga panašiu fizikos projektu. Kai studentai pirmą kartą susiduria su moksliniais tyrimais, jie paprastai susitelkia siaurai į prieš juos iškilusią problemą, sako ji. Tačiau Tenenbaumas įkvepia juos pagalvoti, kaip tai taip pat tinka didesniems mokslo klausimams (ne taip, kaip jis sako, kad mes mokomės). Tai privertė mane jausti, kad moksliniai tyrimai yra nuostabus dalykas, priduria Hamrickas, įvertindamas savo patirtį Tenenbaumo laboratorijoje už sprendimą tęsti mokslo karjerą. (Dabar ji yra „Google“ priklausančios Didžiosios Britanijos AI bendrovės „DeepMind“ tyrėja.)
Vienas iš būdų, kaip Tenenbaumas paskatino glaudų ir bendradarbiavimo dvasią savo laboratorijoje, yra vesti savo studentus ir doktorantus į kasmetinius žygius, kai kurie iš jų buvo itin intensyvūs, sako jis. Užaugęs Kalifornijoje, Yosemite nacionalinį parką jis laikė viena mėgstamiausių vietų. Ir nuo 2002 m., kai jis tapo MIT docentu, jis pradėjo organizuoti kasmetines keliones į Baltuosius kalnus Naujajame Hampšyre. Grupė paprastai vyksta Kolumbo dieną, rudens lapijos sezono įkarštyje. Tačiau net ir tada jie kartais susidurdavo su žiemos sąlygomis didesniuose aukščiuose. Prisimindamas vieną kelionę Frankonijos kalnagūbrio taku, Tenenbaumas juokauja: tai nebuvo mirties žygis – niekas nežuvo, bet buvo šiek tiek sniego ir ne visi buvo pasiruošę, nors buvo įspėti!
Be šio intensyvaus fiziškumo, žygiai taip pat suteikia grupės nariams galimybę plačiai kalbėti apie mokslą ir gyvenimą. Kai žmonės žygiuoja siauru takeliu, jie linkę išsiskirstyti. Kartais atsiduriu priekyje, kartais gale, sako Tenenbaumas. Bet kuriuo atveju, priduria jis, aš visada turiu tokį platų pokalbių spektrą, kuris juda aukštyn ir žemyn, o mane įkvėpė ši graži vieta, pro kurią einame.
Tenenbaumas taip pat semiasi įkvėpimo iš tėvystės. Buvo žinoma, kad jo 16-metė dukra Abi prisidėjo prie jo tyrimų; būdama aštuonerių ar devynerių ji buvo pirmoji Jenga eksperimento dalyvė. Ji iš karto rado klaidą – iš esmės būdą gauti tobulą balą – ir kai ji mums tai paaiškino, mes pasakėme: „O, geras taškas“ ir perrašėme visą eksperimentą, – prisimena jis. Tačiau plačiau kalbant, tėvystė dera su Tenenbaumo domėjimusi žmogaus mokymu, ypač kūdikių ir vaikų. Patirtis stebint, kaip jūsų vaikas pirmą kartą paragaus ledų arba pamato savo pirmąjį arklį, yra puikus, sako jis. Tai paliečia mano susidomėjimą tuo, ką išmoksti pirmą kartą ką nors pamatęs.
Didelių klausimų sprendimas smegenų, protų ir protingų mašinų sankirtoje
„MIT Intelligence Quest“ (dabar vadinamas „MIT Quest for Intelligence“) siekia įkvėpti dirbtinio intelekto tikrojo intelekto, suburiant įvairių disciplinų mąstytojus – nuo psichologijos iki kompiuterių mokslo. Ši iniciatyva žmogaus smegenis (ir dirbtinio intelekto sistemas, kurios bando jas imituoti) traktuoja kaip didžiulį inžinerinį iššūkį. Kai kovo mėn. buvo paskelbtas projektas, Joshas Tenenbaumas pasidalino šia diagrama, kurioje apibendrina kai kuriuos didelius klausimus, kuriuos MIT tyrėjai dirba šešiose pagrindinėse kategorijose, ir nurodė, kad klausimai, kuriuos dar reikia užduoti, gali pasirodyti patys svarbiausi.