Hibridinis AI modelis leidžia mąstyti apie pasaulio fiziką kaip vaikas

Kategorija: Dirbtinis intelektas Paskelbta kovo 06 d

Naujas duomenų rinkinys atskleidžia, kaip prastai AI mąsto, ir rodo, kad naujas hibridinis metodas gali būti geriausias kelias į priekį.

Klausimai, klausimai: Žinomas kaip CLEVRER, duomenų rinkinį susideda iš 20 000 trumpų sintetinių vaizdo klipų ir daugiau nei 300 000 klausimų ir atsakymų porų, kurios paaiškina įvykius vaizdo įrašuose. Kiekviename vaizdo įraše rodomas paprastas žaislinių objektų pasaulis, kurie susiduria vienas su kitu pagal imituotą fiziką. Viename raudonas guminis rutulys atsitrenkia į mėlyną guminį cilindrą, kuris ir toliau atsitrenkia į metalinį cilindrą.

Klausimai skirstomi į keturias kategorijas: aprašomieji (pvz., kokios formos yra objektas, kuris susiduria su žalsvai mėlynu cilindru?), aiškinamieji (Kas yra atsakinga už pilko cilindro susidūrimą su kubu?), nuspėjamieji (Koks įvykis įvyks toliau?) , ir priešinga (kuris įvykis neįvyks be pilko objekto?). Klausimai atspindi daugelį sąvokų, kurių vaikai anksti išmoksta tyrinėdami aplinką. Tačiau pastarosios trys kategorijos, į kurias atsakyti reikia konkrečiai priežastinio pagrindimo, dažnai kliudo gilaus mokymosi sistemoms.

Nepavyko: Duomenų rinkinys, kurį sukūrė Harvardo, DeepMind ir MIT-IBM Watson AI Lab tyrėjai, turi padėti įvertinti, kaip AI sistemos gali mąstyti. Kai tyrinėtojai išbandyta keleto pažangiausių kompiuterinio matymo ir natūralios kalbos modelių su duomenų rinkiniu, jie nustatė, kad visi jie gerai atliko aprašomuosius klausimus, bet prastai su kitais.

Seno ir naujo maišymas: Tada komanda išbandė naują AI sistemą, kuri sujungia gilų mokymąsi ir simbolinę logiką. Simbolinės sistemos anksčiau buvo labai populiarios užtemdytas devintojo dešimtmečio pabaigoje mašininiu mokymusi. Tačiau abu metodai turi savo privalumų: gilus mokymasis pasižymi masteliu ir modelių atpažinimu; simbolinės sistemos geriau abstrahuoja ir samprotauja.

Sudėtinė sistema, žinoma kaip neurosimbolinis modelis, naudoja abu: ji naudoja neuroninį tinklą, kad atpažintų objektų spalvas, formas ir medžiagas, ir simbolinę sistemą, kad suprastų jų judesių fiziką ir priežastinius ryšius tarp jų. Ji pranoko esamus modelius visų kategorijų klausimais.

Kodėl tai svarbu: Vaikystėje mes mokomės stebėti mus supantį pasaulį, daryti išvadą, kodėl viskas atsitiko, ir numatyti, kas bus toliau. Šios prognozės padeda mums priimti geresnius sprendimus, naršyti aplinkoje ir būti saugiems. Tokio priežastinio supratimo atkartojimas mašinose taip pat suteiks jiems galimybę protingiau bendrauti su pasauliu.