Kodėl žmonės mokosi greičiau nei AI – kol kas

2013 m. DeepMind Technologies, tuomet dar mažai žinoma įmonė, paskelbė novatorišką dokumentą, kuriame parodyta, kaip neuroninis tinklas gali išmokite žaisti devintojo dešimtmečio vaizdo žaidimus taip, kaip tai daro žmonės – žiūrėdamas į ekraną. Tada šie tinklai nugalėjo geriausius žaidėjus.

Po kelių mėnesių „Google“ nupirko įmonę už 400 mln. Nuo to laiko „DeepMind“ taikė gilų mokymąsi įvairiose situacijose, iš kurių labiausiai žinoma, kad pralenktų žmones senoviniame „Go“ žaidime.

Tačiau nors šis darbas yra įspūdingas, jis pabrėžia vieną iš reikšmingų gilaus mokymosi apribojimų. Palyginti su žmonėmis, mašinoms, naudojančioms šią technologiją, išmokti reikia daug laiko. Kas yra žmogaus mokymasis, leidžiantis mums taip gerai pasirodyti turint palyginti mažai patirties?

Šiandien mes gauname atsakymą dėl Rachit Dubey ir kolegų iš Kalifornijos universiteto Berklyje darbo. Jie ištyrė, kaip žmonės sąveikauja su vaizdo žaidimais, kad išsiaiškintų, kokiomis išankstinėmis žiniomis mes remiamės, kad suprastume juos.

Pasirodo, žmonės naudojasi daugybe pagrindinių žinių, kai pradedame naują žaidimą. Ir tai labai palengvina žaidimus. Tačiau susidūrę su žaidimais, kuriuose šios žinios nenaudojamos, žmonės plekšnoja, o mašinos skrieja lygiai taip pat.

Pažvelkite į kompiuterinį žaidimą, parodytą aukščiau kairėje (originalus žaidimas). Šis žaidimas yra paremtas klasikiniu pavadinimu Montezuma's Revenge, kuris iš pradžių buvo išleistas 8 bitų Atari kompiuteriui 1984 m.

Nėra vadovo ir instrukcijų; jums net nepasakoma, kurią sprite valdote. Ir atsiliepimą gausite tik sėkmingai užbaigę žaidimą.

Ar galėtum tai padaryti? Kiek tai truktų? Tu gali išbandykite tai šioje svetainėje (kartu su kitais dokumente minimais žaidimais) .

Tikėtina, kad žaidimas užtruks apie minutę, o jo metu tikriausiai atliksite apie 3000 klaviatūros veiksmų. Tai atrado Dubey ir bendradarbiai, kai atidavė žaidimą 40 darbuotojų iš „Amazon“ minios tiekimo svetainės „Mechanical Turk“, kuriems buvo pasiūlyta 1 USD už žaidimą.

Tai labai nenuostabu, nes galima nesunkiai atspėti, kad žaidimo tikslas yra nukreipti robotą smaigalį link princesės, lipant ant plytų pavidalo objektų ir kopėčiomis pasiekti aukštesnes platformas, vengiant piktos rožinės spalvos ir ugnies objektų, mokslininkai teigia.

Priešingai, žaidimas yra sunkus mašinoms: daugelis standartinių giluminio mokymosi algoritmų to visiškai negalėjo išspręsti, nes algoritmas negali įvertinti pažangos žaidimo viduje, kai grįžtamasis ryšys gaunamas tik baigus.

Geriausias mašinos našumas buvo smalsumu pagrįstas mokymosi algoritmas, kuriam prireikė maždaug keturių milijonų klaviatūros veiksmų žaidimui užbaigti. Tai atitinka maždaug 37 valandas nepertraukiamo žaidimo.

Taigi, kas daro žmones daug geresnius? Pasirodo, mes nežiūrime į šį žaidimą su tuščiu lapu. Žmogus pamatys, kad jis arba ji valdo robotą ir kad robotas turi vengti ugnies, lipti kopėčiomis, šokinėti per tarpus ir vengti susiraukusio priešo, kad pasiektų princesę. Visa tai yra dėl išankstinių žinių, kad vieni objektai yra geri, o kiti (suraukę kaktą ar liepsnojantys) blogi, kad platformos palaiko objektus, o kopėčiomis galima lipti, kad taip pat atrodantys daiktai elgiasi taip pat, kad gravitacija traukia objektus žemyn. , ir net kas yra objektai: dalykai, kurie yra atskirti nuo kitų daiktų ir turi skirtingas savybes.

Priešingai, mašina to nežino.

Taigi Dubey ir bendradarbiai pakeitė žaidimą, kad ši išankstinė informacija būtų nereikšminga, o tada išmatavo, kiek laiko prireikė žmonių, turinčių turkerių, kol baigsis. Tada komanda manė, kad bet koks šio laiko padidėjimas yra šios informacijos svarbos pavyzdys.

Jie paaiškina, kad sukūrėme skirtingas vaizdo žaidimo versijas, perteikdami įvairius objektus, tokius kaip kopėčios, priešai, raktai, platformos ir kt., naudodami alternatyvias tekstūras. Jie pasirinko šias tekstūras, kad paslėptų įvairias ankstesnių žinių formas, ir jie pakeitė fizines žaidimo savybes, tokias kaip gravitacijos poveikis ir agento sąveikos su aplinka būdas. Kiekvienoje versijoje pagrindinė žaidimo dinamika buvo tokia pati.

Rezultatai suteikia nuostabų skaitymą. Pastebime, kad kai kurių ankstesnių žinių pašalinimas smarkiai sumažina žaidėjų žaidimo sprendimo greitį, sako Dubey ir kt. Iš tiesų, laikas, per kurį žmonės išsprendžia žaidimą, pailgėja nuo minutės iki daugiau nei 20 minučių, nes pašalinama įvairi išankstinė informacija.

Priešingai, šios informacijos pašalinimas paprastai neturi jokio skirtumo greičio, kuriuo mašinos algoritmas mokosi.

Komanda netgi gali suskirstyti įvairių rūšių informaciją pagal svarbą pagal ilgesnį laiką, kurį sukelia jos pašalinimas. Norint pašalinti objekto semantiką, pvz., susiraukusį veidą ar ugnies simbolį, žaidėjai, prieš baigdami, turi praleisti ilgiau. Tačiau objekto sampratos užmaskavimas viską apsunkina taip, kad daugelis turkerių tiesiog atsisakė žaisti. Turėjome padidinti atlyginimą iki 2,25 USD, kad paskatintume dalyvius nepasitraukti, sako Dubey ir kt.

Šis reitingas turi įdomią sąsają su žmonių mokymosi būdu. Psichologai išsiaiškino, kad būdami dviejų mėnesių kūdikiai primityviai suvokia objektus, kuriuos jie tikisi judėti kaip sujungtas visumas. Tačiau šiame amžiuje kūdikiai neatpažįsta objektų kategorijų.

Sulaukę trijų iki penkių mėnesių kūdikiai išmoksta atpažinti objektų kategorijas; iki 18–24 mėnesių jie išmoksta atpažinti atskirus objektus. Maždaug tuo metu jie taip pat išmoksta objektų savybių (objektų prieinamumo, kaip juos vadina psichologai), ir taip jie sužino skirtumą tarp žingsnio, kuriuo galima vaikščioti lygia žeme, ir nenueinamo laiptelio nuo uolos.

Paaiškėjo, kad Dubey ir bendražygių eksperimentai surikiuoja tokią išmoktą informaciją lygiai ta pačia tvarka, kuria ją išmoksta kūdikiai. Gana įdomu pastebėti, kad tvarka, kuria kūdikiai didina savo žinias, atitinka skirtingų objektų prioritetų svarbą.

Mūsų darbas žengia pirmuosius žingsnius siekiant kiekybiškai įvertinti įvairių prioritetų, kuriuos žmonės naudoja sprendžiant vaizdo žaidimus, svarbą ir suprasti, kaip išankstinės žinios padeda žmonėms atlikti tokias sudėtingas užduotis, priduria jie.

Tai rodo įdomų kelią kompiuterių mokslininkams, dirbantiems su mašinų intelektu – programuoti savo krūvius tomis pačiomis pagrindinėmis žiniomis, kurias žmonės įgyja ankstyvame amžiuje. Tokiu būdu mašinos turėtų pasivyti žmones savo mokymosi greičiu, o gal net pranokti juos.

Nekantriai lauksime rezultatų.

Nuoroda: arxiv.org/abs/1802.10217 : Žmonių poreikių, susijusių su vaizdo žaidimais, tyrimas

paslėpti