211service.com
Šis AI algoritmas taip pat greitai, kaip ir mes, išmoksta paprastas užduotis
Semdamiesi įkvėpimo iš to, kaip atrodo, kad žmonės mokosi, mokslininkai sukūrė dirbtinio intelekto programinę įrangą, galinčią daug efektyviau ir sudėtingiau perimti naujas žinias.
1 pav. Žmonės gali išmokti turtingų sąvokų iš ribotų duomenų. (A ir B) Vieno naujos koncepcijos pavyzdžio (raudonos dėžutės) gali pakakti informacijos, kad būtų galima (i) klasifikuoti naujus pavyzdžius, (ii) generuoti naujus pavyzdžius, (iii) analizuoti objektą į dalis ir ryšius ( dalys suskirstytos pagal spalvas) ir (iv) naujų sąvokų kūrimas iš susijusių sąvokų.
Naujoji AI programa gali atpažinti ranka rašytą veikėją taip tiksliai, kaip gali žmogus, pamačius tik vieną pavyzdį. Geriausiems esamiems mašininio mokymosi algoritmams, kuriuose naudojama technika, vadinama giliuoju mokymusi, reikia pamatyti daugybę tūkstančių ranka parašyto simbolio pavyzdžių, kad sužinotų skirtumą tarp A ir Z.
Programinę įrangą sukūrė Brendeno ežeras , Niujorko universiteto mokslininkas, kartu su Ruslanas Salachutdinovas , Toronto universiteto kompiuterių mokslo docentas ir Joshua Tenenbaumas MIT Smegenų ir pažinimo mokslų katedros profesorius. Išsami informacija apie programą ir jos idėjas šiandien skelbiama žurnale Mokslas.
Per pastaruosius kelerius metus kompiuteriai tapo daug sumanesni, išmokę atpažinti veidus, suprasti kalbą ir net saugiai vairuoti automobilius, be daugelio kitų dalykų. Ir didžioji pažanga buvo padaryta naudojant didelius arba gilius neuroninius tinklus. Tačiau šios sistemos turi esminį trūkumą: joms reikia daugybės duomenų, kad išmoktų atlikti net paprasčiausią užduotį.
Šis apribojimas daugiausia susijęs su tuo, kad algoritmai neapdoroja informacijos taip, kaip mes. Nors gilus mokymasis modeliuojamas remiantis virtualiu neuronų tinklu – ir šis metodas davė labai įspūdingų rezultatų atliekant suvokimo užduotis – tai labai grubus smegenų veikimo būdo imitavimas. Gilaus mokymosi algoritmas susieja vaizdo pikselius su konkrečiu simboliu. Smegenys gali panašiai apdoroti kai kuriuos vaizdinius dirgiklius, tačiau žmonės taip pat naudoja aukštesnes pažinimo funkcijas, kad interpretuotų vaizdo turinį.
Tyrėjai naudojo metodą, vadinamą Bajeso programos mokymosi sistema arba BPL. Iš esmės programinė įranga sukuria unikalią programą kiekvienam veikėjui, naudodama įsivaizduojamo rašiklio potėpius. Tada naudojama tikimybinio programavimo technika, skirta programai suderinti su konkrečiu simboliu arba sukurti naują programą nepažįstamam. Programinė įranga imituoja ne tai, kaip vaikai įgyja gebėjimą skaityti ir rašyti, o tai, kaip suaugusieji, jau žinantys, kaip išmokti atpažinti ir iš naujo kurti naujus personažus.
Pagrindinis tikimybinio programavimo dalykas, kuris skiriasi nuo to, kaip veikia dauguma giluminio mokymosi dalykų, yra tai, kad jis prasideda programa, apibūdinančia priežastinius procesus pasaulyje, sako Tenenbaumas. Tai, ką mes stengiamės išmokti, nėra funkcijų parašas ar ypatybių modelis. Bandome išmokti programą, kuri generuoja tuos simbolius.
Tenenbaumas ir kolegos išbandė šį metodą, kai žmonės ir programinė įranga nupiešė naujus simbolius, pamatę vieną ranka rašytą pavyzdį, o tada paprašė žmonių grupės nuspręsti, ar veikėją parašė žmogus, ar mašina. Jie nustatė, kad mažiau nei 25 procentai teisėjų galėjo pasakyti skirtumą.
Komanda teigia, kad šią techniką būtų galima išplėsti ir pritaikyti praktiškiau. Pavyzdžiui, tai gali padėti kompiuteriams greitai išmokti atpažinti naujus žodžius šnekamojoje kalboje ir panaudoti juos. Arba kompiuteris gali atpažinti naujus konkretaus objekto egzempliorius. Apskritai šis požiūris rodo svarbią naują dirbtinio intelekto kryptį, nes mokslininkai įkvėpimo semiasi iš žmogaus pažinimo tyrimų.
Džofris Hintonas , Toronto universiteto psichologijos profesorius, atlikęs pagrindinį vaidmenį plėtojant gilųjį mokymąsi, sako, kad darbas yra svarbus šios srities žingsnis. Jis sako, kad tai gražus popierius ir labai įspūdingas pavyzdys, kaip mokytis iš nedaugelio pavyzdžių.
Hintonas, kuris taip pat buvo vieno iš straipsnio autorių Salakhutdinovo patarėjas doktorantūroje, teigia, kad dirbtinio intelekto tyrėjai gali išmokti daug naudingų dalykų tiek iš neurologijos, tiek iš pažinimo mokslų. Jis taip pat teigia, kad tokie metodai, kaip sukurtas rašysenos atpažinimui, iš tikrųjų gali būti suderinami su giluminiu mokymusi. Manau, kad jūs galite turėti geriausią iš abiejų pasaulių, sako jis.
Garis Markusas , Niujorko universiteto kognityvinis mokslininkas ir bendrovės „Geometric Intelligence“, kuri taip pat kuria mašininio mokymosi metodus, įkvėptus žmogaus elgesio, įkūrėjas, sako visiškai nesutinkantis, kad žmogaus protas veikia taip, kaip aprašyta Mokslas popierius. Tačiau jis mano, kad šis metodas rodo svarbų AI tikslą, nes daugeliu atvejų mašina neturi daug duomenų, iš kurių galėtų mokytis.
Dominuojančios paradigmos problema yra ta, kad ji labai labai reikalauja duomenų, sako Marcusas. Tai įrodymas, kad galite mokytis greičiau. Ir aš manau, kad apie tai žmonės daug galvoja.
Marcusas priduria, kad kalba gali būti tokių sistemų žudikė. Daugelis giliai besimokančių tyrėjų jau dirba su šiuo iššūkiu (žr. „Technical Machines to Understand Us“), tačiau Marcusas mano, kad mašinos turės mokytis efektyviau ir lanksčiau, kad galėtų jį įveikti. Tikrasis AI posūkio taškas ateis tada, kai mašinos iš tikrųjų supras kalbą, sako jis. Ne tik daro vidutiniškus vertimus, bet ir tikrai supranta, ką turi omenyje.