211service.com
Sujungiami du konkuruojantys AI metodai, leidžiantys mašinoms sužinoti apie pasaulį kaip vaikas
Nuotrauka iš NEUROSIMBOLINĖS SAMPRATOS MOKYMOSI: SCENŲ, ŽODŽIŲ IR SAKINIŲ AIŠKINIMAS IŠ NATŪRALIOS PRIEŽIŪROS; Redagavo MIT Technology Review
Per dešimtmečius nuo dirbtinio intelekto atsiradimo šios srities tyrimai buvo suskirstyti į dvi pagrindines stovyklas. Simbolistai siekė sukurti protingas mašinas, koduodami logines taisykles ir pasaulio reprezentacijas. Konnekcionistai siekė sukurti dirbtinius neuroninius tinklus, įkvėpti biologijos, kad sužinotų apie pasaulį. Šios dvi grupės istoriškai nesusitarė.
Bet a naujas popierius MIT, IBM ir DeepMind rodo galią sujungti du metodus, galbūt nurodant kelią į priekį šioje srityje. Komanda, vadovaujama Joshas Tenenbaumas , MIT profesorius Smegenų, protų ir mašinų centras , sukūrė kompiuterinę programą, vadinamą neuro-simbolinės koncepcijos mokiniu (NS-CL), kuri mokosi apie pasaulį (nors ir supaprastinta versija) taip, kaip galėtų vaikas – apsidairydamas ir kalbėdamas.
Sistema susideda iš kelių dalių. Vienas neuroninis tinklas yra apmokytas scenų serijoje, sudarytoje iš nedidelio skaičiaus objektų. Kitas neuroninis tinklas yra apmokytas tekstiniu klausimų ir atsakymų poromis apie sceną, pvz., K: Kokia sferos spalva? A: Raudona. Šis tinklas išmoksta susieti natūralios kalbos klausimus į paprastą programą, kurią galima paleisti scenoje ir gauti atsakymą.
NS-CL sistema taip pat užprogramuota suprasti simbolines teksto sąvokas, tokias kaip objektai, objekto atributai ir erdviniai santykiai. Šios žinios padeda NS-CL atsakyti į naujus klausimus apie kitokią sceną – tai žygdarbis, kuris yra daug sudėtingesnis naudojant vien konnekcionistinį metodą. Taigi sistema atpažįsta sąvokas naujuose klausimuose ir gali jas vizualiai susieti su prieš ją esančia scena.
„Tai jaudinantis požiūris“, – sako Brendeno ežeras , NYU docentas. „Neuroninio modelio atpažinimas leidžia sistemai matyti , o simbolinės programos leidžia sistemai priežastis . Kartu šis metodas viršija tai, ką gali padaryti dabartinės gilaus mokymosi sistemos.
Kitaip tariant, hibridinė sistema sprendžia pagrindinius abiejų ankstesnių metodų apribojimus, juos derindama. Tai įveikia simbolikos, kuri istoriškai stengėsi efektyviai užkoduoti žmogaus žinių sudėtingumą, mastelio problemas. Tačiau ji taip pat sprendžia vieną iš labiausiai paplitusių neuroninių tinklų problemų: tai, kad jiems reikia didžiulio duomenų kiekio.
Galima išmokyti tik neuroninį tinklą atsakyti į klausimus apie sceną, pateikiant milijonus pavyzdžių kaip mokymo duomenis. Tačiau žmogaus vaikui nereikia tokio didžiulio duomenų kiekio, kad suprastų, kas yra naujas objektas arba kaip jis susijęs su kitais objektais. Be to, tokiu būdu apmokytas tinklas neturi tikro supratimo apie susijusias sąvokas – tai tik didžiulis modelių derinimo pratimas. Taigi tokia sistema būtų linkusi daryti labai kvailas klaidas, kai susiduria su naujais scenarijais. Tai dažna šių dienų neuroninių tinklų problema, dėl kurios lengvai pastebimi trūkumai (žr. AI kalbos problemą).
Konekcionizmo šalininkai gali prieštarauti faktui, kad sistemai reikia tam tikrų žinių, kad ją būtų galima sunkiai užkoduoti. Tačiau darbas yra svarbus, nes jis priartina mus prie intelekto, kuris atrodo labiau panašus į mūsų pačių, kūrimo. Kognityviniai mokslininkai mano, kad žmogaus protas pereina tam tikrus panašius žingsnius ir kad tai yra žmogaus mokymosi lankstumo pagrindas.
Praktiškai tai taip pat galėtų atrakinti naujas AI programas, nes naujai technologijai reikia daug mažiau mokymo duomenų. Pavyzdžiui, robotų sistemos pagaliau galėtų mokytis skrendant, o ne praleisti daug laiko treniruodamiesi kiekvienai unikaliai aplinkai, kurioje jie yra.
Tai tikrai įdomu, nes tai padės mums įveikti šią priklausomybę nuo didžiulio pažymėtų duomenų kiekio, sako Davidas Coxas , mokslininkas, vadovaujantis MIT-IBM Watson AI laboratorijai.
Tyrimą atlikę mokslininkai dabar kuria versiją, kuri veikia su realių scenų nuotraukomis. Tai gali būti naudinga daugeliui praktinių kompiuterinio regėjimo pritaikymų.