211service.com
Co się dzieje, gdy sztuczna inteligencja ma pamięć roboczą?
Nowy rodzaj komputera, opracowany przez naukowców z Google DeepMind w Wielkiej Brytanii, może poszerzyć możliwości dzisiejszych najlepszych systemów sztucznej inteligencji, zapewniając im ważną nową funkcję — rodzaj pamięci roboczej.
Naukowcy wykazali, że komputer, który składa się z dużej sieci neuronowej połączonej z unikalną formą pamięci, może wykonywać stosunkowo złożone zadania, samodzielnie wymyślając, jakie informacje przechowywać w swojej pamięci. Zadania obejmują znalezienie najlepszego sposobu dotarcia z jednej stacji do drugiej w podobnej do spaghetti londyńskiej sieci tranzytowej metra, po zapoznaniu się z diagramami innych typów sieci i poznaniu najważniejszych funkcji.
Badacze Google DeepMind nazywają swój system różniczkowalnym komputerem neuronowym. Jest różniczkowalny w tym sensie, że jego zachowania — w tym tego, co przechowywać w pamięci — można nauczyć się za pomocą matematycznego procesu zwanego propagacją wsteczną, która leży u podstaw działania sieci neuronowych. Ponieważ sieć jest szkolona danymi, automatycznie przechowuje pewne informacje w macierzy pamięci.
Podobnie jak konwencjonalny komputer, może używać swojej pamięci do reprezentowania złożonych struktur danych i manipulowania nimi, ale podobnie jak sieć neuronowa może uczyć się tego na podstawie danych, piszą autorzy, w tym Alex Graves, Greg Wayne i Demis Hassabis. artykuł opublikowany dzisiaj w czasopiśmie Natura .
Postęp jest krokiem w kierunku sztucznej inteligencji, która w swoich możliwościach jest nieco bardziej ludzka. Chociaż technika ta jest na razie ograniczona, systemy zbudowane w ten sposób mogą kiedyś wykonać użyteczną pracę, mówi Rusłan Salachutdinow , profesor nadzwyczajny na CMU, który specjalizuje się w uczeniu maszynowym i sztucznej inteligencji. Na przykład bardziej zaawansowana wersja może przeszukiwać Wikipedię i dowiedzieć się, jakie ważne pojęcia, takie jak nazwy, miejsca i daty, przechowywać w pamięci. Może też pozwolić robotowi na wykorzystanie informacji wyuczonych w jednym miejscu w zupełnie nowym. To bardzo ekscytująca praca, mówi Salachutdinow.
Najnowsze systemy uczenia maszynowego doskonale sprawdzają się w niektórych zadaniach, takich jak rozpoznawanie twarzy na obrazach lub wypowiadanych słowach. A z praktyką mogą nauczyć się wykonywać złożone zadania, takie jak granie w gry komputerowe, na poziomie eksperckim. Wymagają jednak ogromnych ilości konkretnych danych do treningu i w przeciwieństwie do człowieka nie mogą przechowywać w pamięci wielu z tego, czego się nauczyli, do późniejszego wykorzystania. Stanowi to problem w wielu obszarach, w tym w języku (patrz Problem językowy AI).
Salachutdinow zauważa jednak, że uczynienie tak różniczkowalnego komputera neuronowego bardziej złożonym może być trudne. Dzieje się tak, ponieważ aby uzyskać dostęp do swojej pamięci, musi wykonać złożone obliczenia, odpytując każdy przechowywany element. Bardzo trudno jest sprawić, by te rzeczy działały, mówi. Skalowanie w górę może być nieco problematyczne.
Co ciekawe, praca ta zbliża do siebie dwa obszary sztucznej inteligencji, które od dawna są ze sobą skłócone. Wczesne prace nad sztuczną inteligencją obejmowały programowanie maszyn do symbolicznego przedstawiania informacji, podczas gdy obecna moda polega na używaniu bardzo dużych sieci neuronowych, które szkolą się do wykonywania zadań. Przez długi czas niektórzy tradycjonaliści sztucznej inteligencji i kognitywiści kwestionowali, czy sieci neuronowe mogą robić to, co ludzie robią, bez uzyskania głębszej zdolności do symbolicznego przedstawiania informacji.
Jestem pod wrażeniem zdolności sieci do uczenia się „algorytmów” na przykładach, mówi Jezioro Brenden , kognitywisty z New York University, który bada sposoby, w jakie komputery naśladują ludzką inteligencję. Mogłoby to zwiększyć użyteczność uczenia głębokiego. Algorytmy, takie jak sortowanie czy znajdowanie najkrótszych ścieżek, to chleb powszedni klasycznej informatyki. Tradycyjnie wymagają programisty do zaprojektowania i wdrożenia.
Ale Lake zwraca uwagę, że system nadal nie przypomina człowieka w sposobie, w jaki działa. Mówi, że ludzie mogą wybrać nowe zadanie z ograniczonym doświadczeniem, zwłaszcza jeśli są zaznajomieni z daną domeną. W przeciwieństwie do tego, różnicowy komputer neuronowy jest szkolony na dziesiątkach lub setkach tysięcy przykładów każdego zadania. Myślę, że ludzka zdolność do szybkiego uczenia się nowych zadań będzie jednym z kolejnych głównych wyzwań AI.