Hybrydowy model sztucznej inteligencji pozwala mu myśleć o fizyce świata jak dziecko

Kategoria: Sztuczna inteligencja Opublikowany mar 06

Nowy zestaw danych ujawnia, jak kiepska jest sztuczna inteligencja w rozumowaniu – i sugeruje, że nowe podejście hybrydowe może być najlepszym rozwiązaniem.

Pytania, pytania: Znany jako CLEVRER, zestaw danych składa się z 20 000 krótkich syntetycznych klipów wideo i ponad 300 000 par pytań i odpowiedzi, które uzasadniają wydarzenia w filmach. Każdy film przedstawia prosty świat zabawek, które zderzają się ze sobą zgodnie z symulowaną fizyką. W jednym, czerwona gumowa kulka uderza w niebieski gumowy cylinder, który dalej uderza w metalowy cylinder.

Pytania można podzielić na cztery kategorie: opisowe (np. Jaki kształt ma obiekt, który zderza się z cyjanowym cylindrem?), wyjaśniające (Co odpowiada za zderzenie szarego cylindra z sześcianem?), predykcyjne (Jakie zdarzenie nastąpi później?) , i kontrfaktyczny (Bez szarego obiektu, które zdarzenie nie nastąpi?). Pytania odzwierciedlają wiele koncepcji, których dzieci uczą się wcześnie, gdy badają swoje otoczenie. Ale te ostatnie trzy kategorie, na które odpowiedź konkretnie wymaga rozumowania przyczynowego, często niszczą systemy głębokiego uczenia się.

Ponieść porażkę: Zestaw danych stworzony przez naukowców z Harvardu, DeepMind i MIT-IBM Watson AI Lab ma pomóc ocenić, jak dobrze systemy AI mogą rozumować. Kiedy badacze przetestowany Kilka najnowocześniejszych modeli wizji komputerowych i języka naturalnego z zestawem danych okazało się, że wszystkie z nich radziły sobie dobrze w pytaniach opisowych, ale słabo w pozostałych.

Mieszanie starego i nowego: Następnie zespół wypróbował nowy system sztucznej inteligencji, który łączy głębokie uczenie i logikę symboliczną. Systemy symboliczne były kiedyś wściekłością, zanim się pojawiły zaćmiony przez uczenie maszynowe pod koniec lat 80. Jednak oba podejścia mają swoje mocne strony: uczenie głębokie wyróżnia się skalowalnością i rozpoznawaniem wzorców; systemy symboliczne są lepsze w abstrakcji i rozumowaniu.

System kompozytowy, znany jako model neurosymboliczny, wykorzystuje oba: sieć neuronową do rozpoznawania kolorów, kształtów i materiałów obiektów oraz system symboliczny do zrozumienia fizyki ich ruchów i związków przyczynowych między nimi. Przewyższał istniejące modele we wszystkich kategoriach pytań.

Dlaczego jest to ważne: Jako dzieci uczymy się obserwować otaczający nas świat, wnioskować, dlaczego coś się wydarzyło i przewidywać, co będzie dalej. Te prognozy pomagają nam podejmować lepsze decyzje, poruszać się po środowiskach i zachować bezpieczeństwo. Powielanie tego rodzaju przyczynowego zrozumienia w maszynach podobnie wyposaży je do interakcji ze światem w bardziej inteligentny sposób.