Technika AI, która może nasycić maszyny zdolnością rozumowania

Obraz dzieci bawiących się klockami Getty

W wieku sześciu miesięcy dziecko nie mrugnie okiem, jeśli zabawkowa ciężarówka zjedzie z platformy i wydaje się unosić w powietrzu . Ale wykonaj ten sam eksperyment zaledwie dwa do trzech miesięcy później, a natychmiast rozpozna, że ​​coś jest nie tak. Nauczyła się już pojęcia grawitacji.

Nikt nie mówi dziecku, że przedmioty mają spadać, powiedział Yann LeCun, główny naukowiec ds. AI na Facebooku i profesor na NYU. podczas webinaru w czwartek zorganizowanym przez Association for Computing Machinery, organ branżowy. A ponieważ dzieci nie mają bardzo wyrafinowanej kontroli motorycznej, stawia hipotezę, wiele z tego, czego dowiadują się o świecie, pochodzi z obserwacji.

Ta teoria może mieć ważne implikacje dla naukowców, którzy mają nadzieję na przesunięcie granic sztucznej inteligencji.

Głębokie uczenie, kategoria algorytmów AI, która zapoczątkowała ostatnią rewolucję w tej dziedzinie, poczyniła ogromne postępy w zapewnianiu maszynom zdolności percepcyjnych, takich jak widzenie. Nie udało mu się jednak nasycić ich wyrafinowanym rozumowaniem, ugruntowanym w konceptualnym modelu rzeczywistości. Innymi słowy, maszyny tak naprawdę nie rozumieją otaczającego ich świata, co sprawia, że ​​nie są w stanie się z nim zaangażować. Nowe techniki pomagają przezwyciężyć to ograniczenie — na przykład dając maszynom rodzaj pamięci roboczej, aby w miarę uczenia się i wydobywania podstawowych faktów i zasad mogły je gromadzić, aby móc czerpać z nich w przyszłych interakcjach.

Ale LeCun uważa, że ​​to tylko część układanki. Oczywiście czegoś nam brakuje, powiedział. Dziecko może zrozumieć słonia po obejrzeniu dwóch zdjęć, podczas gdy algorytmy głębokiego uczenia muszą widzieć tysiące, jeśli nie miliony. Nastolatek może nauczyć się bezpiecznie jeździć, ćwicząc przez 20 godzin i uniknąć awarii bez uprzedniego ich doświadczania, podczas gdy algorytmy uczenia się przez wzmacnianie (podkategoria uczenia głębokiego) muszą przejść przez dziesiątki milionów prób, w tym wiele rażących niepowodzeń.

Jego zdaniem odpowiedź znajduje się w niedocenianej podkategorii uczenia głębokiego, znanej jako uczenie nienadzorowane. Podczas gdy algorytmy oparte na uczeniu nadzorowanym i wzmacniającym są uczone, aby osiągnąć cel dzięki wkładowi człowieka, te nienadzorowane całkowicie samodzielnie wyodrębniają wzorce z danych. (LeCun preferuje termin samonadzorowane uczenie się, ponieważ zasadniczo wykorzystuje część danych treningowych do przewidywania pozostałych danych treningowych.)

W ostatnich latach takie algorytmy zyskały znaczną popularność w przetwarzaniu języka naturalnego ze względu na ich zdolność do znajdowania relacji między miliardami słów. Okazuje się to przydatne do budowania systemów przewidywania tekstu, takich jak autouzupełnianie, lub do generowania przekonującej prozy. Jednak zdecydowana większość badań nad sztuczną inteligencją w innych dziedzinach koncentruje się na uczeniu nadzorowanym lub wzmacniającym.

LeCun uważa, że ​​należy odwrócić nacisk. Wszystkiego, czego uczymy się jako ludzie — prawie wszystkiego — uczymy się poprzez samonadzorowane uczenie się. Powiedział, że istnieje cienka warstwa, której uczymy się poprzez uczenie nadzorowane, a niewielką ilość uczymy się poprzez uczenie się przez wzmacnianie. Jeśli uczenie maszynowe lub sztuczna inteligencja to bułka z masłem, zdecydowana większość tortu to samonadzorowane uczenie się.

Jak to wygląda w praktyce? Badacze powinni zacząć od skoncentrowania się na przewidywaniu czasowym. Innymi słowy, naucz duże sieci neuronowe, aby przewidywały drugą połowę filmu, gdy otrzyma pierwszą. Chociaż nie wszystko w naszym świecie można przewidzieć, jest to podstawowa umiejętność, która stoi za zdolnością dziecka do uświadomienia sobie, że zabawkowa ciężarówka powinna spaść. To rodzaj symulacji tego, co dzieje się w twojej głowie, jeśli chcesz, powiedział LeCun.

Gdy dziedzina opracuje techniki, które udoskonalą te umiejętności, będą miały również ważne zastosowania praktyczne. Dobrym pomysłem jest tworzenie prognoz wideo w kontekście autonomicznych samochodów, ponieważ możesz chcieć wiedzieć z wyprzedzeniem, co zrobią inne samochody na ulicach, powiedział.

Powiedział, że w końcu nienadzorowane uczenie się pomoże maszynom opracować model świata, który może następnie przewidywać przyszłe stany świata. To wzniosłe ambicje, które umknęły badaniom AI, ale otworzyłyby zupełnie nowe możliwości. LeCun jest przekonany: kolejna rewolucja sztucznej inteligencji nie będzie nadzorowana.

Aby więcej takich historii trafiało bezpośrednio do Twojej skrzynki odbiorczej, zapisz się do naszego nominowanego przez Webby biuletynu AI The Algorithm. Jest wolne.

ukryć