DeepMind вчить свій ШІ думати по-людськи

0
353
DeepMind вчить свій ІІ думати по-людськи

У минулому році штучний інтелект AlphaGo вперше переміг чемпіона світу в грі го. Ця перемога стала безпрецедентною і несподіваною, враховуючи високу складність китайської настільної гри. Хоча перемога AlphaGo була виразно вражаючою, цей штучний інтелект, з тих пір обіграв та інших чемпіонів го, все ще вважається «вузьким» типом ШІ — який може перевершити людини лише в обмеженому полі завдань.

Так що хоча ми вже навряд чи зможемо обіграти комп’ютер в го чи шахи, не вдаючись до допомоги іншого комп’ютера, покластися на них у рутинних завдань ми теж поки не можемо. ШІ не зробить вам чай і не запланує для вашого авто.

Всупереч цьому, ШІ часто зображується у науковій фантастиці як «загальний» штучний інтелект. Тобто штучний інтелект з тим же рівнем і різноманітністю, що і людина. Хоча у нас вже є штучні інтелекти різного типу, які можуть робити все від діагностики хвороб до управління нашими автомобілями, з’ясувати, як інтегрувати їх на більш загальному рівні, ми поки не змогли.

Минулого тижня дослідники DeepMind представили кілька робіт, в яких заклали, як стверджують, основи для загального штучного інтелекту. Хоча висновків поки ніяких немає, перші результати обнадіюють: в деяких сферах ШІ вже перевершив людини в здібностях.

Предметом обох робіт DeepMind стало відносне міркування, критична когнітивна здатність, що дозволяє людям проводити порівняння між різними об’єктами чи ідеями. Наприклад, порівнювати, який об’єкт більше або менше, який знаходиться зліва, а який праворуч. Люди вдаються до відносних (або реляційних) міркуванням всякої раз, коли намагаються вирішити проблему, але вчені поки не з’ясували, як наділити ШІ цієї оманливе простий здатністю.

Вчені з DeepMind вибрали два різних маршрути. Одні навчали нейронну мережу — типу архітектури ШІ, змодельованою за типом мозку людини — взявши за основу базу даних з простих, статичних 3D-об’єктів, під назвою CLEVR. Іншу нейронну мережу вчили розуміти, як змінюється двовимірний об’єкт з часом.

У CLEVR нейронної мережі представляли набір простих проектів, таких як піраміди, куби та сфери. Вчені потім ставили питання природною мовою штучного інтелекту, такі як «складається куб з того ж матеріалу, що і циліндр?». Вражаюче, але нейронна мережа змогла правильно оцінити реляційні атрибути CLEVR в 95,5% випадків, перевершивши за цим параметром навіть людини з його 92,6% точності.

У другому випробуванні дослідники DeepMind створили нейронну мережу Visual Interaction Network (VIN), яку навчили передбачати майбутні стани об’єкта на відео, в залежності від його попередніх рухів. Для цього вчені спершу згодували VIN три послідовних кадру відео, які мережу перевела в код. У цьому коді був список векторів — швидкість або положення об’єкта — для кожного об’єкта в кадрі. Потім VIN згодували послідовність інших кодів, які в поєднанні дозволили спрогнозувати код для наступного кадру.

Для навчання VIN вчені використовували п’ять різних типів фізичних систем, в яких 2D-об’єкти рухалися на тлі «природних зображень стикалися з різними силами. Наприклад, в одній фізичній системі моделируемие об’єкти взаємодіяли між собою у відповідності з законом тяжіння Ньютона. В іншій — нейронної мережі представили більярд і змусили передбачити майбутнє положення куль. За даними вченим, мережа VIN успішно впоралася з прогнозуванням поведінки об’єктів на відео.

Ця робота являє собою важливий крок у напрямку до загального ШІ, але ще багато роботи необхідно зробити, перш ніж штучний інтелект зможе захопити світ. І крім того, надлюдська продуктивність не передбачає надлюдського інтелекту.

Поки немає, в усякому разі.

Оцініть статтю

НАПИСАТИ ВІДПОВІДЬ

Please enter your comment!
Please enter your name here