Kan du huske den fantastiske, åbenbarende følelse, da du første gang opdagede eksistensen af årsag og virkning? Det er et trick spørgsmål. Børn begynder at lære kausalitetsprincippet fra så tidligt som otte måneder gamle, og hjælper dem med at drage rudimentære slutninger om verden omkring dem. Men de fleste af os husker ikke meget før en alder af omkring tre eller fire år, så den vigtige lektie om "hvorfor" er noget, vi simpelthen tager for givet.
Det er ikke kun en afgørende lektie for mennesker at lære, men også en, som nutidens kunstige intelligenssystemer er temmelig dårlige til. Mens moderne A.I. er i stand til slå menneskelige spillere på Go og køre biler på travle gader, dette er ikke nødvendigvis sammenligneligt med den slags intelligens, mennesker kan bruge til at mestre disse evner. Det er fordi mennesker - selv små spædbørn - har evnen til at generalisere ved at anvende viden fra et domæne til et andet. For A.I. at leve op til sit potentiale, det er noget den også skal kunne.
Anbefalede videoer
"For eksempel, hvis robotten lærte at bygge et tårn ved hjælp af nogle blokke, vil den måske overføre disse færdigheder til at bygge en bro eller endda en huslignende struktur." Ossama Ahmed, en masterstuderende ved ETH Zürich i Schweiz, fortalte Digital Trends. "En måde at opnå dette på kan være at lære årsagssammenhængene mellem de forskellige miljøvariabler. Eller forestil dig, at TriFinger robot brugt i CausalWorld pludselig mister en finger på grund af en hardwarefejl. Hvordan kan den stadig bygge målformen med kun to fingre i stedet?
CausalWorld video
En virtuel træningsverden for maskiner
CausalWorld er hvad Frederik Träuble, en Ph.D. studerende ved Max Planck Institute for Intelligent Systems i Tyskland, omtaler som et "manipulationsbenchmark." Det er et skridt mod fremme forskning, så robotmidler bedre kan generalisere forskellige ændringer i et miljøs egenskaber, såsom massen eller formen af genstande. For eksempel, hvis en robot lærer at opfange et bestemt objekt, kan vi med rimelighed forvente, at det kan overføre denne evne til tungere genstande - så længe den forstår den rigtige årsagssammenhæng forhold.
Den slags virtuelt træningsmiljø, vi er vant til at høre om i sci-fi-film, er det i f.eks. Matrixen: en virtuel verden, hvor regler ikke gælder. I CausalWorld, hvor forskere systematisk kan træne og evaluere deres metoder i robotmiljøer, er det lige omvendt. Det handler om at lære reglerne - og anvende dem. Robotagenter kan få opgaver svarende til dem, børn deltager i, når de leger med klodser for at lave stabling, skubbe og anden årsag-og-virkning-leg. Forskerne kan gribe ind for at teste robottens generaliseringsevner, efterhånden som den lærer. Det er dybest set et testmiljø, der vil hjælpe med at evaluere, hvordan A.I. agenter kan generalisere.
"Det meste af moderne A.I. er baseret på statistisk læring, som handler om at udtrække statistisk information - for eksempel korrelationer - fra data." Bernhard Schölkopf, direktør for Max Planck Institute, fortalte Digital Trends. "Dette er fantastisk, fordi det giver os mulighed for at forudsige én mængde fra andre, men kun så længe intet ændrer sig. Når du griber ind i et system, så er alle væddemål slået fra. For at komme med forudsigelser i sådanne tilfælde er vi nødt til at gå ud over statistisk læring, hen imod kausalitet. I sidste ende, hvis fremtidige A.I. handler om at tænke i betydningen 'at handle i forestillede rum', så er interventioner nøglen, og derfor skal kausaliteten tages i betragtning."
Redaktørens anbefalinger
- Sikkerhedsrobotter kommer muligvis til en skole i nærheden af dig
- Amazon implementerer AI for at opsummere produktanmeldelser
- Amazon planlægger "once-in-a-generation"-ændringer for Søgning, afslører jobannoncen
- Google Smart Canvas får dybere integration mellem apps
- Nvidias seneste A.I. resultater viser, at ARM er klar til datacentret
Opgrader din livsstilDigital Trends hjælper læserne med at holde styr på den hurtige teknologiske verden med alle de seneste nyheder, sjove produktanmeldelser, indsigtsfulde redaktionelle artikler og enestående smugkig.
