Teorien bag maskinlæringsværktøjer, der ligner neurale netværk er, at de fungerer og mere specifikt lærer på samme måde som den menneskelige hjerne. Ligesom vi opdager verden gennem forsøg og fejl, så gør moderne kunstig intelligens det også. I praksis er tingene dog lidt anderledes. Der er aspekter af barndomslæring, som maskiner ikke kan replikere - og de er en af de ting, som på mange områder gør mennesker til overlegne lærende.
Det arbejder forskere ved New York University på at ændre på. Forskere Kanishk Gandhi og Brenden Sø har undersøgt, hvordan noget, der kaldes "gensidig eksklusivitetsbias", som er til stede hos børn, kunne hjælpe med at gøre A.I. bedre, når det kommer til at lære opgaver som sprogforståelse.
Anbefalede videoer
"Når børn bestræber sig på at lære et nyt ord, er de afhængige af induktive skævheder for at indsnævre rummet af evt. betydninger," fortalte Gandhi, en kandidatstuderende i New York Universitys Human & Machine Learning Lab, til Digital Trends. “Gensidig eksklusivitet (ME) er en tro på, at børn har, at hvis en genstand har ét navn, kan den ikke have et andet. Gensidig eksklusivitet hjælper os med at forstå betydningen af et nyt ord i tvetydige sammenhænge. For eksempel, [hvis] børn bliver bedt om at ’vis mig dax’, når de præsenteres for en kendt og en ukendt genstand, har de en tendens til at vælge den ukendte.”
Relaterede
- Disse geniale ideer kunne hjælpe med at gøre AI lidt mindre ond
- Meta lavede DALL-E til video, og det er både uhyggeligt og fantastisk
- Optiske illusioner kan hjælpe os med at bygge den næste generation af kunstig intelligens
Forskerne ønskede at udforske et par ideer med deres arbejde. Den ene var at undersøge, om deep learning-algoritmer trænet ved hjælp af almindelige læringsparadigmer ville ræsonnere med gensidig eksklusivitet. De ønskede også at se, om ræsonnement med gensidig eksklusivitet ville hjælpe med at lære algoritmer i opgaver, der almindeligvis løses ved hjælp af dyb læring.
For at udføre disse undersøgelser trænede forskerne først 400 neurale netværk til at forbinde ordpar med deres betydninger. Neuralnettene blev derefter testet på 10 ord, de aldrig havde set før. De forudsagde, at nye ord sandsynligvis ville svare til kendte betydninger snarere end ukendte. Dette tyder på, at A.I. har ikke en eksklusivitetsbias. Dernæst analyserede forskerne datasæt, som hjælper A.I. at oversætte sprog. Dette var med til at vise, at eksklusivitetsbias ville være til gavn for maskiner.
"Vores resultater viser, at disse egenskaber er dårligt afstemt med strukturen af almindelige maskinlæringsopgaver," fortsatte Gandhi. "ME kan bruges som et tegn på generalisering i almindelige oversættelses- og klassifikationsopgaver, især i de tidlige stadier af træning. Vi mener, at udstilling af bias ville hjælpe med at lære algoritmer til at lære på hurtigere og mere tilpasningsdygtige måder."
Som Gandhi og Lake skrive i et papir beskriver deres arbejde: "Stærke induktive skævheder giver børn mulighed for at lære på hurtige og tilpasningsdygtige måder... Der er en overbevisende argumenter for at designe neurale netværk, der begrunder gensidig eksklusivitet, hvilket forbliver åbent udfordring."
Redaktørens anbefalinger
- Apples ChatGPT-rival skriver muligvis automatisk kode til dig
- Photoshop AI mener, at 'lykke' er et smil med rådne tænder
- Jeg pitchede min latterlige opstartside til en robot-VC
- Hvordan ved vi, hvornår en AI rent faktisk bliver sansende?
- Microsoft forlader sin uhyggelige, følelseslæsende A.I.
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.
