Η τεχνητή γενική νοημοσύνη, η ιδέα ενός ευφυούς A.I. πράκτορας που είναι σε θέση να κατανοήσει και να μάθει οποιαδήποτε πνευματική εργασία που μπορούν να κάνουν οι άνθρωποι, αποτελεί εδώ και καιρό ένα συστατικό της επιστημονικής φαντασίας. Ως A.I. γίνεται όλο και πιο έξυπνος — ειδικά με τις ανακαλύψεις στα εργαλεία μηχανικής μάθησης που είναι σε θέση να ξαναγράψουν κώδικας για να μάθουμε από νέες εμπειρίες — είναι όλο και πιο ευρέως μέρος των πραγματικών συνομιλιών τεχνητής νοημοσύνης καθώς Καλά.
Περιεχόμενα
- Χτίζοντας κόσμους
- Οι κανόνες του παιχνιδιού
- Τα δύσκολα πράγματα είναι εύκολα, τα εύκολα πράγματα είναι δύσκολα
Αλλά πώς μετράμε το AGI όταν φτάσει; Με τα χρόνια, οι ερευνητές έχουν παρουσιάσει μια σειρά από πιθανότητες. Το πιο διάσημο παραμένει το τεστ Turing, στο οποίο ένας ανθρώπινος κριτής αλληλεπιδρά, χωρίς θέα, τόσο με ανθρώπους όσο και με μια μηχανή, και πρέπει να προσπαθήσει και να μαντέψει ποιος είναι ποιος. Δύο άλλοι, ο Ben Goertzel's Robot College Student Test και ο Nils J. Το Nilsson's Employment Test, επιδιώκουν να δοκιμάσουν πρακτικά τις ικανότητες ενός A.I. βλέποντας εάν θα μπορούσε να κερδίσει πτυχίο κολεγίου ή να πραγματοποιήσει θέσεις εργασίας στο χώρο εργασίας. Ένα άλλο, το οποίο προσωπικά θα ήθελα να κάνω έκπτωση, υποστηρίζει ότι η ευφυΐα μπορεί να μετρηθεί με την επιτυχή ικανότητα συναρμολόγησης επίπλων επίπεδης συσκευασίας τύπου Ikea χωρίς προβλήματα.
Προτεινόμενα βίντεο
Ένα από τα πιο ενδιαφέροντα μέτρα AGI προτάθηκε από τον συνιδρυτή της Apple, Steve Wozniak. Ο Woz, όπως είναι γνωστός σε φίλους και θαυμαστές, προτείνει το Coffee Test. Μια γενική νοημοσύνη, είπε, θα σήμαινε ένα ρομπότ που μπορεί να μπει σε οποιοδήποτε σπίτι στον κόσμο, να εντοπίσει την κουζίνα, να παρασκευάσει ένα φρέσκο φλιτζάνι καφέ και μετά να το ρίξει σε μια κούπα.
Σχετίζεται με
- Αναλογικό A.I.; Ακούγεται τρελό, αλλά μπορεί να είναι το μέλλον
- Δείτε τι αναλύει μια τάση A.I. πιστεύει ότι θα είναι το επόμενο μεγάλο πράγμα στην τεχνολογία
- Το μέλλον της A.I.: 4 μεγάλα πράγματα που πρέπει να προσέξετε τα επόμενα χρόνια
Όπως συμβαίνει με κάθε A.I. τεστ νοημοσύνης, μπορείτε να διαφωνήσετε για το πόσο ευρείες ή στενές είναι οι παράμετροι. Ωστόσο, η ιδέα ότι η ευφυΐα πρέπει να συνδέεται με την ικανότητα πλοήγησης στον πραγματικό κόσμο είναι ενδιαφέρουσα. Είναι επίσης ένα νέο ερευνητικό έργο που επιδιώκει να δοκιμάσει.
Χτίζοντας κόσμους
«Τα τελευταία χρόνια, το A.I. Η κοινότητα έχει κάνει τεράστια βήματα προόδου στην εκπαίδευση A.I. πράκτορες για να κάνουν πολύπλοκες εργασίες,» Luca Weihs, ένας ερευνητής στο Ινστιτούτο Allen για την Τεχνητή Νοημοσύνη, ένα εργαστήριο τεχνητής νοημοσύνης που ιδρύθηκε από τον αείμνηστο συνιδρυτή της Microsoft, Paul Allen, δήλωσε στο Digital Trends.
Ο Weihs ανέφερε την ανάπτυξη A.I από την DeepMind. πράκτορες που είναι σε θέση να μάθουν να Παίξτε κλασικά παιχνίδια Atari και κέρδισε ανθρώπους παίκτες στο Go. Ωστόσο, ο Weihs σημείωσε ότι αυτές οι εργασίες «αποσπώνται συχνά» από τον κόσμο μας. Δείξτε μια εικόνα του πραγματικού κόσμου σε ένα A.I. έχει εκπαιδευτεί να παίζει παιχνίδια Atari και δεν θα έχει ιδέα τι κοιτάζει. Εδώ είναι που οι ερευνητές του Allen Institute πιστεύουν ότι έχουν κάτι να προσφέρουν.
Το Allen Institute for A.I. έχει δημιουργήσει κάτι σαν αυτοκρατορία ακινήτων. Αλλά αυτό δεν είναι φυσικό ακίνητο, όσο είναι εικονικό ακίνητο. Έχει αναπτύξει εκατοντάδες εικονικά δωμάτια και διαμερίσματα — συμπεριλαμβανομένων κουζινών, υπνοδωματίων, μπάνια και καθιστικών — στα οποία η A.I. Οι πράκτορες μπορούν να αλληλεπιδράσουν με χιλιάδες αντικείμενα. Αυτοί οι χώροι διαθέτουν ρεαλιστική φυσική, υποστήριξη για πολλαπλούς πράκτορες, ακόμη και καταστάσεις όπως ζεστό και κρύο. Αφήνοντας την A.I. Οι πράκτορες παίζουν σε αυτά τα περιβάλλοντα, η ιδέα είναι ότι μπορούν να δημιουργήσουν μια πιο ρεαλιστική αντίληψη του κόσμου.
«Στη [νέα μας] δουλειά, θέλαμε να καταλάβουμε πώς η A.I. Οι πράκτορες θα μπορούσαν να μάθουν για ένα ρεαλιστικό περιβάλλον παίζοντας ένα διαδραστικό παιχνίδι μέσα σε αυτό», είπε ο Weihs. «Για να απαντήσουμε σε αυτήν την ερώτηση, εκπαιδεύσαμε δύο πράκτορες να παίζουν την Cache, μια παραλλαγή του κρυφτού, χρησιμοποιώντας ενισχυτική μάθηση αντιπάλου εντός της υψηλής πιστότητας Περιβάλλον AI2-THOR. Μέσα από αυτό το παιχνίδι, διαπιστώσαμε ότι οι πράκτορες μας έμαθαν να αναπαριστούν μεμονωμένες εικόνες, προσεγγίζοντας την απόδοση των μεθόδων απαιτούν εκατομμύρια εικόνες με σήμανση με το χέρι — και μάλιστα άρχισαν να αναπτύσσουν κάποιες γνωστικές πρωτόγονες ιδέες που συχνά μελετώνται από [αναπτυξιακά] ψυχολόγων."
Οι κανόνες του παιχνιδιού
Σε αντίθεση με το συνηθισμένο κρυφτό, στο Cache, τα ρομπότ κρύβουν εκ περιτροπής αντικείμενα όπως έμβολα τουαλέτας, καρβέλια ψωμί, ντομάτες και άλλα, καθένα από τα οποία έχει τη δική του ξεχωριστή γεωμετρία. Οι δύο πράκτορες - ο ένας είναι κρυφός, ο άλλος αναζητητής - στη συνέχεια ανταγωνίζονται για να δουν αν ο ένας μπορεί να κρύψει με επιτυχία το αντικείμενο από τον άλλο. Αυτό περιλαμβάνει μια σειρά από προκλήσεις, όπως εξερεύνηση και χαρτογράφηση, κατανόηση της προοπτικής, απόκρυψη, χειραγώγηση αντικειμένων και αναζήτηση. Τα πάντα προσομοιώνονται με ακρίβεια, ακόμη και στην απαίτηση ότι ο hider θα πρέπει να μπορεί να χειρίζεται το αντικείμενο στο χέρι του και να μην το ρίχνει.
Χρήση βαθιάς ενισχυτικής μάθησης — ένα παράδειγμα μηχανικής μάθησης που βασίζεται στην εκμάθηση για την ανάληψη δράσεων σε ένα περιβάλλον για τη μεγιστοποίηση της ανταμοιβής — τα bots γίνονται όλο και καλύτερα στην απόκρυψη των αντικειμένων, καθώς και στην αναζήτηση τους έξω.
«Αυτό που το κάνει τόσο δύσκολο για τα A.I.s είναι ότι δεν βλέπουν τον κόσμο όπως εμείς», είπε ο Weihs. «Δισεκατομμύρια χρόνια εξέλιξης το έχουν κάνει έτσι ώστε, ακόμη και ως βρέφη, ο εγκέφαλός μας να μεταφράζει αποτελεσματικά τα φωτόνια σε έννοιες. Από την άλλη πλευρά, ένα A.I. ξεκινάει από το μηδέν και βλέπει τον κόσμο του σαν ένα τεράστιο πλέγμα αριθμών που στη συνέχεια πρέπει να μάθει να αποκωδικοποιεί σε νόημα. Επιπλέον, σε αντίθεση με το σκάκι, όπου ο κόσμος περιλαμβάνεται τακτοποιημένα σε 64 τετράγωνα, κάθε εικόνα που βλέπει ο πράκτορας καταγράφει μόνο ένα μικρό κομμάτι του περιβάλλοντος, και έτσι πρέπει να ενσωματώσει τις παρατηρήσεις του μέσα στο χρόνο για να σχηματίσει μια συνεκτική κατανόηση του κόσμος."
Για να είμαστε σαφείς, αυτή η τελευταία δουλειά δεν έχει να κάνει με τη δημιουργία ενός εξαιρετικά ευφυούς A.I. Σε ταινίες όπως Terminator 2: Judgment Day, ο υπερυπολογιστής Skynet επιτυγχάνει αυτογνωσία ακριβώς στις 2.14 π.μ. ανατολική ώρα στις 29 Αυγούστου 1997. Παρά την ημερομηνία, τώρα σχεδόν ένα τέταρτο του αιώνα στον συλλογικό μας καθρέφτη, φαίνεται απίθανο να υπάρξει ένα τόσο ακριβές σημείο καμπής όταν το κανονικό A.I. γίνεται ΑΓΗ. Αντ 'αυτού, όλο και περισσότεροι υπολογιστικοί καρποί - χαμηλής και υψηλής ανάρτησης - θα μαδηθούν έως ότου επιτέλους έχουμε κάτι που προσεγγίζει μια γενικευμένη νοημοσύνη σε πολλούς τομείς.
Τα δύσκολα πράγματα είναι εύκολα, τα εύκολα πράγματα είναι δύσκολα
Οι ερευνητές παραδοσιακά στρέφονται προς σύνθετα προβλήματα για την A.I. να λύσει με βάση την ιδέα ότι, εάν τα δύσκολα προβλήματα μπορούν να επιλυθούν, τα εύκολα δεν πρέπει να είναι πολύ πίσω. Εάν μπορείτε να προσομοιώσετε τη λήψη αποφάσεων ενός ενήλικα, μπορούν ιδέες όπως η μονιμότητα του αντικειμένου (η ιδέα ότι τα αντικείμενα εξακολουθούν να υπάρχουν όταν δεν μπορούμε να τα δούμε) ότι ένα παιδί μαθαίνει μέσα στους πρώτους μήνες της ζωής του το αποδεικνύει πραγματικά αυτό δύσκολος? Η απάντηση είναι ναι — και αυτό το παράδοξο ότι, όταν πρόκειται για A.I., το Τα δύσκολα πράγματα είναι συχνά εύκολα και τα εύκολα είναι δύσκολα, είναι αυτό που πρόκειται να αντιμετωπίσει μια τέτοια εργασία.
«Το πιο κοινό παράδειγμα για την εκπαίδευση A.I. Οι πράκτορες [περιλαμβάνουν] τεράστια, χειροκίνητα επισημασμένα σύνολα δεδομένων που εστιάζονται στενά σε μια μεμονωμένη εργασία - για παράδειγμα, την αναγνώριση αντικειμένων», είπε ο Weihs. «Αν και αυτή η προσέγγιση είχε μεγάλη επιτυχία, νομίζω ότι είναι αισιόδοξο να πιστεύουμε ότι μπορούμε να δημιουργήσουμε με μη αυτόματο τρόπο αρκετά σύνολα δεδομένων για την παραγωγή ενός A.I. πράκτορας που μπορεί να ενεργεί έξυπνα στον πραγματικό κόσμο, να επικοινωνεί με ανθρώπους και να λύνει κάθε είδους προβλήματα που δεν έχει συναντήσει πριν. Για να γίνει αυτό, πιστεύω ότι θα πρέπει να αφήσουμε τους πράκτορες να μάθουν τα θεμελιώδη γνωστικά πρωτόγονα που θεωρούμε δεδομένα, αφήνοντάς τους να αλληλεπιδρούν ελεύθερα με τον κόσμο τους. Η εργασία μας δείχνει ότι η χρήση του παιχνιδιού για να παρακινήσει το A.I. Οι πράκτορες με τους οποίους αλληλεπιδρούν και εξερευνούν τον κόσμο τους έχει ως αποτέλεσμα να αρχίζουν να μαθαίνουν αυτά τα πρωτόγονα — και ως εκ τούτου δείχνει ότι το παιχνίδι είναι μια πολλά υποσχόμενη κατεύθυνση μακριά από σύνολα δεδομένων με μη αυτόματο τρόπο και προς το βιωματικό μάθηση."
ΕΝΑ χαρτί που περιγράφει αυτό το έργο θα παρουσιαστεί στο επερχόμενο Διεθνές Συνέδριο για τις Εκπαιδευτικές Αναπαραστάσεις του 2021.
Συστάσεις των συντακτών
- Οι οπτικές ψευδαισθήσεις θα μπορούσαν να μας βοηθήσουν να δημιουργήσουμε την επόμενη γενιά τεχνητής νοημοσύνης
- Η αστεία φόρμουλα: Γιατί το χιούμορ που δημιουργείται από μηχανή είναι το ιερό δισκοπότηρο του A.I.
- Διαβάστε την απόκοσμα όμορφη «συνθετική γραφή» ενός A.I. που νομίζει ότι είναι Θεός
- Αλγοριθμική αρχιτεκτονική: Πρέπει να αφήσουμε το A.I. σχεδίαση κτιρίων για εμάς;
- Συναισθηματική A.I. είναι εδώ και θα μπορούσε να είναι στην επόμενη συνέντευξη εργασίας σας
