Kas mäletate hämmastavat ilmutuslikku tunnet, kui avastasite esimest korda põhjuse ja tagajärje olemasolu? See on trikiga küsimus. Lapsed hakkavad põhjuslikkuse põhimõtet õppima juba kaheksa kuu vanuselt, aidates neil teha algelisi järeldusi ümbritseva maailma kohta. Kuid enamik meist ei mäleta enne umbes kolme-neljaaastaseks saamist suurt midagi, nii et oluline õppetund "miks" on midagi, mida me lihtsalt peame iseenesestmõistetavaks.
See pole mitte ainult oluline õppetund, mida inimesed peavad õppima, vaid ka seda, milles tänapäeva tehisintellektisüsteemid on päris halvad. Kuigi kaasaegne A.I. on võimeline inimmängijate peksmine Go's ja autodega sõitmine tiheda liiklusega tänavatel, pole see tingimata võrreldav intelligentsusega, mida inimesed nende võimete omandamiseks kasutada võivad. Selle põhjuseks on asjaolu, et inimestel - isegi väikestel imikutel - on võime üldistada, rakendades teadmisi ühest valdkonnast teise. A.I. oma potentsiaali ära kasutada, see on midagi, mida ta peab ka suutma teha.
Soovitatavad videod
"Näiteks kui robot õppis, kuidas ehitada torni, kasutades mõnda plokki, võib ta soovida need oskused üle kanda silla või isegi majataolise konstruktsiooni ehitamiseks." Osama Ahmed, Šveitsi ETH Zürichi magistrant, rääkis Digital Trendsile. "Üks viis selle saavutamiseks võib olla erinevate keskkonnamuutujate vaheliste põhjuslike seoste õppimine. Või kujutage ette, et TriFinger robot kasutatakse Põhjuslik maailm kaotab ootamatult ühe sõrme riistvara rikke tõttu. Kuidas saab see ikkagi väravakuju ehitada vaid kahe sõrmega?
CausalWorldi video
Virtuaalne treeningmaailm masinatele
CausalWorld on mis Frederik Träuble, Ph.D. Saksamaa Max Plancki intelligentsete süsteemide instituudi tudeng, nimetab seda "manipulatsiooni etaloniks". See on samm selle poole teadusuuringute edendamine, et robotagendid saaksid paremini üldistada mitmesuguseid muutusi keskkonna omadustes, nagu näiteks keskkonna mass või kuju. objektid. Näiteks kui robot õpib konkreetset objekti üles võtma, võime seda mõistlikult eeldada suudab selle võime üle kanda ka raskematele objektidele – seni, kuni see mõistab õiget põhjuslikku seost suhe.
Selline virtuaalne treeningkeskkond, millest oleme harjunud ulmefilmides kuulma, on see, näiteks Maatriks: virtuaalne maailm, kus reeglid ei kehti. CausalWorldis, kus teadlased saavad süstemaatiliselt koolitada ja hinnata oma meetodeid robotikeskkonnas, on see just vastupidine. See kõik seisneb reeglite õppimises ja nende rakendamises. Robotiagentidele saab anda ülesandeid, mis on sarnased nendele, mida lapsed klotsidega mängides virnastades, lükkades ja muid põhjus-tagajärg mänge mängivad. Teadlased saavad sekkuda, et testida roboti üldistusvõimet, kui see õpib. Põhimõtteliselt on see testimiskeskkond, mis aitab hinnata, kuidas A.I. agendid võivad üldistada.
"Enamik tänapäeva A.I. põhineb statistilisel õppimisel, mille eesmärk on koguda andmetest statistiline teave, näiteks korrelatsioonid. Bernhard Schölkopf, ütles Max Plancki instituudi direktor väljaandele Digital Trends. "See on suurepärane, sest see võimaldab meil ennustada ühte suurust teistest, kuid ainult seni, kuni midagi ei muutu. Kui sekkute süsteemi, on kõik panused välja lülitatud. Sellistel juhtudel prognooside tegemiseks peame minema statistilisest õppimisest kaugemale, põhjuslikkuse poole. Lõppkokkuvõttes, kui tulevane A.I. tähendab mõtlemist "kujutletud ruumides tegutsemise" tähenduses, siis on sekkumised võtmetähtsusega ja seetõttu tuleb põhjuslikkust arvesse võtta.
Toimetajate soovitused
- Turvarobotid võivad tulla teie lähedal asuvasse kooli
- Amazon kasutab tooteülevaadete kokkuvõtmiseks tehisintellekti
- Amazon plaanib otsingus kord-põlvkonnas muudatusi, selgub töökuulutusest
- Google Smart Canvas saab rakenduste vahel sügavamalt integreerida
- Nvidia uusim A.I. tulemused näitavad, et ARM on andmekeskuse jaoks valmis
Uuendage oma elustiiliDigitaalsed suundumused aitavad lugejatel hoida silma peal kiirel tehnikamaailmal kõigi viimaste uudiste, lõbusate tooteülevaadete, sisukate juhtkirjade ja ainulaadsete lühiülevaadetega.
