Sjećate li se nevjerojatnog, otkrivajućeg osjećaja kada ste prvi put otkrili postojanje uzroka i posljedice? To je trik pitanje. Djeca počinju učiti načelo uzročnosti već u dobi od osam mjeseci, što im pomaže da donesu rudimentarne zaključke o svijetu oko sebe. Ali većina nas se ne sjeća mnogo toga prije dobi od oko tri ili četiri godine, tako da je važna lekcija "zašto" nešto što jednostavno uzimamo zdravo za gotovo.
To nije samo ključna lekcija koju ljudi moraju naučiti, već i lekcija u kojoj su današnji sustavi umjetne inteligencije vraški loši. Dok moderni A.I. je sposoban za pobjeđivanje ljudskih igrača u igri Go i vožnja automobila prometnim ulicama, to nije nužno usporedivo s vrstom inteligencije koju bi ljudi mogli koristiti za ovladavanje tim sposobnostima. To je zato što ljudi - čak i mala djeca - posjeduju sposobnost generaliziranja primjenom znanja iz jedne domene u drugu. Za A.I. ispuniti svoj potencijal, ovo je nešto što također treba moći učiniti.
Preporučeni videozapisi
"Na primjer, ako je robot naučio kako izgraditi toranj koristeći neke blokove, možda će htjeti prenijeti te vještine na izgradnju mosta ili čak strukture nalik kući",
Osama Ahmed, student master studija na ETH Zurich u Švicarskoj, rekao je za Digital Trends. “Jedan od načina da se to postigne može biti učenje uzročnih odnosa između različitih varijabli okoline. Ili zamislite da je TriFinger robot korišteno u CausalWorld iznenada gubi jedan prst zbog hardverskog kvara. Kako ipak može graditi oblik gola sa samo dva prsta?"CausalWorld video
Virtualni svijet obuke za strojeve
CausalWorld je ono što Frederik Träuble, doktorat znanosti student na Institutu Max Planck za inteligentne sustave u Njemačkoj, naziva se "mjerilo za manipulaciju". To je korak prema unaprjeđenje istraživanja kako bi robotski agenti mogli bolje generalizirati različite promjene u svojstvima okoliša, poput mase ili oblika objekti. Na primjer, ako robot nauči podići određeni predmet, to možemo razumno očekivati može prenijeti ovu sposobnost na teže predmete — sve dok razumije pravu uzročnost odnos.
Vrsta virtualnog okruženja za trening o kojem smo navikli slušati u znanstveno-fantastičnim filmovima je ono u, recimo, Matrica: virtualni svijet u kojem pravila ne vrijede. U CausalWorldu, u kojem istraživači mogu sustavno trenirati i evaluirati svoje metode u robotskim okruženjima, upravo je suprotno. Sve je u učenju pravila - i njihovoj primjeni. Robotski agenti mogu dobiti zadatke slične onima u kojima djeca sudjeluju kada se igraju s blokovima da slažu, guraju i drugu uzročno-posljedičnu igru. Istraživači mogu intervenirati kako bi testirali robotove sposobnosti generalizacije dok uči. To je u osnovi okruženje za testiranje koje će pomoći u procjeni kako A.I. agenti mogu generalizirati.
“Većina modernih A.I. temelji se na statističkom učenju, što je sve o izvlačenju statističkih informacija — na primjer, korelacija — iz podataka,” Bernhard Schölkopf, direktor Instituta Max Planck, rekao je za Digital Trends. “Ovo je sjajno jer nam omogućuje predviđanje jedne količine na temelju drugih, ali samo dok se ništa ne mijenja. Kada intervenirate u sustavu, onda su sve oklade isključene. Da bismo napravili predviđanja u takvim slučajevima, moramo ići dalje od statističkog učenja, prema kauzalnosti. U konačnici, ako budući A.I. biti o razmišljanju u smislu 'djelovanja u zamišljenim prostorima', tada su intervencije ključne, pa se uzročnost mora uzeti u obzir."
Preporuke urednika
- Sigurnosni roboti možda dolaze u školu u vašoj blizini
- Amazon koristi AI za sažimanje recenzija proizvoda
- Amazon planira promjene 'jednom u generaciji' za pretraživanje, otkriva oglas za posao
- Google Smart Canvas dobiva dublju integraciju između aplikacija
- Najnoviji Nvidijin A.I. rezultati dokazuju da je ARM spreman za podatkovni centar
Nadogradite svoj životni stilDigitalni trendovi pomažu čitateljima da prate brzi svijet tehnologije sa svim najnovijim vijestima, zabavnim recenzijama proizvoda, pronicljivim uvodnicima i jedinstvenim brzim pregledima.
