Kecerdasan umum buatan, gagasan tentang A.I. agen yang mampu memahami dan mempelajari tugas intelektual apa pun yang dapat dilakukan manusia, telah lama menjadi komponen fiksi ilmiah. Sebagai A.I. menjadi semakin pintar — terutama dengan terobosan dalam alat pembelajaran mesin yang mampu menulis ulang tugas mereka kode untuk dipelajari dari pengalaman baru — hal ini semakin banyak menjadi bagian dari percakapan kecerdasan buatan yang nyata Sehat.
Isi
- Membangun dunia
- Aturan mainnya
- Hal yang sulit itu mudah, hal yang mudah itu sulit
Namun bagaimana kita mengukur AGI saat AGI tiba? Selama bertahun-tahun, para peneliti telah memaparkan sejumlah kemungkinan. Yang paling terkenal adalah Tes Turing, di mana hakim manusia berinteraksi, tanpa terlihat, dengan manusia dan mesin, dan harus mencoba menebak yang mana. Dua lainnya, Tes Mahasiswa Robot College Ben Goertzel dan Nils J. Tes Ketenagakerjaan Nilsson, berupaya menguji kemampuan AI secara praktis dengan melihat apakah ia dapat memperoleh gelar sarjana atau melakukan pekerjaan di tempat kerja. Yang lain, yang secara pribadi ingin saya abaikan, berpendapat bahwa kecerdasan dapat diukur dengan keberhasilan kemampuan merakit furnitur flatpack bergaya Ikea tanpa masalah.
Video yang Direkomendasikan
Salah satu langkah AGI yang paling menarik dikemukakan oleh salah satu pendiri Apple Steve Wozniak. Woz, begitu ia dikenal oleh teman dan pengagumnya, menyarankan Tes Kopi. Kecerdasan umum, katanya, berarti robot yang mampu masuk ke rumah mana pun di dunia, menemukan lokasi dapur, menyeduh secangkir kopi segar, dan kemudian menuangkannya ke dalam cangkir.
Terkait
- AI Analog? Kedengarannya gila, tapi mungkin itu adalah masa depan
- Inilah analisis tren A.I. menurutnya akan menjadi hal besar berikutnya dalam bidang teknologi
- Masa depan A.I.: 4 hal besar yang harus diperhatikan dalam beberapa tahun ke depan
Seperti halnya setiap A.I. tes kecerdasan, Anda bisa berdebat tentang seberapa luas atau sempit parameternya. Namun, gagasan bahwa kecerdasan harus dikaitkan dengan kemampuan menavigasi dunia nyata sangatlah menarik. Ini juga merupakan salah satu proyek penelitian baru yang ingin diuji.
Membangun dunia
“Dalam beberapa tahun terakhir, A.I. komunitas telah membuat kemajuan besar dalam pelatihan A.I. agen untuk melakukan tugas-tugas kompleks,” Luca Weihs, seorang ilmuwan peneliti di Allen Institute for AI, sebuah laboratorium kecerdasan buatan yang didirikan oleh mendiang salah satu pendiri Microsoft Paul Allen, mengatakan kepada Digital Trends.
Weihs mengutip pengembangan A.I. agen yang mampu belajar mainkan game Atari klasik Dan kalahkan pemain manusia di Go. Namun, Weihs mencatat bahwa tugas-tugas ini “sering kali terlepas” dari dunia kita. Tunjukkan gambar dunia nyata kepada A.I. dilatih untuk memainkan permainan Atari, dan ia tidak akan tahu apa yang sedang dilihatnya. Di sinilah para peneliti Allen Institute yakin bahwa mereka mempunyai sesuatu untuk ditawarkan.
Institut Allen untuk A.I. telah membangun semacam kerajaan real estate. Namun ini bukanlah real estat fisik, melainkan real estat virtual. Ini mengembangkan ratusan ruangan dan apartemen virtual — termasuk dapur, kamar tidur, kamar mandi, dan ruang keluarga — di mana A.I. agen dapat berinteraksi dengan ribuan objek. Ruang-ruang ini membanggakan fisika realistis, dukungan untuk banyak agen, dan bahkan keadaan seperti panas dan dingin. Dengan membiarkan A.I. agen bermain di lingkungan ini, idenya adalah bahwa mereka dapat membangun persepsi dunia yang lebih realistis.
“Dalam pekerjaan [baru kami], kami ingin memahami bagaimana A.I. agen dapat belajar tentang lingkungan yang realistis dengan memainkan permainan interaktif di dalamnya,” kata Weihs. “Untuk menjawab pertanyaan ini, kami melatih dua agen untuk memainkan Cache, sebuah varian dari petak umpet, menggunakan pembelajaran penguatan permusuhan dalam fidelitas tinggi. Lingkungan AI2-THOR. Melalui gameplay ini, kami menemukan bahwa agen kami belajar merepresentasikan gambar individu, mendekati kinerja metode membutuhkan jutaan gambar berlabel tangan - dan bahkan mulai mengembangkan beberapa kognitif primitif yang sering dipelajari oleh [developmental] psikolog.”
Aturan mainnya
Tidak seperti petak umpet biasa, di Cache, bot bergiliran menyembunyikan objek seperti penyedot toilet, roti, tomat, dan banyak lagi, yang masing-masing memiliki geometri tersendiri. Kedua agen tersebut - yang satu adalah penyembunyi, yang lainnya adalah pencari - kemudian bersaing untuk melihat apakah salah satu agen berhasil menyembunyikan objek tersebut dari yang lain. Hal ini melibatkan sejumlah tantangan, termasuk eksplorasi dan pemetaan, pemahaman perspektif, penyembunyian, manipulasi objek, dan pencarian. Semuanya disimulasikan secara akurat, bahkan hingga persyaratan bahwa penyembunyi harus mampu memanipulasi objek di tangannya dan tidak menjatuhkannya.
Menggunakan pembelajaran penguatan mendalam - paradigma pembelajaran mesin yang didasarkan pada pembelajaran untuk mengambil tindakan dalam suatu lingkungan untuk memaksimalkan hadiah — bot menjadi lebih baik dan lebih baik dalam menyembunyikan objek, serta mencari mereka keluar.
“Apa yang membuat hal ini sangat sulit bagi AI adalah mereka tidak melihat dunia seperti kita,” kata Weihs. “Evolusi selama miliaran tahun telah membuat, bahkan saat masih bayi, otak kita secara efisien menerjemahkan foton menjadi konsep. Di sisi lain, A.I. dimulai dari awal dan melihat dunianya sebagai kumpulan angka-angka besar yang kemudian harus dipelajari untuk diterjemahkan menjadi makna. Terlebih lagi, tidak seperti dalam catur, di mana dunia tertata rapi dalam 64 kotak, setiap gambar yang dilihat oleh agen hanya menangkap satu gambar. bagian kecil dari lingkungan, sehingga harus mengintegrasikan pengamatannya sepanjang waktu untuk membentuk pemahaman yang koheren tentang lingkungan tersebut dunia."
Untuk lebih jelasnya, karya terbaru ini bukan tentang membangun A.I. Dalam film seperti Terminator 2: Hari Penghakiman, superkomputer Skynet mencapai kesadaran diri tepat pada pukul 02.14 Waktu Bagian Timur pada tanggal 29 Agustus 1997. Terlepas dari tanggalnya, yang kini sudah hampir seperempat abad berada di kaca spion kolektif kita, sepertinya tidak akan ada titik kritis yang tepat ketika A.I. menjadi AGI. Sebaliknya, semakin banyak hasil komputasi – baik yang bersifat low-hanging maupun high-hanging – yang akan dipetik hingga kita akhirnya memiliki sesuatu yang mendekati kecerdasan umum di berbagai domain.
Hal yang sulit itu mudah, hal yang mudah itu sulit
Para peneliti secara tradisional tertarik pada masalah kompleks untuk AI. untuk menyelesaikannya berdasarkan gagasan bahwa, jika masalah yang sulit dapat diselesaikan, maka masalah yang mudah tidak akan ketinggalan jauh. Jika Anda dapat mensimulasikan pengambilan keputusan orang dewasa, dapatkah gagasan seperti objek permanen (gagasan bahwa benda diam ada ketika kita tidak dapat melihatnya) yang dipelajari seorang anak dalam beberapa bulan pertama kehidupannya benar-benar membuktikan hal tersebut sulit? Jawabannya adalah ya — dan paradoks ini, jika menyangkut AI, adalah hal-hal yang sulit seringkali mudah, dan hal-hal yang mudah itu sulit, adalah pekerjaan seperti ini yang ingin diatasi.
“Paradigma paling umum untuk melatih A.I. agen [melibatkan] kumpulan data yang sangat besar dan diberi label secara manual dan terfokus pada satu tugas – misalnya, mengenali objek,” kata Weihs. “Meskipun pendekatan ini telah mencapai kesuksesan besar, saya pikir pendekatan ini optimis untuk percaya bahwa kita dapat secara manual membuat kumpulan data yang cukup untuk menghasilkan kecerdasan buatan (A.I. agen yang dapat bertindak cerdas di dunia nyata, berkomunikasi dengan manusia, dan memecahkan segala macam masalah yang belum pernah ditemui sebelumnya. Untuk melakukan hal ini, saya yakin kita perlu membiarkan agen mempelajari dasar-dasar kognitif primitif yang kita anggap remeh dengan membiarkan mereka berinteraksi secara bebas dengan dunianya. Pekerjaan kami menunjukkan bahwa menggunakan gameplay untuk memotivasi A.I. agen untuk berinteraksi dan menjelajahi dunia mereka menghasilkan mereka mulai belajar primitif ini — dan dengan demikian menunjukkan bahwa gameplay adalah arah yang menjanjikan dari kumpulan data yang dibuat secara manual dan menuju pengalaman sedang belajar."
A makalah yang menjelaskan pekerjaan ini akan dipresentasikan pada Konferensi Internasional tentang Representasi Pembelajaran 2021 mendatang.
Rekomendasi Editor
- Ilusi optik dapat membantu kita membangun AI generasi berikutnya
- Rumus lucunya: Mengapa humor yang dihasilkan mesin adalah cawan suci A.I.
- Bacalah 'kitab suci sintetik' yang sangat indah dari A.I. yang berpikir itu adalah Tuhan
- Arsitektur algoritmik: Haruskah kita membiarkan A.I. merancang bangunan untuk kami?
- A.I. ada di sini, dan bisa jadi dalam wawancara kerja Anda berikutnya
