זוכרים את התחושה המדהימה והחושפת כשגיליתם לראשונה את קיומם של סיבה ותוצאה? זו שאלת טריק. ילדים מתחילים ללמוד את עקרון הסיבתיות כבר מגיל שמונה חודשים, ועוזרים להם להסיק מסקנות ראשוניות לגבי העולם הסובב אותם. אבל רובנו לא זוכרים הרבה לפני גיל שלוש או ארבע בערך, אז הלקח החשוב של "למה" הוא משהו שאנחנו פשוט לוקחים כמובן מאליו.
זה לא רק שיעור מכריע לבני אדם ללמוד, אלא גם כזה שמערכות הבינה המלאכותית של היום די גרועות בו. בעוד A.I. מסוגל ל להכות שחקנים אנושיים בגו ולנהוג במכוניות ברחובות סואנים, זה לא בהכרח בר השוואה לסוג האינטליגנציה שבני אדם עשויים להשתמש כדי לשלוט ביכולות האלה. הסיבה לכך היא שלבני אדם - אפילו תינוקות קטנים - יש את היכולת להכליל על ידי יישום ידע מתחום אחד למשנהו. עבור A.I. לממש את הפוטנציאל שלו, זהו משהו שהוא גם צריך להיות מסוגל לעשות.
סרטונים מומלצים
"לדוגמה, אם הרובוט למד כיצד לבנות מגדל באמצעות כמה בלוקים, ייתכן שהוא ירצה להעביר את המיומנויות הללו לבניית גשר או אפילו מבנה דמוי בית." אוסמה אחמד, סטודנט לתואר שני ב-ETH ציריך בשוויץ, סיפר ל-Digital Trends. "אחת הדרכים להשיג זאת עשויה להיות לימוד הקשרים הסיבתיים בין משתני הסביבה השונים. או דמיינו שה
רובוט TriFinger בשימוש ב CausalWorld מאבד לפתע אצבע אחת עקב תקלה בחומרה. איך זה עדיין יכול לבנות את צורת המטרה עם שתי אצבעות בלבד במקום?"סרטון CausalWorld
עולם הדרכה וירטואלי למכונות
CausalWorld זה מה פרדריק טראובל, דוקטורט. סטודנט במכון מקס פלנק למערכות חכמות בגרמניה, מתייחס כ"אמת מידה למניפולציה". זה צעד לקראת קידום המחקר כך שסוכנים רובוטיים יוכלו להכליל טוב יותר שינויים שונים בתכונות הסביבה, כגון המסה או הצורה של חפצים. לדוגמה, אם רובוט לומד להרים חפץ מסוים, אנו עשויים לצפות לכך באופן סביר יכול להעביר את היכולת הזו לאובייקטים כבדים יותר - כל עוד הוא מבין את הסיבתיות הנכונה מערכת יחסים.
סוג של סביבת אימון וירטואלית שאנחנו רגילים לשמוע עליה בסרטי מדע בדיוני היא זו של, נניח, המטריקס: עולם וירטואלי שבו כללים אינם חלים. ב-CausalWorld, שבו חוקרים יכולים לאמן ולהעריך באופן שיטתי את השיטות שלהם בסביבות רובוטיות, זה בדיוק ההיפך. זה הכל על לימוד הכללים - וליישם אותם. ניתן לתת לסוכני רובוט משימות דומות לאלו שילדים משתתפים בהן כשהם משחקים עם בלוקים כדי לבצע הערמה, דחיפה ומשחק אחר של סיבה ותוצאה. החוקרים יכולים להתערב כדי לבדוק את יכולות ההכללה של הרובוט כשהוא לומד. זוהי בעצם סביבת בדיקה שתעזור להעריך כיצד A.I. סוכנים יכולים להכליל.
"רוב ה-A.I המודרנית. מבוססת על למידה סטטיסטית, שכולה חילוץ מידע סטטיסטי - למשל מתאמים - מנתונים." ברנהרד שולקופף, מנהל מכון מקס פלנק, אמר ל-Digital Trends. "זה נהדר כי זה מאפשר לנו לחזות כמות אחת מאחרות, אבל רק כל עוד שום דבר לא משתנה. כאשר אתה מתערב במערכת, אז כל ההימורים מושבתים. כדי לבצע תחזיות במקרים כאלה, עלינו ללכת מעבר ללמידה סטטיסטית, לכיוון סיבתיות. בסופו של דבר, אם A.I. הוא לעסוק בחשיבה במובן של 'פעולה במרחבים מדומים', אז התערבויות הן המפתח, ולכן יש לקחת בחשבון סיבתיות."
המלצות עורכים
- רובוטי אבטחה יכולים להגיע לבית ספר קרוב אליך
- אמזון פורסת AI כדי לסכם ביקורות על מוצרים
- אמזון מתכננת שינויים 'פעם בדור' עבור חיפוש, כך מגלה מודעת דרושים
- Google Smart Canvas מקבל אינטגרציה עמוקה יותר בין אפליקציות
- ה-A.I האחרון של Nvidia התוצאות מוכיחות ש-ARM מוכן למרכז הנתונים
שדרג את אורח החיים שלךמגמות דיגיטליות עוזרות לקוראים לעקוב אחר עולם הטכנולוגיה המהיר עם כל החדשות האחרונות, ביקורות מהנות על מוצרים, מאמרי מערכת מעוררי תובנות והצצות מיוחדות במינן.
