原因と結果の存在を初めて発見したときの驚くべき啓示的な感覚を覚えていますか? それはひっかけ質問です。 子供たちは生後 8 か月という早い時期から因果関係の原理を学び始め、周囲の世界についての初歩的な推論を行うのに役立ちます。 しかし、私たちのほとんどは 3 歳か 4 歳くらいまではあまり覚えていないため、「なぜ」という重要な教訓は単に当然のことだと思っています。
これは人間が学ぶべき重要な教訓であるだけでなく、今日の人工知能システムが非常に苦手とする教訓でもあります。 一方、現代のAI。 できる 囲碁で人間のプレイヤーを倒したり、交通量の多い道路で車を運転したりする、これは、人間がこれらの能力を習得するために使用する知能の種類と必ずしも匹敵するものではありません。 それは、人間は、たとえ小さな幼児であっても、ある領域の知識を別の領域に適用することで一般化する能力を持っているからです。 AIにとって その可能性を最大限に発揮するには、これが重要です。 それもできるようにする必要がある何か.
おすすめ動画
「たとえば、ロボットがいくつかのブロックを使って塔を建てる方法を学習した場合、そのスキルを橋や家のような構造物の建設に応用したいと思うかもしれません。」 オッサマ・アーメッドスイス連邦工科大学チューリッヒ校の修士課程の学生である彼はデジタルトレンドに語った。 「これを達成する 1 つの方法は、さまざまな環境変数間の因果関係を学習することかもしれません。 あるいは、次のように想像してください。 トライフィンガーロボット で使われる コーザルワールド ハードウェアの故障により、突然指が 1 本失われます。 どうやって 2 本の指だけでゴールの形を構築できるのでしょうか?」
CausalWorld ビデオ
マシンの仮想トレーニング世界
CausalWorldとは何ですか フレデリック・トロイブレ、博士号 ドイツのマックス・プランク知能システム研究所の学生は、「操作ベンチマーク」と呼んでいます。 への一歩です ロボットエージェントが、物質の質量や形状など、環境特性のさまざまな変化をより一般化できるように研究を進める。 オブジェクト。 たとえば、ロボットが特定の物体を拾うことを学習した場合、それは当然のことながら、 正しい因果関係を理解している限り、この能力をより重い物体に移すことができます 関係。
私たちが SF 映画でよく聞く仮想トレーニング環境の種類は、たとえば次のようなものです。 マトリックス：ルールが適用されない仮想世界。 研究者がロボット環境で自分の手法を体系的にトレーニングして評価できる CausalWorld では、まったく逆です。 すべてはルールを学び、それを適用することです。 ロボットエージェントには、子供たちがブロックで遊ぶときに参加するものと同様のタスクを与えて、積み上げたり、押したり、その他の因果関係のある遊びを行うことができます。 研究者はロボットが学習する際に介入して、ロボットの汎化能力をテストできます。 これは基本的に、AI がどのように機能するかを評価するのに役立つテスト環境です。 エージェントは一般化できます。
「現代のAIのほとんどは、 これは統計学習に基づいており、データから統計情報 (相関関係など) を抽出することがすべてです。」 ベルンハルト・シェルコップフマックス・プランク研究所所長はデジタル・トレンドに語った。 「これは、何も変化がない限り、ある量を他の量から予測できるという点で優れています。 システムに介入すると、すべての賭けが外れます。 このような場合に予測を行うには、統計的な学習を超えて、因果関係に向かう必要があります。 最終的に、将来の A.I. 「想像上の空間で行動する」という意味で考えることが重要であり、その場合は介入が重要であり、したがって因果関係を考慮する必要があります。」
編集者のおすすめ
- あなたの近くの学校に警備ロボットがやってくるかもしれない
- Amazon、AIを導入して商品レビューを要約
- Amazon、検索の「一世代に一度」の変革を計画、求人広告で明らかに
- Google Smart Canvas がアプリ間の統合を強化
- Nvidia の最新の A.I. 結果は、ARM がデータセンターに対応できることを証明しています
ライフスタイルをアップグレードするDigital Trends は、読者が最新ニュース、楽しい製品レビュー、洞察力に富んだ社説、ユニークなスニーク ピークをすべて提供して、ペースの速いテクノロジーの世界を監視するのに役立ちます。
