Atcerieties to apbrīnojamo, atklājošo sajūtu, kad pirmo reizi atklājāt cēloņa un seku esamību? Tas ir viltīgs jautājums. Bērni sāk apgūt cēloņsakarības principu jau no astoņu mēnešu vecuma, palīdzot viņiem izdarīt rudimentārus secinājumus par apkārtējo pasauli. Bet lielākā daļa no mums neko daudz neatceras pirms aptuveni trīs vai četru gadu vecuma, tāpēc svarīgo mācību “kāpēc” mēs vienkārši uzskatām par pašsaprotamu.
Tā ir ne tikai svarīga mācība, kas cilvēkiem jāapgūst, bet arī tāda, kurā mūsdienu mākslīgā intelekta sistēmas ir diezgan sliktas. Kamēr mūsdienu A.I. ir spējīgs sita cilvēku spēlētājus pie Go un brauc ar automašīnām aizņemtās ielās, tas ne vienmēr ir salīdzināms ar intelektu, ko cilvēki varētu izmantot, lai apgūtu šīs spējas. Tas ir tāpēc, ka cilvēkiem — pat maziem zīdaiņiem — piemīt spēja vispārināt, pielietojot zināšanas no vienas jomas citā. Par A.I. lai izmantotu savu potenciālu, tas ir kaut kas tam arī jāspēj.
Ieteiktie videoklipi
"Piemēram, ja robots iemācījās uzbūvēt torni, izmantojot dažus blokus, tas var vēlēties nodot šīs prasmes tilta vai pat mājai līdzīgas konstrukcijas celtniecībā."
Osama Ahmeds, maģistrantūras students ETH Cīrihē Šveicē, pastāstīja Digital Trends. "Viens no veidiem, kā to panākt, varētu būt cēloņsakarību apguve starp dažādiem vides mainīgajiem. Vai arī iedomājieties, ka TriFinger robots izmantots CausalWorld pēkšņi zaudē vienu pirkstu aparatūras darbības traucējumu dēļ. Kā tā joprojām var izveidot vārtu formu tikai ar diviem pirkstiem?CausalWorld video
Virtuālā apmācību pasaule mašīnām
CausalWorld ir kas Frederiks Trūbls, Ph.D. students Maksa Planka Inteliģento sistēmu institūtā Vācijā, tiek dēvēts par "manipulācijas etalonu". Tas ir solis uz priekšu virzīt pētniecību, lai robotizētie aģenti varētu labāk vispārināt dažādas izmaiņas vides īpašībās, piemēram, masā vai formā objektus. Piemēram, ja robots iemācās uztvert noteiktu objektu, mēs varam pamatoti sagaidīt, ka tas tā ir var pārnest šo spēju uz smagākiem objektiem, ja vien tā saprot pareizo cēloņsakarību attiecības.
Tāda virtuālā apmācības vide, par kuru mēs esam pieraduši dzirdēt zinātniskās fantastikas filmās, ir, piemēram, Matrica: virtuālā pasaule, kurā noteikumi nav spēkā. CausalWorld, kurā pētnieki var sistemātiski apmācīt un novērtēt savas metodes robotu vidē, tas ir tieši pretējs. Tas viss ir par noteikumu apgūšanu un to piemērošanu. Robotu aģentiem var dot uzdevumus, kas līdzīgi tiem, kuros bērni piedalās, spēlējoties ar klučiem, lai veiktu sakraušanu, stumšanu un citas spēles, kas saistītas ar cēloņiem un sekām. Pētnieki var iejaukties, lai pārbaudītu robota vispārināšanas spējas, kad tas mācās. Būtībā tā ir testēšanas vide, kas palīdzēs novērtēt, kā A.I. aģenti var vispārināt.
“Lielākā daļa mūsdienu A.I. ir balstīta uz statistisko mācīšanos, kuras mērķis ir statistikas informācijas, piemēram, korelāciju, iegūšana no datiem. Bernhards Šelkopfs, Maksa Planka institūta direktors pastāstīja Digital Trends. “Tas ir lieliski, jo ļauj mums paredzēt vienu daudzumu no citiem, bet tikai tik ilgi, kamēr nekas nemainās. Kad iejaucas sistēmā, visas likmes tiek izslēgtas. Lai šādos gadījumos veiktu prognozes, mums ir jāiet tālāk par statistikas mācīšanos, uz cēloņsakarību. Galu galā, ja nākotnes A.I. ir domāt par domāšanu “darbošanās iedomātās telpās”, tad iejaukšanās ir galvenais, un tāpēc ir jāņem vērā cēloņsakarība.
Redaktoru ieteikumi
- Drošības roboti varētu ierasties skolā netālu no jums
- Amazon izvieto AI, lai apkopotu produktu pārskatus
- Amazon plāno "vienreiz paaudzē" izmaiņas meklēšanai, atklāj darba sludinājumi
- Google Smart Canvas nodrošina dziļāku lietotņu integrāciju
- Nvidia jaunākais A.I. rezultāti pierāda, ka ARM ir gatavs datu centram
Uzlabojiet savu dzīvesveiduDigitālās tendences palīdz lasītājiem sekot līdzi steidzīgajai tehnoloģiju pasaulei, izmantojot visas jaunākās ziņas, jautrus produktu apskatus, ieskatu saturošus rakstus un unikālus ieskatus.
