Husker du den fantastiske, åpenbarende følelsen da du først oppdaget eksistensen av årsak og virkning? Det er et lurespørsmål. Barn begynner å lære kausalitetsprinsippet fra så tidlig som åtte måneder gamle, og hjelper dem å gjøre rudimentære slutninger om verden rundt dem. Men de fleste av oss husker ikke mye før en alder av rundt tre eller fire år, så den viktige leksjonen om "hvorfor" er noe vi ganske enkelt tar for gitt.
Det er ikke bare en viktig leksjon for mennesker å lære, men også en som dagens kunstige intelligenssystemer er ganske dårlige på. Mens moderne A.I. er i stand til slå menneskelige spillere på Go og kjøre bil i travle gater, dette er ikke nødvendigvis sammenlignbart med den typen intelligens mennesker kan bruke for å mestre disse evnene. Det er fordi mennesker - selv små spedbarn - har evnen til å generalisere ved å bruke kunnskap fra ett domene til et annet. For A.I. å leve opp til sitt potensial, dette er noe den også må kunne.
Anbefalte videoer
"For eksempel, hvis roboten lærte å bygge et tårn ved hjelp av noen blokker, kan det være lurt å overføre disse ferdighetene til å bygge en bro eller til og med en huslignende struktur,"
Ossama Ahmed, en masterstudent ved ETH Zürich i Sveits, fortalte Digital Trends. "En måte å oppnå dette på kan være å lære årsakssammenhengene mellom de forskjellige miljøvariablene. Eller forestill deg at TriFinger robot brukt i CausalWorld mister plutselig en finger på grunn av en maskinvarefeil. Hvordan kan den fortsatt bygge målformen med bare to fingre i stedet?»CausalWorld video
En virtuell treningsverden for maskiner
CausalWorld er hva Frederik Träuble, en Ph.D. student ved Max Planck Institute for Intelligent Systems i Tyskland, refererer til som en "manipulasjonsbenchmark." Det er et skritt mot fremme forskning slik at robotmidler bedre kan generalisere ulike endringer i et miljøs egenskaper, for eksempel massen eller formen til gjenstander. For eksempel, hvis en robot lærer å plukke opp et bestemt objekt, kan vi med rimelighet forvente at det kan overføre denne evnen til tyngre gjenstander - så lenge den forstår den riktige årsakssammenhengen forhold.
Den typen virtuelle treningsmiljøer vi er vant til å høre om i sci-fi-filmer, er det i for eksempel, Matrisen: en virtuell verden der regler ikke gjelder. I CausalWorld, der forskere systematisk kan trene og evaluere metodene sine i robotmiljøer, er det akkurat motsatt. Det handler om å lære reglene – og bruke dem. Robotagenter kan få oppgaver som ligner på de barna deltar i når de leker med blokker for å gjøre stabling, dytting og annen årsak-og-virkning-lek. Forskerne kan gripe inn for å teste robotens generaliseringsevner mens den lærer. Det er i utgangspunktet et testmiljø som vil bidra til å evaluere hvordan A.I. agenter kan generalisere.
"Det meste av moderne A.I. er basert på statistisk læring, som handler om å trekke ut statistisk informasjon – for eksempel korrelasjoner – fra data. Bernhard Schölkopf, direktør for Max Planck Institute, fortalte Digital Trends. "Dette er flott fordi det lar oss forutsi en mengde fra andre, men bare så lenge ingenting endres. Når du griper inn i et system, er alle spill av. For å komme med spådommer i slike tilfeller, må vi gå utover statistisk læring, mot kausalitet. Til syvende og sist, hvis fremtidige A.I. handler om å tenke i betydningen "å handle i forestilte rom", så er intervensjoner nøkkelen, og derfor må kausalitet tas i betraktning."
Redaktørenes anbefalinger
- Sikkerhetsroboter kan komme til en skole nær deg
- Amazon bruker AI for å oppsummere produktanmeldelser
- Amazon planlegger «en gang i en generasjon»-endringer for Søk, avslører stillingsannonsen
- Google Smart Canvas får dypere integrasjon mellom apper
- Nvidias siste A.I. resultater viser at ARM er klar for datasenteret
Oppgrader livsstilen dinDigitale trender hjelper leserne å følge med på den fartsfylte teknologiverdenen med alle de siste nyhetene, morsomme produktanmeldelser, innsiktsfulle redaksjoner og unike sniktitter.
