Pamätáte si ten úžasný, objavný pocit, keď ste prvýkrát objavili existenciu príčiny a následku? To je záludná otázka. Deti sa začínajú učiť princíp kauzality už od ôsmich mesiacov, čo im pomáha robiť základné závery o svete okolo nich. Väčšina z nás si však pred dosiahnutím veku okolo troch alebo štyroch rokov veľa nepamätá, takže dôležitá lekcia „prečo“ je niečo, čo jednoducho považujeme za samozrejmosť.
Nie je to len zásadná lekcia, ktorú by sa mali ľudia naučiť, ale aj lekcia, v ktorej sú dnešné systémy umelej inteligencie dosť zlé. Zatiaľ čo moderný A.I. je schopný porážanie ľudských hráčov na Go a riadenie áut na rušných uliciach, to nie je nevyhnutne porovnateľné s druhom inteligencie, ktorú môžu ľudia použiť na zvládnutie týchto schopností. Je to preto, že ľudia – dokonca aj malé deti – majú schopnosť zovšeobecňovať aplikovaním vedomostí z jednej oblasti do druhej. Pre A.I. naplniť svoj potenciál, to je niečo, čo musí tiež dokázať.
Odporúčané videá
"Napríklad, ak sa robot naučil, ako postaviť vežu pomocou niektorých blokov, možno bude chcieť preniesť tieto zručnosti na stavbu mosta alebo dokonca stavby podobnej domu."
Usáma Ahmed, magisterský študent na ETH Zurich vo Švajčiarsku, povedal pre Digital Trends. „Jedným zo spôsobov, ako to dosiahnuť, môže byť učenie sa kauzálnych vzťahov medzi rôznymi premennými prostredia. Alebo si predstavte, že Robot TriFinger použité v CausalWorld náhle príde o jeden prst v dôsledku poruchy hardvéru. Ako môže stále stavať cieľový tvar iba s dvoma prstami?“Video CausalWorld
Virtuálny tréningový svet pre stroje
CausalWorld je čo Frederik Träuble, PhD. študent na Inštitúte Maxa Plancka pre inteligentné systémy v Nemecku, sa označuje ako „meradlo manipulácie“. Je to krok k tomu pokrok vo výskume, aby robotickí agenti mohli lepšie zovšeobecniť rôzne zmeny vlastností prostredia, ako je hmotnosť alebo tvar predmety. Napríklad, ak sa robot naučí zdvihnúť konkrétny predmet, môžeme to primerane očakávať môže túto schopnosť preniesť na ťažšie predmety – pokiaľ pochopí správnu príčinu vzťah.
Druh virtuálneho tréningového prostredia, o ktorom sme zvyknutí počuť v sci-fi filmoch, je povedzme Matrix: virtuálny svet, v ktorom neplatia pravidlá. V CausalWorld, v ktorom môžu výskumníci systematicky trénovať a vyhodnocovať svoje metódy v robotických prostrediach, je to presne naopak. Je to všetko o učení sa pravidiel – a ich uplatňovaní. Robotickí agenti môžu dostať úlohy podobné tým, na ktorých sa zúčastňujú deti, keď sa hrajú s kockami, aby mohli skladať, stláčať a inú hru na príčinu a následok. Výskumníci môžu zasiahnuť, aby otestovali schopnosti robota zovšeobecňovať, keď sa učí. Je to v podstate testovacie prostredie, ktoré pomôže vyhodnotiť, ako A.I. agenti môžu zovšeobecňovať.
„Väčšina moderných A.I. je založené na štatistickom učení, ktoré spočíva v extrahovaní štatistických informácií – napríklad korelácií – z údajov,“ Bernhard Schölkopf, riaditeľ Inštitútu Maxa Plancka, povedal pre Digital Trends. „Je to skvelé, pretože nám to umožňuje predpovedať jednu veličinu od iných, ale iba dovtedy, kým sa nič nezmení. Keď zasiahnete do systému, všetky stávky sú vypnuté. Aby sme v takýchto prípadoch robili predpovede, musíme ísť nad rámec štatistického učenia sa smerom k kauzalite. Nakoniec, ak budúca A.I. má ísť o myslenie v zmysle ‚konania v imaginárnych priestoroch‘, potom sú kľúčové zásahy, a preto treba brať do úvahy kauzalitu.“
Odporúčania redaktorov
- Do školy blízko vás môžu prísť bezpečnostné roboty
- Amazon nasadil AI na zhrnutie recenzií produktov
- Amazon plánuje zmeny „raz za generáciu“ pre vyhľadávanie, odhaľuje pracovný inzerát
- Google Smart Canvas získava hlbšiu integráciu medzi aplikáciami
- Najnovšie A.I od Nvidie. výsledky dokazujú, že ARM je pripravený na dátové centrum
Zlepšite svoj životný štýlDigitálne trendy pomáhajú čitateľom mať prehľad o rýchlo sa rozvíjajúcom svete technológií so všetkými najnovšími správami, zábavnými recenziami produktov, užitočnými úvodníkmi a jedinečnými ukážkami.