Se spomnite neverjetnega, razodejočega občutka, ko ste prvič odkrili obstoj vzroka in posledice? To je trik vprašanje. Otroci se začnejo učiti načela vzročnosti že pri osmih mesecih, kar jim pomaga narediti osnovne sklepe o svetu okoli njih. Toda večina od nas se ne spomni veliko pred približno tretjim ali štirim letom starosti, zato je pomembna lekcija "zakaj" nekaj, kar preprosto jemljemo za samoumevno.
To ni samo ključna lekcija, ki se je moramo naučiti ljudje, ampak tudi tista, v kateri so današnji sistemi umetne inteligence precej slabi. Medtem ko sodobni A.I. je sposoben premagovanje človeških igralcev v igri Go in vožnja z avtomobili po prometnih ulicah, to ni nujno primerljivo z vrsto inteligence, ki bi jo ljudje lahko uporabili za obvladovanje teh sposobnosti. To je zato, ker imajo ljudje – tudi majhni dojenčki – sposobnost posploševanja z uporabo znanja z enega področja na drugega. Za A.I. izkoristiti svoj potencial, to je nekaj, kar mora tudi znati narediti.
Priporočeni videoposnetki
"Na primer, če se je robot naučil, kako zgraditi stolp z nekaj bloki, bo morda želel te veščine prenesti na gradnjo mostu ali celo zgradbe, podobne hiši," Osama Ahmed, magistrski študent na ETH Zurich v Švici, je povedal za Digital Trends. »Eden od načinov za dosego tega je lahko učenje vzročnih odnosov med različnimi spremenljivkami okolja. Ali pa si predstavljajte, da Robot TriFinger uporablja v CausalWorld nenadoma izgubi en prst zaradi okvare strojne opreme. Kako lahko namesto tega še vedno oblikuje obliko gola le z dvema prstoma?«
Video CausalWorld
Virtualni svet za usposabljanje strojev
CausalWorld je kaj Frederik Träuble, doktorat znanosti študent na Inštitutu Maxa Plancka za inteligentne sisteme v Nemčiji, se imenuje "merilo uspešnosti manipulacije". To je korak proti pospeševanje raziskav, tako da lahko robotski agenti bolje posplošujejo različne spremembe v lastnostih okolja, kot sta masa ali oblika predmetov. Na primer, če se robot nauči pobrati določen predmet, lahko to upravičeno pričakujemo lahko prenese to sposobnost na težje predmete - dokler razume pravo vzročnost odnos.
Virtualno vadbeno okolje, o katerem smo vajeni slišati v znanstvenofantastičnih filmih, je tisto v npr. Matrica: virtualni svet, v katerem pravila ne veljajo. V CausalWorld, v katerem lahko raziskovalci sistematično usposabljajo in ocenjujejo svoje metode v robotskih okoljih, je ravno nasprotno. Vse je v učenju pravil - in njihovi uporabi. Robotski agenti lahko dobijo naloge, podobne tistim, pri katerih sodelujejo otroci, ko se igrajo s kockami, da izvajajo zlaganje, potiskanje in drugo vzročno-posledično igro. Raziskovalci lahko posredujejo, da preizkusijo robotove sposobnosti posploševanja, ko se uči. To je v bistvu testno okolje, ki bo pomagalo oceniti, kako A.I. agenti lahko posplošujejo.
»Večina sodobnega A.I. temelji na statističnem učenju, pri katerem gre za pridobivanje statističnih informacij – na primer korelacije – iz podatkov,« Bernhard Schölkopf, direktor inštituta Max Planck, je povedal za Digital Trends. »To je super, ker nam omogoča, da napovemo eno količino iz drugih, vendar le, dokler se nič ne spremeni. Ko posežete v sistem, so vse stave izključene. Za napovedi v takšnih primerih moramo preseči statistično učenje in se usmeriti k vzročnosti. Navsezadnje, če bodoči A.I. razmišljati v smislu 'delovanja v zamišljenih prostorih', potem so intervencije ključne, zato je treba upoštevati vzročnost.«
Priporočila urednikov
- Varnostni roboti morda prihajajo v šolo v vaši bližini
- Amazon uporablja AI za povzetek ocen izdelkov
- Amazon načrtuje spremembe "enkrat v generaciji" za iskanje, razkriva zaposlitveni oglas
- Google Smart Canvas dobi globljo integracijo med aplikacijami
- Nvidijin najnovejši AI rezultati dokazujejo, da je ARM pripravljen za podatkovni center
Nadgradite svoj življenjski slogDigitalni trendi bralcem pomagajo slediti hitremu svetu tehnologije z vsemi najnovejšimi novicami, zabavnimi ocenami izdelkov, pronicljivimi uvodniki in enkratnimi vpogledi v vsebine.
