Сећате се невероватног, откровења осећаја када сте први пут открили постојање узрока и последице? То је трик питање. Деца почињу да уче принцип узрочности већ са осмог месеца, помажући им да донесу рудиментарне закључке о свету око себе. Али већина нас се не сећа много пре треће или четири године, тако да је важна лекција „зашто“ нешто што једноставно узимамо здраво за готово.
То није само кључна лекција коју људи могу научити, већ и лекција у којој су данашњи системи вештачке интелигенције прилично лоши. Док савремени А.И. је способан за побеђујући људске играче у Го и возећи аутомобиле по прометним улицама, ово није нужно упоредиво са врстом интелигенције коју људи могу користити да овладају овим способностима. То је зато што људи - чак и мала беба - поседују способност генерализације применом знања из једног домена у други. За А.И. да испуни свој потенцијал, то је нешто што такође треба да буде у стању да уради.
Препоручени видео снимци
„На пример, ако је робот научио како да изгради торањ користећи неке блокове, можда ће желети да пренесе ове вештине на изградњу моста или чак структуре налик кући,“
Оссама Ахмед, студент мастер студија на ЕТХ Цириху у Швајцарској, рекао је за Дигитал Трендс. „Један од начина да се то постигне може бити учење узрочно-последичних веза између различитих варијабли окружења. Или замислите да је ТриФингер робот се користи у ЦаусалВорлд изненада изгуби један прст због квара на хардверу. Како и даље може да гради облик гола са само два прста?"ЦаусалВорлд видео
Виртуелни свет за обуку машина
Каузални свет је шта Фредерик Траубле, доктор наука студент на Институту Макс Планк за интелигентне системе у Немачкој, назива се „репером манипулације“. То је корак ка унапређење истраживања како би роботски агенти могли боље да генерализују различите промене у својствима окружења, као што су маса или облик објеката. На пример, ако робот научи да подиже одређени предмет, можемо разумно очекивати да то може пренети ову способност на теже предмете - све док разуме прави узрок однос.
Врста виртуелног окружења за обуку о којој смо навикли да слушамо у научно-фантастичним филмовима је она у, рецимо, Матрица: виртуелни свет у коме правила не важе. У ЦаусалВорлд-у, у којем истраживачи могу систематски да обучавају и процењују своје методе у роботским окружењима, управо је супротно. Све је у учењу правила - и њиховој примени. Роботски агенти могу да добију задатке сличне онима у којима деца учествују када се играју са блоковима да би слагали, гурали и друге узрочно-последичне игре. Истраживачи могу интервенисати како би тестирали способности генерализације робота док учи. То је у основи окружење за тестирање које ће помоћи да се процени како А.И. агенти могу генерализовати.
„Већина модерних А.И. заснива се на статистичком учењу, које се односи на издвајање статистичких информација — на пример, корелације — из података,“ Бернхард Сцхолкопф, рекао је за Дигитал Трендс директор Института Макс Планк. „Ово је сјајно јер нам омогућава да предвидимо једну количину од других, али само док се ништа не промени. Када интервенишете у систему, све опкладе су искључене. Да бисмо направили предвиђања у таквим случајевима, морамо ићи даље од статистичког учења, ка узрочности. На крају, ако будући А.И. да се ради о размишљању у смислу „деловања у замишљеним просторима“, онда су интервенције кључне, и стога треба узети у обзир узрочност“.
Препоруке уредника
- Сигурносни роботи могу доћи у школу у вашој близини
- Амазон користи АИ да сумира рецензије производа
- Амазон планира промене „једном у генерацији“ за претрагу, открива оглас за посао
- Гоогле Смарт Цанвас добија дубљу интеграцију између апликација
- Нвидијин најновији А.И. резултати доказују да је АРМ спреман за дата центар
Надоградите свој животни стилДигитални трендови помажу читаоцима да прате брзи свет технологије са свим најновијим вестима, забавним рецензијама производа, проницљивим уводницима и јединственим кратким прегледима.
