Kommer du ihåg den fantastiska, avslöjande känslan när du först upptäckte existensen av orsak och verkan? Det är en trickfråga. Barn börjar lära sig kausalitetsprincipen redan från åtta månaders ålder, vilket hjälper dem att dra rudimentära slutsatser om världen omkring dem. Men de flesta av oss kommer inte ihåg så mycket innan vi är runt tre eller fyra år, så den viktiga lärdomen om "varför" är något vi helt enkelt tar för givet.
Det är inte bara en avgörande läxa för människor att lära, utan också en som dagens artificiella intelligenssystem är ganska dåliga på. Medan modern A.I. är kapabel till slå mänskliga spelare på Go och köra bilar på livliga gator, detta är inte nödvändigtvis jämförbart med den typ av intelligens som människor kan använda för att bemästra dessa förmågor. Det beror på att människor - även små spädbarn - har förmågan att generalisera genom att tillämpa kunskap från en domän till en annan. För A.I. att leva upp till sin potential, det här något den också måste kunna göra.
Rekommenderade videor
"Till exempel, om roboten lärde sig hur man bygger ett torn med hjälp av några block, kanske den vill överföra dessa färdigheter till att bygga en bro eller till och med en husliknande struktur," Ossama Ahmed, en masterstudent vid ETH Zürich i Schweiz, berättade för Digital Trends. "Ett sätt att uppnå detta kan vara att lära sig orsakssambanden mellan de olika miljövariablerna. Eller föreställ dig att TriFinger robot Använd i CausalWorld tappar plötsligt ett finger på grund av ett hårdvarufel. Hur kan det ändå bygga målformen med bara två fingrar istället?”
CausalWorld video
En virtuell träningsvärld för maskiner
CausalWorld är vad Frederik Träuble, en doktorsexamen student vid Max Planck Institute for Intelligent Systems i Tyskland, hänvisar till som ett "manipulationsriktmärke." Det är ett steg mot avancerad forskning så att robotmedel bättre kan generalisera olika förändringar i en miljös egenskaper, såsom massan eller formen av föremål. Till exempel, om en robot lär sig att plocka upp ett visst föremål, kan vi rimligen förvänta oss att det kan överföra denna förmåga till tyngre föremål - så länge den förstår den rätta orsaken relation.
Den typ av virtuell träningsmiljö vi är vana vid att höra talas om i sci-fi-filmer är den i t.ex. Matrisen: en virtuell värld där regler inte gäller. I CausalWorld, där forskare systematiskt kan träna och utvärdera sina metoder i robotmiljöer, är det precis tvärtom. Det handlar om att lära sig reglerna – och tillämpa dem. Robotagenter kan få uppgifter som liknar dem som barn deltar i när de leker med klossar för att stapla, knuffa och annan orsak-och-verkan-lek. Forskarna kan ingripa för att testa robotens generaliseringsförmåga när den lär sig. Det är i grunden en testmiljö som hjälper till att utvärdera hur A.I. agenter kan generalisera.
"De flesta av moderna A.I. bygger på statistiskt lärande, som handlar om att extrahera statistisk information – till exempel korrelationer – från data.” Bernhard Schölkopf, direktör för Max Planck Institute, berättade för Digital Trends. "Detta är bra eftersom det gör att vi kan förutsäga en kvantitet från andra, men bara så länge som ingenting förändras. När du ingriper i ett system är alla insatser avstängda. För att göra förutsägelser i sådana fall måste vi gå bortom statistiskt lärande, mot kausalitet. I slutändan, om framtida A.I. handlar om att tänka i betydelsen "agera i föreställda utrymmen", då är interventioner nyckeln, och därför måste kausaliteten beaktas."
Redaktörens rekommendationer
- Säkerhetsrobotar kan komma till en skola nära dig
- Amazon använder AI för att sammanfatta produktrecensioner
- Amazon planerar "en gång i generationen"-ändringar för Sök, avslöjar jobbannonsen
- Google Smart Canvas får djupare integration mellan appar
- Nvidias senaste A.I. Resultaten visar att ARM är redo för datacentret
Uppgradera din livsstilDigitala trender hjälper läsare att hålla koll på den snabba teknikvärlden med alla de senaste nyheterna, roliga produktrecensioner, insiktsfulla redaktioner och unika smygtittar.
