จำความรู้สึกที่น่าอัศจรรย์และเปิดเผยเมื่อคุณค้นพบการมีอยู่ของเหตุและผลเป็นครั้งแรกหรือไม่? นั่นเป็นคำถามหลอกลวง เด็กๆ เริ่มเรียนรู้หลักการของความเป็นเหตุเป็นผลตั้งแต่อายุแปดเดือน ช่วยให้พวกเขาอนุมานเบื้องต้นเกี่ยวกับโลกรอบตัวพวกเขา แต่พวกเราส่วนใหญ่จำไม่ได้มากนักก่อนอายุประมาณ 3 หรือ 4 ขวบ ดังนั้นบทเรียนสำคัญที่ว่า "ทำไม" จึงเป็นสิ่งที่เรามองข้ามไป
ไม่เพียงแต่เป็นบทเรียนที่สำคัญสำหรับมนุษย์ในการเรียนรู้ แต่ยังเป็นบทเรียนที่ระบบปัญญาประดิษฐ์ในปัจจุบันค่อนข้างแย่อีกด้วย ในขณะที่ A.I. สมัยใหม่ มีความสามารถ เอาชนะผู้เล่นที่เป็นมนุษย์ที่ Go และขับรถบนถนนที่พลุกพล่านซึ่งไม่จำเป็นต้องเทียบเคียงกับความฉลาดที่มนุษย์อาจใช้เพื่อควบคุมความสามารถเหล่านี้ได้ นั่นเป็นเพราะว่ามนุษย์ แม้แต่ทารกเล็กๆ ก็มีความสามารถในการสรุปโดยการประยุกต์ใช้ความรู้จากด้านหนึ่งไปยังอีกด้านหนึ่ง สำหรับเอไอ ที่จะดำเนินชีวิตให้เต็มศักยภาพนี้ก็คือ บางสิ่งบางอย่างก็ต้องสามารถทำได้เช่นกัน.
วิดีโอแนะนำ
“ตัวอย่างเช่น หากหุ่นยนต์เรียนรู้วิธีสร้างหอคอยโดยใช้บล็อก มันอาจจะต้องการถ่ายทอดทักษะเหล่านี้ไปเป็นการสร้างสะพานหรือแม้แต่โครงสร้างแบบบ้าน”
ออสซามา อาเหม็ดนักศึกษาปริญญาโทที่ ETH Zurich ในสวิตเซอร์แลนด์บอกกับ Digital Trends “วิธีหนึ่งในการบรรลุเป้าหมายนี้อาจเป็นการเรียนรู้ความสัมพันธ์เชิงสาเหตุระหว่างตัวแปรสภาพแวดล้อมที่แตกต่างกัน หรือจินตนาการว่า หุ่นยนต์ไตรนิ้ว ใช้ใน สาเหตุโลก สูญเสียนิ้วหนึ่งนิ้วกะทันหันเนื่องจากฮาร์ดแวร์ทำงานผิดปกติ มันจะสามารถสร้างรูปทรงเป้าหมายด้วยสองนิ้วแทนได้อย่างไร”วิดีโอของ CausalWorld
โลกแห่งการฝึกอบรมเสมือนจริงสำหรับเครื่องจักร
CausalWorld คืออะไร เฟรเดอริก ทรอยเบิล, ปริญญาเอก นักศึกษาจากสถาบัน Max Planck สำหรับระบบอัจฉริยะในเยอรมนี เรียกว่า "เกณฑ์มาตรฐานการจัดการ" มันเป็นก้าวไปสู่ การวิจัยขั้นสูงเพื่อให้ตัวแทนหุ่นยนต์สามารถสรุปการเปลี่ยนแปลงคุณสมบัติของสภาพแวดล้อมต่างๆ ได้ดียิ่งขึ้น เช่น มวลหรือรูปร่างของ วัตถุ ตัวอย่างเช่น หากหุ่นยนต์เรียนรู้ที่จะหยิบวัตถุชิ้นใดชิ้นหนึ่ง เราอาจคาดหวังได้อย่างสมเหตุสมผล สามารถถ่ายโอนความสามารถนี้ไปยังวัตถุที่หนักกว่าได้ ตราบใดที่มันเข้าใจสาเหตุที่ถูกต้อง ความสัมพันธ์.
สภาพแวดล้อมการฝึกอบรมเสมือนจริงแบบที่เราคุ้นเคยในภาพยนตร์ไซไฟคือแบบที่กล่าวกันว่า เดอะเมทริกซ์: โลกเสมือนจริงที่กฎเกณฑ์ใช้ไม่ได้ ใน CausalWorld ซึ่งนักวิจัยสามารถฝึกอบรมและประเมินวิธีการของตนในสภาพแวดล้อมหุ่นยนต์อย่างเป็นระบบ สิ่งที่ตรงกันข้าม มันคือทั้งหมดที่เกี่ยวกับการเรียนรู้กฎเกณฑ์และการประยุกต์ใช้ เจ้าหน้าที่หุ่นยนต์สามารถได้รับมอบหมายงานที่คล้ายคลึงกับงานที่เด็กๆ มีส่วนร่วมเมื่อพวกเขาเล่นกับบล็อกเพื่อเรียงซ้อน ผลัก และเล่นแบบมีเหตุและผลอื่นๆ นักวิจัยสามารถแทรกแซงเพื่อทดสอบความสามารถในการสรุปทั่วไปของหุ่นยนต์ในขณะที่เรียนรู้ โดยพื้นฐานแล้วมันเป็นสภาพแวดล้อมการทดสอบที่จะช่วยประเมินว่า A.I. ตัวแทนสามารถสรุปได้
“A.I. สมัยใหม่ส่วนใหญ่ ขึ้นอยู่กับการเรียนรู้ทางสถิติ ซึ่งทั้งหมดเกี่ยวกับการดึงข้อมูลทางสถิติ เช่น ความสัมพันธ์ ออกจากข้อมูล” แบร์นฮาร์ด โชลคอปฟ์ผู้อำนวยการสถาบัน Max Planck กล่าวกับ Digital Trends “นี่ดีมากเพราะมันช่วยให้เราสามารถทำนายปริมาณหนึ่งจากปริมาณอื่นๆ ได้ แต่ตราบใดที่ไม่มีอะไรเปลี่ยนแปลง เมื่อคุณเข้าไปแทรกแซงในระบบ การเดิมพันทั้งหมดจะถูกปิด เพื่อคาดการณ์ในกรณีเช่นนี้ เราจำเป็นต้องก้าวไปไกลกว่าการเรียนรู้เชิงสถิติ ไปสู่ความเป็นเหตุเป็นผล ท้ายที่สุดแล้วหากอนาคต A.I. คือการคิดในแง่ของ 'การกระทำในพื้นที่จินตนาการ' ดังนั้นการแทรกแซงจึงเป็นกุญแจสำคัญ และด้วยเหตุนี้จึงต้องคำนึงถึงความเป็นเหตุเป็นผลด้วย”
คำแนะนำของบรรณาธิการ
- หุ่นยนต์รักษาความปลอดภัยอาจมาที่โรงเรียนใกล้บ้านคุณ
- Amazon ปรับใช้ AI เพื่อสรุปบทวิจารณ์ผลิตภัณฑ์
- Amazon วางแผนการเปลี่ยนแปลง 'ครั้งเดียวในยุค' สำหรับการค้นหาการเปิดเผยโฆษณางาน
- Google Smart Canvas ได้รับการผสานรวมที่ลึกซึ้งยิ่งขึ้นระหว่างแอปต่างๆ
- A.I. ล่าสุดของ Nvidia ผลลัพธ์พิสูจน์ได้ว่า ARM พร้อมสำหรับศูนย์ข้อมูลแล้ว
อัพเกรดไลฟ์สไตล์ของคุณDigital Trends ช่วยให้ผู้อ่านติดตามโลกแห่งเทคโนโลยีที่เปลี่ยนแปลงไปอย่างรวดเร็วด้วยข่าวสารล่าสุด รีวิวผลิตภัณฑ์สนุกๆ บทบรรณาธิการที่เจาะลึก และการแอบดูที่ไม่ซ้ำใคร
