Пам’ятаєте те дивовижне, одкровенне відчуття, коли ви вперше виявили існування причини та наслідку? Це підступне запитання. Діти починають вивчати принцип причинності вже з восьми місяців, допомагаючи їм робити елементарні висновки про навколишній світ. Але більшість із нас мало що пам’ятає до трьох-чотирьох років, тому важливий урок «чому» — це те, що ми сприймаємо як належне.
Це не лише важливий урок для людей, але й урок, з яким сучасні системи штучного інтелекту справляються до біса погано. Тоді як сучасні А.І. здатний на бити гравців-людей у Go та керувати автомобілями на жвавих вулицях, це не обов’язково можна порівняти з типом інтелекту, який люди можуть використовувати для опанування цими здібностями. Це тому, що люди — навіть маленькі немовлята — мають здатність узагальнювати, застосовуючи знання з однієї області до іншої. Для А.І. щоб реалізувати свій потенціал, це те, що воно також має вміти робити.
Рекомендовані відео
«Наприклад, якщо робот навчився будувати вежу, використовуючи деякі блоки, він, можливо, захоче перенести ці навички на будівництво моста або навіть споруди, схожої на будинок»,
Осама Ахмед, студент магістра ETH Zurich у Швейцарії, розповів Digital Trends. «Одним із способів досягти цього може бути вивчення причинно-наслідкових зв’язків між різними змінними середовища. Або уявіть, що Робот TriFinger використовується в CausalWorld раптово втрачає один палець через апаратну несправність. Як він може побудувати форму воріт лише двома пальцями?»Відео CausalWorld
Віртуальний навчальний світ для машин
CausalWorld є що Фредерік Треубле, доктор філософії студент Інституту інтелектуальних систем імені Макса Планка в Німеччині, називають «еталоном маніпулювання». Це крок назустріч просування досліджень, щоб роботизовані агенти могли краще узагальнювати різні зміни у властивостях навколишнього середовища, наприклад масу або форму об'єктів. Наприклад, якщо робот навчиться брати певний предмет, ми можемо розумно очікувати, що це так може передавати цю здатність важчим об’єктам — за умови, що він розуміє правильну причину відносини.
Віртуальне навчальне середовище, про яке ми звикли чути в науково-фантастичних фільмах, є, скажімо, Матриця: віртуальний світ, у якому правила не діють. У CausalWorld, де дослідники можуть систематично тренуватися та оцінювати свої методи в роботів, все якраз навпаки. Це пов’язано з вивченням правил і їх застосуванням. Роботам-агентам можна давати завдання, подібні до тих, у яких беруть участь діти, коли вони граються з блоками, щоб складати, штовхати та інші причинно-наслідкові ігри. Дослідники можуть втрутитися, щоб перевірити здатність робота до узагальнення під час навчання. По суті, це тестове середовище, яке допоможе оцінити, як ШІ. агенти можуть узагальнювати.
«Більшість сучасних А.І. базується на статистичному навчанні, яке полягає в тому, щоб отримати статистичну інформацію — наприклад, кореляцію — з даних», Бернхард Шелькопф, директор Інституту Макса Планка, розповів Digital Trends. «Це чудово, тому що це дозволяє нам передбачити одну величину на основі інших, але лише до тих пір, поки нічого не змінюється. Коли ви втручаєтеся в систему, усі ставки скасовуються. Щоб робити прогнози в таких випадках, нам потрібно вийти за межі статистичних досліджень, до причинності. Зрештою, якщо майбутній А.І. полягає в тому, щоб думати в сенсі «діяти в уявних просторах», тоді втручання є ключовими, і, отже, слід враховувати причинність».
Рекомендації редакції
- Охоронні роботи можуть прийти до школи поблизу вас
- Amazon використовує штучний інтелект для підсумовування оглядів продукту
- Amazon планує зміни «один раз у поколінні» для пошуку, повідомляється в оголошенні про роботу
- Google Smart Canvas отримує глибшу інтеграцію між програмами
- Найновіший штучний інтелект Nvidia. результати доводять, що ARM готова до центру обробки даних
Оновіть свій спосіб життяDigital Trends допомагає читачам стежити за динамічним світом технологій завдяки всім останнім новинам, цікавим оглядам продуктів, проникливим редакційним статтям і унікальним у своєму роді коротким оглядам.
