Noll
Världen har sett anmärkningsvärda framsteg inom artificiell intelligens under de senaste åren, men allmänt AI kvar science fiction. En av nycklarna för att göra detta språng kan vara den mänskliga hjärnan. I ett föredrag vid EmTech MIT konferens denna vecka, MIT-professorn Josh Tenenbaum beskrivs ett nytt universitet moonshot att bygga maskiner som kan lära sig som barn.
“Varför har vi alla dessa AI teknik, men i grund och botten ingen riktig AI?” Tenenbaum sagt. “Vi har maskiner för att göra nyttiga saker som vi brukade tro att bara människor kan göra, men inget av dessa system verkligen är intelligenta, men ingen av dem har den flexibla, sunt förnuft [av] . . . även en ett år gammal.”
Dessa system är konstruerade för att göra en sak väldigt bra när människor kan göra alla dessa saker-och mycket mer-bra. Det beror på att nuvarande AI-tekniker bygger på mönsterigenkänning, medan människans lärande är mer komplex. Det handlar om att förklara och förstå saker, planera, lösa problem, och föreställa sig nya saker som vi aldrig sett förut. Målet med de Lärande moonshot är att reverse-engineer denna förmåga att modellera världen för att skapa “mer mänskliga-liknande maskin intelligens.”
Idén om att bygga maskiner som lär sig som barn är knappast ny. På 1950-papper där han föreslog att hans test, Alan Turing föreslog skapa program som bygger på ett spädbarns hjärna eftersom han tror att det är enklare–som en tom anteckningsbok. Men vi vet nu mycket mer om hur hjärnan fungerar. “Turing var lysande men vi vet nu att han fick detta fel,” Tenenbaum sagt. “Barn är inget som ett oskrivet blad och lärande är inget som bara kopiera saker från tavlan.”
Istället är vi födda med mycket av de ledningar för att se och förstå världen, och vi lär oss inte genom att memorera mönster, utan snarare genom att aktivt tänkande och utforska. Med andra ord, genom att leka. Utmaningen är hur man ska fånga dessa processer för att ge maskinerna en del “sunt förnuft.” Genom att kombinera djup inlärning och neuronnät med äldre probabilistiska tekniker för programmering och spel motorer har gruppen byggt en “intuitiv fysik motor” och en “intuitiv psykologi” motor. Dessa kan modellen spädbarn-som förmåga att, till exempel, förutsäga när en stack av block kommer att falla–utan någon uttrycklig utbildning, eller för att observera någons handlingar och sluta sina mål.
“Hard problem” är att räkna ut hur att faktiskt programmera dessa motorer. För detta, teamet använder sig av Bayes-programmet lärande (BPL) metod som kan lära sig begrepp från bara ett exempel (one-shot lärande) och sedan generalisera som människor. I en separat prata, Brenden Sjön, en före detta MIT Doktorand nu på NYU, beskrivs hur BPL ramen framgångsrikt redovisas handskrivna tecken efter att ha sett ett exempel med bättre noggrannhet än människor (och mycket bättre än convolutional neurala nätverk). Det gick också visuella Turing test där BPL tittade på en ny karaktär och skapade sin egen exempel, och sedan fick ett nytt alfabet och skapade sina egna symboler som rimligen höra till den uppsättning.
Detta är intressant, men det gäller bara att enkla symboler. Mer nyligen team har utvecklat en algoritm som kallas DreamCoder som är utformad för att hjälpa till att maskiner tar färdigheter de har förvärvat i en domän och lära sig att tillämpa dem i andra områden. Inspirerad av det faktum att mycket av lärandet sker när vi sover, DreamCoder är kapabel att lära sig nya begrepp ecpts och evne nya programmeringsspråk när det är “sovande.”
Tenenbaum har medgett att vi fortfarande en lång väg från att bygga maskiner som verkligen lära sig som barn–om vi någonsin får det. Och detta är bara en av flera moonshots enligt MIT ‘ s Quest för Intelligens, vilket även inkluderar grupper som arbetar på Kreativitet, Känslor, Språk och Perception. Men alla har en realistisk milstolpe och delårsrapport engineering steg längs vägen, och han konstaterar att de små steg kan ofta leda till större saker. Arbetet i hans beräkningar och kognitionsvetenskap-Gruppen har redan producerat en spin-off, en start som kallas iSee som är att tillämpa dessa på sunt förnuft och motorer till självstyrande bilar.
“Vi gör vissa framsteg, men jag vill understryka att vi har en lång väg att gå,” Tenenbaum sagt. “Om vi kunde göra detta, skulle det vara till grund för artificiell intelligens som faktiskt är intelligent.”
Relaterade Ämnen:
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
Smarta Städer
0