Zero
Il mondo ha visto un notevole progresso nel campo dell’intelligenza artificiale, negli ultimi anni, ma in generale AI resti di fantascienza. Una delle chiavi per fare il salto potrebbe essere il cervello umano. In un discorso presso l’EmTech MIT conferenza di questa settimana, il professore del MIT Josh Tenenbaum descritto una nuova università sbarco sulla luna per costruire macchine in grado di imparare come i bambini.
“Perché ci sono tutti questi AI tecnologie, ma fondamentalmente non è reale AI?” Tenenbaum ha detto. “Abbiamo macchine che fanno cose utili siamo abituati a pensare solo l’uomo può fare, ma nessuno di questi sistemi sono davvero intelligenti, nessuno di loro ha il flessibile, il senso comune [di] . . . anche un vecchio di un anno.”
Questi sistemi sono progettati per fare una cosa molto bene, mentre gli esseri umani possono fare tutte queste cose e molto di più–. Questo perché la corrente IA tecnologie sono basate sul riconoscimento di pattern, mentre l’apprendimento umano è più complesso. È di spiegare e capire le cose, a fare progetti, risolvere problemi, e immaginare cose nuove che non abbiamo mai visto prima. L’obiettivo di Apprendimento sbarco sulla luna è di decodificare questa capacità di modellare il mondo a creare “più umano, come la macchina di intelligenza.”
L’idea della costruzione di macchine imparare come i bambini è qualcosa di nuovo. Nel 1950 la carta in cui ha proposto il suo test di Alan Turing ha suggerito la creazione di programmi modellato su un bambino di cervello, perché ha creduto che è più semplice, come un taccuino vuoto. Ma ora sappiamo molto di più su come funziona il cervello. “Turing è stato brillante, ma ora sappiamo che questo non va”, Tenenbaum ha detto. “I bambini sono niente come una tabula rasa e di apprendimento è niente come copiare le cose da una lavagna”.
Invece noi siamo nati con tanto di cablaggio per vedere e capire il mondo, e impariamo non per la memorizzazione di modelli, ma piuttosto attivamente pensare e di esplorare. In altre parole, attraverso il gioco. La sfida è come la cattura di questi processi di dare alcune macchine “senso comune.” Combinando apprendimento profondo e reti neurali con le vecchie probabilistica tecniche di programmazione e motori di gioco, il gruppo ha costruito un “intuitivo motore di fisica” e “intuitivo psicologia” del motore. Questi possono modello di neonato-come abilità, per esempio, prevedere quando una pila di blocchi sta per cadere, senza alcun esplicito formazione–o osservare qualcuno di azioni e dedurre i loro obiettivi.
Il “problema difficile” è capire come in realtà il programma di questi motori. Per questo, il team utilizza Bayesiano programma di apprendimento (BPL) metodo in grado di apprendere i concetti da solo un esempio (one-shot di apprendimento) e quindi generalizzando come gli esseri umani. In un separato parlare, Brenden Lago, un ex MIT studente di Dottorato, ora alla new york university, ha descritto come la BPL quadro riconosciuto correttamente scritte a mano in caratteri dopo aver visto solo un esempio con una migliore precisione di esseri umani (e molto meglio di convolutional rete neurale). Ha inoltre superato visual Turing test in cui il BPL guardò un nuovo personaggio e generato propri esempi, e poi è stato dato un nuovo alfabeto e ha creato i suoi simboli che verosimilmente appartengono a quella serie.
Questo è interessante, ma si applica solo ai semplici simboli. Più di recente, il team ha sviluppato un algoritmo chiamato DreamCoder che è stato progettato per aiutare le macchine prendono competenze acquisite in un dominio e imparare come applicare in altre aree. Ispirato dal fatto che gran parte di apprendimento avviene quando stiamo dormendo, DreamCoder è in grado di imparare nuovi concetti ecpts e evne nuovi linguaggi di programmazione quando si “dorme”.
Tenenbaum, ammette che ci sono ancora una lunga strada da costruzione di macchine davvero imparare come i bambini-se non siamo mai arrivare a tutti. E questo è solo uno dei diversi moonshots sotto MIT Ricerca per l’Intelligenza, che comprende anche squadre di lavoro, la Creatività, Emozione, Linguaggio e Percezione. Ma ognuno ha un realistico traguardo intermedio di ingegneria passi lungo la strada, egli osserva che i piccoli passi spesso può portare a grandi cose. Il lavoro nel suo calcolo e di Scienze Cognitive Gruppo ha già prodotto uno spin-off, una startup chiamata iSee che è l’applicazione di questi il senso comune di motori di auto senza conducente.
“Stiamo facendo progressi, ma voglio sottolineare che abbiamo una lunga strada da percorrere,” Tenenbaum ha detto. “Se riuscissimo a fare questo, sarebbe la base per l’intelligenza artificiale, che in realtà è intelligente.”
Argomenti Correlati:
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
Smart Cities
0