Nul
De wereld heeft gezien een opmerkelijke vooruitgang in de kunstmatige intelligentie in de afgelopen jaren, maar de algemene AI blijft science fiction. Een van de sleutels tot het maken van deze sprong zou kunnen worden van de menselijke hersenen. In een toespraak op de EmTech MIT conferentie van deze week, MIT professor Josh Tenenbaum beschreven een nieuwe universiteit moonshot om machines te bouwen die kunnen leren als kinderen.
“Waarom hebben we al deze AI-technieken, maar fundamenteel geen echte AI?” Tenenbaum zei. “We hebben machines die nuttige dingen die we gebruikt om te denken dat alleen mensen kunnen doen, maar geen van deze systemen zijn echt intelligent, geen van hen hebben de flexibele, common sense [van] . . . zelfs een een-jaar-oude.”
Deze systemen zijn ontworpen om één ding te doen het erg goed, terwijl de mens kan doen al deze dingen en nog veel meer–. Dat is omdat de huidige AI-technologieën zijn gebaseerd op patroonherkenning, terwijl menselijk leren is meer complex. Het is over het uitleggen en begrijpen van dingen, het maken van plannen, het oplossen van problemen en het bedenken van nieuwe dingen die we nog nooit eerder hebt gezien. Het doel van het Leren moonshot is te reverse-engineeren dit vermogen om de wereld te maken “meer mens-achtige machine-intelligentie.”
Het idee van het bouwen van machines die leren als kinderen is niet bepaald nieuw. In de jaren 1950 papier waarin hij stelde zijn test, Alan Turing stelde voor het maken van programma ‘ s naar het voorbeeld van een kind in de hersenen, omdat hij geloofde het is eenvoudiger–als een leeg kladblok. Maar we weten nu veel meer over hoe de hersenen werken. “Turing was briljant maar nu weten we dat hij het verkeerd,” Tenenbaum zei. “Kinderen zijn niet te vergelijken met een schone lei en leren is niets net als het kopiëren van dingen af van een schoolbord.”
In plaats daarvan zijn we geboren met een groot deel van de bedrading voor het zien en begrijpen van de wereld, en leren we niet door het onthouden van patronen, maar door actief mee te denken en te verkennen. In andere woorden, door te spelen. De uitdaging is het vastleggen van deze processen geven van machines sommige “common sense.” Door de combinatie van diep leren en neurale netwerken met oudere probabilistische technieken programmeren en spel motoren, de groep heeft een “intuïtieve fysica-engine” en een “intuïtieve psychologie” van de motor. Deze kan model baby-achtige vaardigheden, bijvoorbeeld om te voorspellen wanneer een stapel van de blokken gaat vallen–zonder enige expliciete training–of om te observeren iemands daden en afleiden van hun doelen.
Het ‘harde probleem’ is aan het uitzoeken hoe het daadwerkelijk programmeren van de motoren. Voor dit, het team maakt gebruik van Bayesiaanse programma leren (BPL) methode staat het leren van concepten uit slechts één voorbeeld (one-shot leren) en vervolgens te generaliseren als de mens. In een apart praten, Brenden Meer, een voormalige MIT PhD student nu aan de NYU, beschreven hoe de BPL kader goed herkend handgeschreven tekens na het zien van slechts één voorbeeld met een betere nauwkeurigheid dan de mens (en veel beter dan convolutional neuraal netwerk). Het ging ook visuele Turing test waarin de BPL gekeken naar een nieuwe karakter en de gegenereerde zijn eigen voorbeelden, en dan kreeg het een nieuw alfabet en heeft zijn eigen symbolen die aannemelijk behoren tot deze verzameling.
Deze interessante, maar dit geldt alleen voor eenvoudige symbolen. Meer recent, het team heeft een algoritme ontwikkeld genaamd DreamCoder dat is ontworpen om te helpen de machines nemen de vaardigheden die ze hebben verworven in het ene domein en leren hoe ze toe te passen op andere gebieden. Geïnspireerd door het feit dat veel van leren vindt plaats wanneer we slapen, DreamCoder is in staat om het leren van nieuwe concepten ecpts en evne nieuwe programmeertalen als het “slapen.”
Tenenbaum geeft toe dat we nog een lange weg van het bouwen van machines die echt te leren, zoals kinderen-als we ooit krijgen. En dit is slechts een van de vele moonshots onder de MIT ‘ s Quest for Intelligence, die ook teams die werkzaam zijn op het gebied van Creativiteit, Emotie, Taal en Perceptie. Maar ieder heeft een realistische mijlpaal en interim-engineering stappen langs de weg, en hij merkt op dat de kleine stappen kan vaak leiden tot grotere dingen. Het werk in zijn Rekenkundige en Cognitieve Wetenschappen Groep heeft al geleid tot een spin-off, een startup genaamd iSee dat is het toepassen van deze gezond-verstand van motoren tot zelf-rijdende auto ‘ s.
“We zijn het maken van enige vooruitgang geboekt, maar ik wil benadrukken we hebben nog een lange weg te gaan,” Tenenbaum zei. “Als we dit konden doen, het zou de basis voor kunstmatige intelligentie, dat is werkelijk intelligent.”
Verwante Onderwerpen:
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
Smart Cities
0