Nul
Verden har oplevet bemærkelsesværdige fremskridt inden for kunstig intelligens i de seneste år, men generelt AI er stadig science fiction. En af nøglerne til at gøre dette spring kan være den menneskelige hjerne. I en tale på EmTech MIT konference i denne uge, MIT professor Josh Tenenbaum er beskrevet et nyt universitet moonshot til at bygge maskiner, der kan lære børn.
“Hvorfor har vi alle disse AI-teknologier, men det er fundamentalt ikke reelle AI?” Tenenbaum sagde. “Vi har maskiner, der gør nyttige ting, vi plejede at tro, det kun er mennesker kunne gøre, men ingen af disse systemer er virkelig intelligent, ingen af dem har den fleksible, common sense [af] . . . endnu en et-årig.”
Disse systemer er designet til at gøre én ting meget godt, mens mennesker kan gøre alle disse ting-og meget mere-godt. Det er fordi, aktuelle AI-teknologier, der er baseret på mønstergenkendelse, mens menneskelig læring er mere kompleks. Det handler om at forklare og forstå ting, at lægge planer, løse problemer, og at forestille sig nye ting, som vi aldrig har set før. Målet for Læring moonshot er at reverse-engineer denne evne til at modellere verden for at skabe “mere human-lignende maskine intelligens.”
Tanken om at bygge maskiner, der lærer som børn, er næppe noget nyt. I 1950 papir, hvor han foreslog, at hans test, Alan Turing foreslog oprettelse af programmer inspireret af et spædbarn hjernen, fordi han mente, at det er enklere–som en tom notesbog. Men vi ved nu en masse mere om, hvordan hjernen fungerer. “Turing var strålende, men vi ved nu, at han fik det forkerte,” Tenenbaum sagde. “Børn er ikke noget som en blank tavle og læring er ikke noget som bare at kopiere ting ned fra en tavle.”
I stedet er vi født med en stor del af ledninger for at se og forstå verden, og vi lærer ikke ved at huske mønstre, men snarere ved aktivt at tænke og udforske. Med andre ord, gennem leg. Udfordringen er, hvordan at fange disse processer for at give maskiner nogle “common sense.” Ved at kombinere dyb læring og neurale netværk med ældre probabilistisk programmering, teknikker og spil-motorer, gruppen har bygget en “intuitiv fysik engine”, og en “intuitiv psykologi” motor. Disse kan model spædbarn-lignende evner til at, for eksempel, forudsige, hvornår en stak af blokke kommer til at falde–uden nogen eksplicit uddannelse-eller at observere en persons handlinger og udlede deres mål.
“Hard problem” er at finde ud af, hvordan man rent faktisk program på disse motorer. Til dette hold bruger Bayesian program læring (BPL) – metoden i stand til at lære begreber fra blot ét eksempel (one-shot-læring) og derefter generalisere som mennesker. I en separat tale, Brenden Søen, en tidligere MIT Ph.d. – studerende på NYU, der er beskrevet, hvordan BPL ramme med succes anerkendt håndskrevne tegn efter at have set bare et eksempel med bedre nøjagtighed end mennesker (og meget bedre end convolutional neurale netværk). Det er også gået visuelle Turing tests, hvor BPL kigget på en ny karakter og skabte sine egne eksempler, og derefter blev givet et nyt alfabet og skabt sine egne symboler, der sandsynligvis hører til det pågældende sæt.
Dette interessant, men det gælder kun til enkle symboler. Mere for nylig, at holdet har udviklet en algoritme kaldet DreamCoder, der er designet til at hjælpe maskiner tage de færdigheder, de har erhvervet i et domæne og lære at anvende dem i andre områder. Inspireret af det faktum, at en stor del af læring finder sted, når vi sover, DreamCoder er i stand til at lære nye begreber ecpts og evne nyt programmeringssprog, når det er “sovende.”
Tenenbaum indrømmer, at vi stadig er langt fra at bygge maskiner, der virkelig lære som børn-hvis vi nogensinde får der på alle. Og dette er blot en af flere moonshots under MIT ‘ s Quest for Intelligens, som også omfatter teams, der arbejder på Kreativitet, Følelser, Sprog og Perception. Men hver har en realistisk milepæl og foreløbige engineering skridt på vejen, og han bemærker, at små skridt kan ofte føre til større ting. Arbejdet i hans Beregningsmæssige og Kognitive Videnskab har allerede produceret en spin-off, en start kaldet iSee, der anvender disse fælles fornuft motorer til selvkørende biler.
“Vi gør fremskridt, men jeg vil gerne understrege, at vi har en lang vej at gå,” Tenenbaum sagde. “Hvis vi kunne gøre dette, ville det være grundlaget for kunstig intelligens, som faktisk er intelligent.”
Relaterede Emner:
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
Intelligente Byer
0