211service.com
AI bevæbnet med flere sanser kunne opnå mere fleksibel intelligens
Menneskelig intelligens udspringer af vores kombination af sanser og sproglige evner. Måske gælder det samme for kunstig intelligens.
Selman Design
24. februar 2021
Hvorfor det er vigtigt:AI, der kan sanse og tale, vil være meget bedre til at navigere i nye udfordringer og arbejde sammen med mennesker.
Nøglespillere:• OpenAI
• AI2
• Facebook
Tilgængelighed:Nu
I slutningen af 2012 fandt AI-forskere først ud af, hvordan de skulle komme neurale netværk at se. De beviste, at software designet til løst at efterligne den menneskelige hjerne dramatisk kunne forbedre eksisterende computer-vision-systemer. Feltet har siden lært, hvordan man får neurale netværk til at efterligne den måde, vi på grund, hør, tal og skriv .
Men selvom kunstig intelligens er vokset bemærkelsesværdigt menneskelignende - endda overmenneskelig - ved at opnå en bestemt opgave, fanger den stadig ikke den menneskelige hjernes fleksibilitet. Vi kan lære færdigheder i én sammenhæng og anvende dem i en anden. Derimod, selvom DeepMinds spilalgoritme AlphaGo kan slå verdens bedste Go-mestre, kan den ikke strække den strategi ud over brættet. Deep-learning algoritmer er med andre ord mestre i at opfange mønstre, men de kan ikke forstå og tilpasse sig en foranderlig verden.
Denne historie var en del af vores marts 2021-udgave
- Se resten af problemet
- Abonner
Forskere har mange hypoteser om, hvordan dette problem kan overvindes, men især én har vundet indpas. Børn lærer om verden ved at sanse og tale om den. Kombinationen synes nøglen. Efterhånden som børn begynder at associere ord med syn, lyde og anden sanseinformation, er de i stand til at beskrive flere og mere komplicerede fænomener og dynamik, pirre det, der er årsagssammenhæng, fra det, der kun afspejler sammenhængen, og konstruere en sofistikeret model af verden. Den model hjælper dem så med at navigere i ukendte miljøer og sætte ny viden og erfaringer i sammenhæng.
Relateret historie
DeepMinds AI har nu udkonkurreret næsten alle menneskelige spillere på StarCraft II AlphaStar samarbejdede med sig selv for at lære nye strategier til at erobre det populære galaktiske krigsspil.AI-systemer er på den anden side bygget til kun at gøre én af disse ting ad gangen. Computervision og lydgenkendelsesalgoritmer kan fornemme ting, men kan ikke bruge sproget til at beskrive dem. En naturlig sprogmodel kan manipulere ord, men ordene er adskilt fra enhver sanselig virkelighed. Hvis sanser og sprog blev kombineret for at give en AI en mere menneskelignende måde at indsamle og behandle ny information på , kunne det endelig udvikle noget som en forståelse af verden?
Håbet er, at disse multimodale systemer, med adgang til både de sensoriske og sproglige måder at menneskelig intelligens på, skal give anledning til en mere robust form for AI, der lettere kan tilpasse sig nye situationer eller problemer. Sådanne algoritmer kunne så hjælpe os med at tackle mere komplekse problemer eller blive overført til robotter, der kan kommunikere og samarbejde med os i vores daglige liv.
Nye fremskridt inden for sprogbehandlingsalgoritmer som OpenAIs GPT-3 har hjulpet. Forskere forstår nu, hvordan man kan replikere sprogmanipulation godt nok til at gøre det mere potentielt frugtbart at kombinere det med sanseevner. Til at begynde med bruger de den allerførste sanseevne, som feltet opnåede: computersyn. Resultaterne er simple bimodale modeller, eller visuelt sprog AI .
Det seneste år har der været flere spændende resultater på området. I september lavede forskere ved Allen Institute for Artificial Intelligence, AI2, en model, der kan generere et billede ud fra en teksttekst , der demonstrerer algoritmens evne til at forbinde ord med visuel information. I november udviklede forskere ved University of North Carolina, Chapel Hill, en metode, der inkorporerer billeder i eksisterende sprogmodeller , hvilket satte skub i modellernes læseforståelse.
202110 banebrydende teknologier
OpenAI brugte derefter disse ideer til at udvide GPT-3. I starten af 2021 udgav laboratoriet to visuelle sprogmodeller. Man knytter objekterne i et billede til de ord, der beskriver dem i en billedtekst. Den anden genererer billeder baseret på en kombination af de begreber, den har lært. Du kan f.eks. få den til at fremstille et maleri af en kapybara, der sidder på en mark ved solopgang. Selvom den måske aldrig har set dette før, kan den blande og matche, hvad den kender til malerier, capybaraer, marker og solopgange for at opfinde dusinvis af eksempler.
At opnå mere fleksibel intelligens ville ikke blot låse op for nye AI-applikationer: det ville også gøre dem mere sikre.
Mere sofistikerede multimodale systemer vil også muliggøre mere avancerede robotassistenter (tænk robotbutlere, ikke kun Alexa). Den nuværende generation af AI-drevne robotter bruger primært visuelle data til at navigere og interagere med deres omgivelser. Det er godt til at udføre simple opgaver i begrænsede miljøer, som at udføre ordrer på et lager. Men laboratorier som AI2 arbejder på at tilføje sprog og inkorporere flere sensoriske input, såsom lyd og taktile data, så maskinerne kan forstå kommandoer og udføre mere komplekse operationer, som at åbne en dør, når nogen banker på.
I det lange løb kan multimodale gennembrud hjælpe med at overvinde nogle af AI’s største begrænsninger. Eksperter hævder for eksempel, at dens manglende evne til at forstå verden også er grunden til, at den nemt kan fejle eller blive narret. (Et billede kan ændres på en måde, der er umærkelig for mennesker, men får en AI til at identificere det som noget helt andet.) At opnå mere fleksibel intelligens ville ikke blot låse op for nye AI-applikationer: det ville også gøre dem mere sikre. Algoritmer, der screener cv'er, vil ikke behandle irrelevante karakteristika som køn og race som tegn på evner. Selvkørende biler mister ikke orienteringen i ukendte omgivelser og styrter i mørke eller i snevejr. Multimodale systemer kan blive de første AI'er, vi virkelig kan stole på med vores liv.