211service.com
AI-teknikken, der kunne præge maskiner med evnen til at ræsonnere
Et billede af babyer, der leger med blokke Getty
Seks måneder gammel vil en baby ikke slå et øje, hvis en legetøjslastbil kører fra en platform og ser ud til at svæve i luften . Men udfør det samme eksperiment blot to til tre måneder senere, og hun vil øjeblikkeligt erkende, at der er noget galt. Hun har allerede lært begrebet tyngdekraft.
Ingen fortæller babyen, at genstande formodes at falde, sagde Yann LeCun, chef for AI-forsker på Facebook og professor ved NYU, under et webinar torsdag arrangeret af Association for Computing Machinery, et brancheorgan. Og fordi babyer ikke har særlig sofistikeret motorisk kontrol, antager han, er meget af det, de lærer om verden, gennem observation.
Denne teori kan have vigtige konsekvenser for forskere, der håber at fremme grænserne for kunstig intelligens.
Deep learning, kategorien af AI-algoritmer, der kickstartede feltets seneste revolution, har gjort enorme fremskridt med at give maskiner perceptuelle evner som vision. Men det er kommet til kort i at gennemsyre dem med sofistikeret ræsonnement, funderet i en konceptuel model af virkeligheden. Med andre ord forstår maskiner ikke virkelig verden omkring dem, hvilket får dem til at komme til kort i deres evne til at engagere sig i den. Nye teknikker er med til at overvinde denne begrænsning – for eksempel ved at give maskiner en slags arbejdshukommelse, så de, når de lærer og udleder grundlæggende fakta og principper, kan akkumulere dem til at trække på i fremtidige interaktioner.
Men LeCun mener, at det kun er en del af puslespillet. Det er klart, at vi mangler noget, sagde han. En baby kan udvikle en forståelse af en elefant efter at have set to billeder, mens deep-learning algoritmer skal se tusinder, hvis ikke millioner. En teenager kan lære at køre sikkert ved at øve sig i 20 timer og klare at undgå styrt uden først at opleve et, mens forstærkningsindlæringsalgoritmer (en underkategori af dyb læring) skal gennemgå titusinder af forsøg, inklusive mange alvorlige fejl.
Svaret, mener han, er i den undervurderede deep-learning underkategori kendt som uovervåget læring. Mens algoritmer baseret på overvåget og forstærkende læring læres for at opnå et mål gennem menneskelig input, udtrækker uovervågede mønstre i data helt på egen hånd. (LeCun foretrækker udtrykket selvovervåget læring, fordi det i det væsentlige bruger en del af træningsdataene til at forudsige resten af træningsdataene.)
I de senere år har sådanne algoritmer vundet betydelig indpas i behandling af naturlige sprog på grund af deres evne til at finde sammenhængen mellem milliarder af ord. Dette viser sig nyttigt til at bygge tekstforudsigelsessystemer som autofuldførelse eller til at generere overbevisende prosa. Men langt størstedelen af AI-forskning i andre domæner har fokuseret på overvåget eller forstærkende læring.
LeCun mener, at vægten bør vendes. Alt, hvad vi lærer som mennesker - næsten alt - læres gennem selvovervåget læring. Der er et tyndt lag, vi lærer gennem overvåget læring, og en lille smule lærer vi gennem forstærkende læring, sagde han. Hvis maskinlæring, eller AI, er en kage, er langt størstedelen af kagen selvovervåget læring.
Hvordan ser det ud i praksis? Forskere bør begynde med at fokusere på tidsmæssige forudsigelser. Med andre ord, træne store neurale netværk til at forudsige den anden halvdel af en video, når den får den første. Selvom ikke alt i vores verden kan forudsiges, er dette den grundlæggende færdighed bag en babys evne til at indse, at en legetøjslastbil skulle falde. Dette er en slags simulering af, hvad der foregår i dit hoved, hvis du vil, sagde LeCun.
Når først feltet udvikler teknikker, der forfiner disse evner, vil de også have vigtige praktiske anvendelser. Det er en god idé at lave videoforudsigelser i forbindelse med selvkørende biler, fordi du måske vil vide på forhånd, hvad andre biler på gaden vil gøre, sagde han.
I sidste ende vil uovervåget læring hjælpe maskiner med at udvikle en model af verden, som derefter kan forudsige fremtidige tilstande i verden, sagde han. Det er en høj ambition, der har unddraget sig AI-forskning, men som ville åbne op for et helt nyt væld af muligheder. LeCun er overbevist om: Den næste revolution af kunstig intelligens vil ikke blive overvåget.
For at få flere historier som denne leveret direkte til din indbakke, tilmeld dig vores Webby-nominerede AI-nyhedsbrev The Algorithm. Det er gratis.