En hybrid AI-model lader den ræsonnere om verdens fysik som et barn

Kategori: Kunstig intelligens Udsendt 06 marts

Et nyt datasæt afslører, hvor dårlig AI er til at ræsonnere – og antyder, at en ny hybrid tilgang kan være den bedste vej frem.

Spørgsmål, spørgsmål: Kendt som CLEVRER, datasættet består af 20.000 korte syntetiske videoklip og mere end 300.000 spørgsmål og svar-parringer, der begrunder begivenhederne i videoerne. Hver video viser en simpel verden af ​​legetøjsobjekter, der kolliderer med hinanden efter simuleret fysik. I den ene rammer en rød gummikugle en blå gummicylinder, som fortsætter med at ramme en metalcylinder.

Spørgsmålene falder i fire kategorier: beskrivende (f.eks. Hvilken form har objektet, der kolliderer med cyancylinderen?), forklarende (Hvad er ansvarligt for den grå cylinders kollision med terningen?), forudsigende (Hvilken begivenhed vil ske næste gang?) , og kontrafaktisk (Uden det grå objekt, hvilken begivenhed vil ikke ske?). Spørgsmålene afspejler mange af de begreber, som børn lærer tidligt, når de udforsker deres omgivelser. Men de tre sidstnævnte kategorier, som specifikt kræver kausal ræsonnement for at kunne besvare, støder ofte på dyb-læringssystemer.

Svigte: Datasættet, skabt af forskere ved Harvard, DeepMind og MIT-IBM Watson AI Lab, er beregnet til at hjælpe med at evaluere, hvor godt AI-systemer kan ræsonnere. Når forskerne testet flere state-of-the-art computervision og naturlige sprogmodeller med datasættet, fandt de ud af, at de alle klarede sig godt på de beskrivende spørgsmål, men dårligt på de andre.

Blanding af det gamle og det nye: Holdet prøvede derefter et nyt AI-system, der kombinerer både dyb læring og symbolsk logik. Symbolske systemer plejede at være i raseri før de var formørket ved maskinlæring i slutningen af ​​1980'erne. Men begge tilgange har deres styrker: dyb læring udmærker sig ved skalerbarhed og mønstergenkendelse; symbolske systemer er bedre til abstraktion og ræsonnement.

Det sammensatte system, kendt som en neuro-symbolsk model, udnytter begge dele: det bruger et neuralt netværk til at genkende genstandenes farver, former og materialer og et symbolsk system til at forstå fysikken i deres bevægelser og årsagssammenhængene mellem dem. Den klarede sig bedre end eksisterende modeller på tværs af alle kategorier af spørgsmål.

Hvorfor det er vigtigt: Som børn lærer vi at observere verden omkring os, udlede, hvorfor ting skete og komme med forudsigelser om, hvad der vil ske næste gang. Disse forudsigelser hjælper os med at træffe bedre beslutninger, navigere i vores miljøer og forblive sikre. At replikere den slags kausal forståelse i maskiner vil på samme måde ruste dem til at interagere med verden på en mere intelligent måde.