211service.com
Hvad sker der, når du giver en AI en arbejdshukommelse?
En ny slags computer, udviklet af forskere hos Google DeepMind i Storbritannien, kunne udvide mulighederne for nutidens bedste AI-systemer ved at give dem en vigtig ny funktion - en slags arbejdshukommelse.
Forskerne viser, at computeren, som består af et stort neuralt netværk forbundet med en unik form for hukommelse, kan udføre relativt komplekse opgaver ved selv at finde ud af, hvilken information den skal gemme i sin hukommelse. Opgaverne omfatter at finde ud af den bedste måde at komme fra en station til en anden på Londons spaghetti-lignende underjordiske transitnetværk, efter at have udforsket diagrammer over andre typer netværk og lært om de mest fremtrædende funktioner.
Google DeepMind-forskerne kalder deres system for en differentierbar neural computer. Den er differentierbar i den forstand, at dens adfærd - inklusive hvad der skal lagres i hukommelsen - kan læres ved hjælp af den matematiske proces, kaldet tilbageudbredelse, der ligger til grund for driften af neurale netværk. Da netværket trænes med data, vil det automatisk gemme nogle oplysninger i en hukommelsesmatrix.
Som en konventionel computer kan den bruge sin hukommelse til at repræsentere og manipulere komplekse datastrukturer, men ligesom et neuralt netværk kan den lære at gøre det fra data, skriver forfatterne, som inkluderer Alex Graves, Greg Wayne og Demis Hassabis. en artikel offentliggjort i dag i tidsskriftet Natur .
Fremskridtet er et skridt i retning af kunstig intelligens, der er lidt mere menneskelignende i sine evner. Selvom teknikken er begrænset for nu, kan systemer bygget på denne måde en dag udføre nyttigt arbejde, siger Ruslan Salakhutdinov , en lektor ved CMU med speciale i maskinlæring og kunstig intelligens. For eksempel kan en mere avanceret version gennemgå Wikipedia og finde ud af, hvilke vigtige begreber, såsom navne, steder og datoer, der skal gemmes i hukommelsen. Eller det kan give en robot mulighed for at bruge information lært i én indstilling i en helt ny. Det er et meget spændende stykke arbejde, siger Salakhutdinov.
De nyeste maskinlæringssystemer er geniale til visse opgaver, som at genkende ansigter i billeder eller talte ord. Og med øvelse kan de lære at udføre komplekse opgaver som at spille computerspil til et ekspertniveau. Men de kræver enorme mængder af specifikke data til træning, og i modsætning til et menneske kan de ikke gemme meget af det, de har lært i hukommelsen til senere brug. Dette udgør et problem på mange områder, inklusive sprog (se AI's sprogproblem).
Salakhutdinov bemærker dog, at det kan være svært at gøre sådan en differentierbar neural computer mere kompleks. Det er fordi, for at få adgang til sin hukommelse, skal den udføre en kompleks beregning, der forespørger hver lagret brik. Det er supersvært at få de her ting til at fungere, siger han. Opskalering kan være lidt problematisk.
Interessant nok bringer arbejdet to felter af AI, der længe har været i konflikt, lidt tættere på hinanden. Tidligt arbejde med kunstig intelligens involverede programmering af maskiner til at repræsentere information symbolsk, mens den nuværende mode er at bruge meget store neurale netværk, der træner sig selv til at udføre opgaver. I lang tid har nogle AI-traditionalister og kognitive videnskabsmænd stillet spørgsmålstegn ved, om neurale netværk kan gøre, hvad mennesker gør uden at få en dybere evne til at repræsentere information symbolsk.
Jeg er mest imponeret over netværkets evne til at lære 'algoritmer' fra eksempler, siger Brenden Sø , en kognitiv videnskabsmand ved New York University, der studerer måder at få computere til at efterligne menneskelig intelligens. Dette kunne udvide nytten af dyb læring. Algoritmer, såsom at sortere eller finde korteste veje, er den klassiske datalogis brød og smør. De kræver traditionelt en programmør til at designe og implementere.
Men Lake påpeger, at systemet stadig ikke er helt menneskelignende i den måde, det fungerer på. Folk kan hente en ny opgave fra en begrænset mængde erfaring, især hvis de er fortrolige med domænet, siger han. I modsætning hertil trænes den differentielle neurale computer på titusinder eller hundredtusindvis af eksempler på hver opgave. Jeg tror, at den menneskelige evne til hurtigt at lære nye opgaver bliver en af de næste store AI-udfordringer.