Tavaly a mesterséges intelligencia, az AlphaGo először verte meg a világbajnokot a játékban. Ez a győzelem példátlan és váratlan volt, tekintettel a kínai társasjáték nehézségeire. Noha az AlphaGo győzelme határozottan lenyűgöző volt, ezt az AI-t, amely azóta más Go bajnokokat legyőzte, továbbra is „keskeny” típusú AI-nek tekintik - ami csak korlátozott feladatok körében képes meghaladni az embereket.
Tehát, bár alig tudunk legyőzni egy számítógépet Go-ban vagy a sakkban anélkül, hogy egy másik számítógép segítségére fordulnánk, még mindig nem számíthatunk rájuk rutinszerű feladatok elvégzésekor. AI nem fog teát készíteni vagy ütemezni az autóját.
Ezzel szemben az AI-t a tudományos fantastikában gyakran "általános" mesterséges intelligenciaként ábrázolják. Vagyis a mesterséges intelligencia ugyanolyan szintű és változatosságú, mint az ember. Noha már léteznek különféle típusú mesterséges intelligencia, amely mindent megtehet a betegségek diagnosztizálásától az autóink vezetéséig, még nem tudtuk kitalálni, hogyan lehet ezeket általánosabban integrálni.
A múlt héten a DeepMind kutatói számos tanulmányt mutattak be, amelyek állítólag megalapozzák az általános mesterséges intelligenciát. Bár még nem vontak le következtetéseket, az első eredmények biztatóak: bizonyos területeken az AI már meghaladta az emberek képességeit.
Mindkét DeepMind munkája a relatív érvelésre összpontosít, egy kritikus kognitív képességre, amely lehetővé teszi az emberek számára, hogy összehasonlítsák a különböző tárgyakat vagy ötleteket. Például összehasonlíthatja, melyik nagyobb vagy kisebb objektum, melyik a bal oldalon és melyik a jobb oldalon. Az emberek relatív (vagy relációs) érvelést használnak, amikor megpróbálnak megoldani egy problémát, ám a tudósok még nem találták ki, hogyan lehetne az AI-t megtévesztően egyszerű képességgel adni.
A DeepMind tudósai két különböző útvonalat választottak. Egyesek egy neurális hálózatot - egyfajta AI-architektúrát modelleztek egy emberi agy után - egy egyszerű, statikus 3D-s objektumok adatbázisát használva, CLEVR néven. Egy másik ideghálózatot arra tanítottak, hogy megértsék, hogyan változik a kétdimenziós objektum az idő múlásával.
A CLEVR-ben a neurális hálózatot egyszerű tervek, például piramisok, kockák és gömbök ábrázolták. A tudósok ezután a természetes nyelven kérdéseket tettek fel a mesterséges intelligenciával kapcsolatban, például: "egy kocka ugyanabból az anyagból készül, mint egy henger?" Meglepő módon az ideghálózat az esetek 95,5% -ában képes volt helyesen megbecsülni a CLEVR relációs tulajdonságait, akár 92,6% -os pontossággal is felülmúlja az embert ebben a paraméterben.
A második tesztben a DeepMind kutatói létrehoztak egy Visual Interaction Network (VIN) neurális hálózatot, amelyet arra képeztek, hogy előre jelezze egy objektum jövőbeli állapotát a videón, az előző mozgásaitól függően. Ennek érdekében a tudósok először három egymást követő videokeretet tápláltak be a VIN-re, amelyeket a hálózat kódra fordított. Ebben a kódban volt a vektorok listája - az objektum sebessége vagy pozíciója - a keretben lévő minden objektumhoz. A VIN-t ezután más kódok sorozatával táplálták, amelyek együttesen megjósolták a következő képkód kódját.
Promóciós videó:
A VIN képzéséhez a tudósok öt különféle típusú fizikai rendszert használtak, amelyekben a 2D-tárgyak a "természetes képek" hátterében mozogtak és különböző erővel ütköztek egymáshoz. Például, egy fizikai rendszerben a szimulált tárgyak kölcsönhatásba léptek egymással, Newton gravitációs törvényének megfelelően. Egy másik részben egy neurális hálózatot mutattak be a biliárdakkal, hogy megjósolják a golyók jövőbeli helyzetét. A tudósok szerint a VIN-hálózat sikeresen megbirkózott a videóban szereplő tárgyak viselkedésének előrejelzésével.
Ez a munka fontos lépés az általános intelligencia irányába, de még sok tennivaló van ahhoz, hogy a mesterséges intelligencia átvegye a világot. És emellett az emberfeletti teljesítmény nem jelenti az emberfeletti intelligenciát.
Még nem, egyébként.
ILYA KHEL
