A legfejlettebb mesterséges intelligencia rendszerek minden nap okosabbá és intelligensebbé válnak, új ismereteket és készségeket szereznek. Az AI sok területen már jobb is, mint az emberek. De ennek a "fölény" mögött csak a kódsorok és a jól meghatározott algoritmusok szerepelnek, amelyek nem teszik lehetővé a programot, hogy "szabadon gondolkodjon". Más szavakkal, egy gép nem képes megtenni azt, ami nincs beépítve. Az AI logikus következtetésekre juthat, de nem tudja, hogyan kell egy adott témában érvelni. És úgy néz ki, hogy ez megváltozik.
Hogyan tanulnak az emberek a körülöttük lévő világról
Mi, mint minden intelligens organizmus, fokozatosan megismerjük a körülöttünk lévő világ szerkezetét. Képzelje el, hogy egy egyéves baba látja, hogy egy játékkocsi húzza le a peronról, és lefagy a levegőben. Ez nem lesz szokatlan neki. De hajtsa végre ugyanazt a kísérletet csak két vagy három hónappal később, és a kis ember azonnal rájön, hogy valami nincs rendben. Végül is, ő már tudja, hogyan működik a gravitáció.
És bármennyire is hangzik, ez a megközelítés segíthet az AI fejlesztőinek a mesterséges intelligencia fejlettebb verzióinak létrehozásában.
Promóciós videó:
Miért olyan nehéz megtanítani az AI-t az érvelésre?
A mély gépi tanulás (vagyis durván véve bizonyos készségek tanulása próba és hiba útján) manapság lehetővé teszi az AI számára, hogy óriási sikert érjen el. De a legfontosabb dolog még mindig nem képes a mesterséges intelligencia elkészítésére. Nem tud okozni és következtetéseket levonni azon objektív valóság elemzése alapján, amelyben létezik. Más szavakkal, a gépek nem igazán értik meg a körülöttük lévő világot, ami miatt képessé válnak rá, hogy kölcsönhatásba lépjenek vele.
Az AI fejlesztésének egyik módja lehet egyfajta "megosztott memória", amely segít a gépeknek a körülvevő világgal kapcsolatos információk fogadásában és fokozatos tanulásában. De ez nem oldja meg az összes problémát.
Hogyan tanítsuk meg az AI-t az érvelésre
Lecun professzor szerint a válasz a mély tanulás alulértékelt alkategóriájában rejlik, amelyet felügyelet nélkül tanulnak. Amikor a felügyelt és megerősített tanuláson alapuló algoritmusok megtanítják az AI-t egy külső bemeneten keresztüli cél elérésére, akkor a felügyelet nélkül önmagukban alakulnak ki viselkedési minták. Egyszerűen fogalmazva, kétféle módon lehet megtanítani egy robotot, hogy járjon: az első az, hogy a robot szerkezetén alapuló összes paramétert beírja a rendszerbe. A második az, hogy "elmagyarázza" a séta alapelveit, és a robotot önállóan tanulja meg. Sőt, a meglévő algoritmusok túlnyomó többsége pontosan az első út mentén működik. Yang Lecun úgy véli, hogy a hangsúlyt a második irányba kell irányítani.
Vladimir Kuznetsov