W ubiegłym roku sztuczna inteligencja AlphaGo po raz pierwszy pokonała w grze mistrza świata. To zwycięstwo było bezprecedensowe i nieoczekiwane, biorąc pod uwagę wysoki poziom trudności chińskiej gry planszowej. Chociaż zwycięstwo AlphaGo było zdecydowanie imponujące, ta sztuczna inteligencja, która od tego czasu pokonała innych mistrzów Go, jest nadal uważana za „wąski” typ SI - taką, która może przewyższać ludzi tylko w ograniczonym zakresie zadań.
Tak więc, chociaż prawie nie będziemy w stanie pokonać komputera w Go lub w szachy bez pomocy innego komputera, nie możemy jeszcze polegać na nich w rutynowych zadaniach. AI nie zrobi ci herbaty ani nie zaplanuje przeglądu technicznego twojego samochodu.
W przeciwieństwie do tego, sztuczna inteligencja jest często przedstawiana w science fiction jako „ogólna” sztuczna inteligencja. To znaczy sztuczna inteligencja o tym samym poziomie i różnorodności co człowiek. Chociaż mamy już różne rodzaje sztucznej inteligencji, które mogą zrobić wszystko, od diagnozowania chorób po prowadzenie naszych samochodów, nie byliśmy jeszcze w stanie dowiedzieć się, jak je zintegrować na bardziej ogólnym poziomie.
W zeszłym tygodniu badacze DeepMind przedstawili kilka artykułów, które twierdzą, że położyły podwaliny pod ogólną sztuczną inteligencję. Chociaż nie ma jeszcze wniosków, pierwsze wyniki są zachęcające: w niektórych obszarach sztuczna inteligencja już przewyższyła zdolności ludzi.
Obie prace DeepMind koncentrują się na względnym rozumowaniu, krytycznej zdolności poznawczej, która umożliwia ludziom dokonywanie porównań między różnymi przedmiotami lub pomysłami. Na przykład, aby porównać, który obiekt jest większy lub mniejszy, który znajduje się po lewej stronie, a który po prawej. Ludzie używają rozumowania względnego (lub relacyjnego), gdy próbują rozwiązać problem, ale naukowcy jeszcze nie wymyślili, jak nadać sztucznej inteligencji tę pozornie prostą zdolność.
Naukowcy DeepMind wybrali dwie różne drogi. Niektórzy trenowali sieć neuronową - rodzaj architektury sztucznej inteligencji wzorowany na ludzkim mózgu - przy użyciu bazy danych prostych, statycznych obiektów 3D o nazwie CLEVR. Nauczono innej sieci neuronowej, aby zrozumieć, jak dwuwymiarowy obiekt zmienia się w czasie.
W CLEVR sieć neuronowa była reprezentowana przez zestaw prostych projektów, takich jak piramidy, kostki i kule. Naukowcy zadawali następnie pytania dotyczące sztucznej inteligencji w języku naturalnym, na przykład „czy sześcian jest wykonany z tego samego materiału co cylinder?” O dziwo, sieć neuronowa była w stanie poprawnie oszacować relacyjne atrybuty CLEVR w 95,5% przypadków, przewyższając nawet człowieka z dokładnością 92,6% w tym parametrze.
W drugim teście badacze DeepMind stworzyli sieć neuronową Visual Interaction Network (VIN), która została wyszkolona do przewidywania przyszłych stanów obiektu na wideo, w zależności od jego wcześniejszych ruchów. W tym celu naukowcy najpierw podali do VIN trzy kolejne klatki wideo, które sieć przetłumaczyła na kod. W tym kodzie była lista wektorów - prędkość lub położenie obiektu - dla każdego obiektu w ramce. VIN został następnie wprowadzony do sekwencji innych kodów, które łącznie przewidywały kod dla następnej ramki.
Film promocyjny:
Aby wytrenować VIN, naukowcy wykorzystali pięć różnych typów układów fizycznych, w których obiekty 2D poruszały się na tle „obrazów naturalnych” i zderzały się z różnymi siłami. Na przykład w jednym układzie fizycznym symulowane obiekty oddziaływały ze sobą zgodnie z prawem grawitacji Newtona. W innym, sieć neuronowa została zaprezentowana z bilardem i stworzona do przewidywania przyszłej pozycji piłek. Według naukowców sieć VIN z powodzeniem poradziła sobie z przewidywaniem zachowania obiektów w filmie.
Ta praca stanowi ważny krok w kierunku ogólnej sztucznej inteligencji, ale wciąż jest wiele do zrobienia, zanim sztuczna inteligencja przejmie świat. Poza tym nadludzkie osiągnięcia nie oznaczają nadludzkiej inteligencji.
W każdym razie jeszcze nie.
ILYA KHEL