Praėjusiais metais dirbtinis intelektas „AlphaGo“pirmą kartą įveikė pasaulio čempioną žaidime. Ši pergalė buvo beprecedentė ir netikėta, atsižvelgiant į didelį kinų stalo žaidimo sunkumą. Nors „AlphaGo“pergalė buvo neabejotinai įspūdinga, ši PG, nuo to laiko įveikusi kitus „Go“čempionus, vis dar laikoma „siauru“PG tipu - tokiu, kuris gali pranokti žmones tik ribotoje užduočių srityje.
Taigi, nors vargu ar sugebėsime įveikti kompiuterį „Go“ar „šachmatuose“nesinaudodami kito kompiuterio pagalba, mes vis dar negalime jais pasikliauti atlikdami įprastas užduotis. AI nedarys jums arbatos ar neplanuos MOT jūsų automobiliui.
- „Salik.biz“
Priešingai, AI mokslinėje fantastikoje dažnai vaizduojamas kaip „bendrasis“dirbtinis intelektas. Tai yra, tokio paties lygio ir įvairovės dirbtinis intelektas, kaip ir žmogaus. Nors mes jau turime įvairių tipų dirbtinį intelektą, galintį padaryti viską nuo ligų diagnozavimo iki automobilio vairavimo, vis dar negalėjome išsiaiškinti, kaip juos integruoti bendresniu lygiu.
Praėjusią savaitę „DeepMind“tyrėjai pateikė kelis dokumentus, kuriuose teigiama, kad jie padėjo bendro dirbtinio intelekto pagrindus. Nors dar nėra išvadų, pirmieji rezultatai teikia vilčių: kai kuriose srityse AI jau sugebėjimais pranoko žmones.
Abiejuose „DeepMind“darbuose pagrindinis dėmesys skiriamas santykiniam samprotavimui, kritiniam pažinimo gebėjimui, kuris leidžia žmonėms palyginti skirtingus objektus ar idėjas. Pvz., Palyginti, kuris objektas yra didesnis ar mažesnis, kuris yra kairėje, o kuris - dešinėje. Žmonės naudojasi santykiniais (arba santykiniais) samprotavimais, kai bando išspręsti problemą, tačiau mokslininkai dar turi išsiaiškinti, kaip suteikti AI šį apgaulingai paprastą sugebėjimą.
„DeepMind“mokslininkai pasirinko du skirtingus maršrutus. Kai kurie mokė neuroninį tinklą - AI architektūros tipą, modeliuojamą pagal žmogaus smegenis - naudojant paprastų, statinių 3D objektų, vadinamų CLEVR, duomenų bazę. Kitas neuroninis tinklas buvo išmokytas suprasti, kaip laikui bėgant keičiasi dvimatis objektas.
CLEVR nervų tinklą vaizdavo paprastų piešinių rinkinys, pavyzdžiui, piramidės, kubeliai ir sferos. Tuomet mokslininkai uždavė dirbtinio intelekto klausimus natūralia kalba, pavyzdžiui, „ar kubas pagamintas iš tos pačios medžiagos kaip ir cilindras?“Stebina, kad neuroninis tinklas sugebėjo teisingai įvertinti CLEVR santykinius požymius 95,5% atvejų, pralenkdamas net žmogų šio parametro 92,6% tikslumu.
Antrajame bandyme „DeepMind“tyrėjai sukūrė Visual Interaction Network (VIN) neuronų tinklą, kuris buvo apmokytas numatyti būsimas objekto būsenas vaizdo įraše, atsižvelgiant į ankstesnius jo judesius. Norėdami tai padaryti, mokslininkai pirmiausia pateikė VIN tris vaizdo įrašų iš eilės vaizdus, kuriuos tinklas išvertė į kodą. Šiame kode buvo vektorių sąrašas - objekto greitis arba padėtis - kiekvienam kadre esančiam objektui. Tada VIN buvo padėta kitų kodų seka, kurie sujungti, kad būtų galima numatyti kito kadro kodą.
Reklaminis vaizdo įrašas:
Norėdami išmokyti VIN, mokslininkai panaudojo penkių skirtingų tipų fizikos sistemas, kuriose 2D objektai judėjo „natūralių vaizdų“fone ir susidūrė su skirtingomis jėgomis. Pavyzdžiui, vienoje fizinėje sistemoje imituojami objektai sąveikavo tarpusavyje pagal Niutono gravitacijos dėsnį. Kitoje vietoje buvo pristatytas neuroninis tinklas su biliardu ir jis buvo numatytas ateityje numatant rutulių padėtį. Anot mokslininkų, VIN tinklas sėkmingai susidorojo su vaizdo įraše esančių objektų elgesio numatymu.
Šis darbas yra svarbus žingsnis link bendrosios AI, tačiau dar reikia daug nuveikti, kad dirbtinis intelektas galėtų užvaldyti pasaulį. Be to, antžmogiškas vaidinimas nereiškia antžmogiško intelekto.
Kol kas dar ne.
ILYA KHEL