Viime vuonna tekoäly AlphaGo voitti ensimmäistä kertaa pelin maailmanmestarin. Tämä voitto oli ennennäkemätön ja odottamaton ottaen huomioon kiinalaisen lautapelin suuret vaikeudet. Vaikka AlphaGon voitto oli ehdottomasti vaikuttava, tätä AI: ta, joka on sittemmin voittanut muut menestysmestarit, pidetään yhä "kapeana" AI-tyyppinä - sellaisena, joka voi ylittää ihmisen vain rajoitetulla tehtäväalalla.
Joten vaikka emme tuskin pysty lyömään tietokonetta Go- tai shakissa käyttämättä toisen tietokoneen apua, emme myöskään voi vielä luottaa niihin rutiinitehtävissä. AI ei tee sinulle teetä tai ajoittaa MOT: tä autoosi.
Vastoin tätä, AI: ta kuvataan tieteiskirjallisuudessa usein "yleisenä" tekoälynä. Eli keinotekoinen äly, jolla on sama taso ja variaatio kuin ihmisellä. Vaikka meillä on jo erityyppisiä tekoälyjä, jotka pystyvät tekemään kaiken tautien diagnosoinnista autojen ajoon, emme ole vielä kyenneet selvittämään, kuinka integroida ne yleisemmällä tasolla.
Viime viikolla DeepMind-tutkijat esittelivät useita kirjoituksia, jotka väittävät perustavansa perustan yleiselle tekoälylle. Vaikka johtopäätöksiä ei ole vielä tehty, ensimmäiset tulokset ovat rohkaisevia: joillakin alueilla AI on jo ylittänyt kyvyt ihmisillä.
Molemmat DeepMindin työt keskittyvät suhteelliseen päättelyyn, kriittiseen kognitiiviseen kykyyn, jonka avulla ihmiset voivat vertailla erilaisia esineitä tai ideoita. Esimerkiksi vertaillaksesi mikä objekti on suurempi tai pienempi, mikä vasemmalla ja mikä oikealla. Ihmiset käyttävät suhteellista (tai relatiivista) päättelyä joka kerta yrittäessään ratkaista ongelmaa, mutta tutkijat eivät ole vielä selvittäneet, kuinka antaa AI: lle tämä harhaanjohtava yksinkertainen kyky.
DeepMind-tutkijat ovat valinneet kaksi erilaista reittiä. Jotkut kouluttivat hermoverkkoa - tyyppiä AI-arkkitehtuuria, joka on mallinnettu ihmisen aivojen jälkeen - käyttämällä yksinkertaisten, staattisten 3D-esineiden, nimeltään CLEVR, tietokantaa. Toinen hermoverkko opetettiin ymmärtämään, kuinka kaksiulotteinen esine muuttuu ajan myötä.
CLEVR: ssä hermoverkkoa edustaa joukko yksinkertaisia malleja, kuten pyramideja, kuutioita ja palloja. Sitten tutkijat kysyivät tekoälykysymyksiä luonnollisella kielellä, kuten "onko kuutio valmistettu samasta materiaalista kuin sylinteri?" Hämmästyttävää, hermoverkko pystyi arvioimaan oikein CLEVR: n relaatiomääritteet 95,5%: ssa tapauksista, ylittäen jopa ihmisen 92,6%: n tarkkuudellaan tässä parametrissa.
Toisessa testissä DeepMind-tutkijat loivat visuaalisen vuorovaikutuksen verkon (VIN) hermoverkon, joka koulutettiin ennustamaan videon kohteen tulevia tiloja sen aiemmista liikkeistä riippuen. Tätä varten tutkijat syöttivät ensin VIN: lle kolme peräkkäistä videokehystä, jotka verkko käänsi koodiksi. Tässä koodissa oli luettelo vektoreista - objektin nopeudesta tai sijainnista - jokaiselle kehyksen objektille. Sitten VIN: lle syötettiin sarja muita koodeja, jotka yhdistettiin ennustamaan seuraavan kehyksen koodi.
Mainosvideo:
VIN-tunnuksen kouluttamiseksi tutkijat käyttivät viittä erityyppistä fysiikkajärjestelmää, joissa 2D-esineet liikkuivat "luonnonkuvien" taustaa vasten ja törmäsivät eri voimiin. Esimerkiksi yhdessä fyysisessä järjestelmässä simuloidut objektit olivat vuorovaikutuksessa keskenään Newtonin painovoimalain mukaisesti. Toisessa neuroverkko esitettiin biljardilla ja tehtiin ennustamaan pallojen tuleva sijainti. Tutkijoiden mukaan VIN-verkko onnistui onnistuneesti ennustamaan videossa olevien esineiden käyttäytymistä.
Tämä työ on tärkeä askel kohti yleistä AI: ta, mutta työ on vielä tehtävä, ennen kuin tekoäly voi vallata maailman. Ja lisäksi, yli-inhimillinen suorittaminen ei tarkoita ylimääräistä älykkyyttä.
Ei vielä, joka tapauksessa.
ILYA KHEL