この人間の基本的なスキルは、AI が達成しなければならない次の重要なマイルストーンとなるでしょう

この世界のすべての物事や現象が、原因と結果と呼ばれる相関モデルに従って、多かれ少なかれ互いに関連していることを初めて発見したときの驚きと喜びの感情を覚えていますか? 、またはこのイベントがそのイベントにつながる理由です。

これは「マクロ」のように聞こえますが、実際は非常に単純であり、人間の基本的なスキルのカテゴリーです。科学的研究によると、私たちは生後8か月、つまりまだ話すことができない頃には原因と結果の原理を理解し始めることがわかっています。それは、周囲の世界の物や現象の存在について初歩的な推論を行うのに役立ちます。しかし、私たちのほとんどは 3 ～ 4 歳になるまでは多くのことを覚えていないため、「なぜ」という質問に答えるのに役立つ、原因と結果を認識する能力が徐々にスキルになっていきます。当たり前と考える。

しかし、実際には、これは人々が周囲の世界を理解するための重要な教訓であるだけでなく、今日の人工知能 (AI) システムがまだ非常に苦手としており、より良いパフォーマンスを得るために改善する必要があるスキルでもあります。

囲碁を打っている人や混雑した道路で車を運転している人に勝つ現代の AI システムの能力は、人間がこれらの可能性を習得するために使用できる知能の種類と必ずしも比較する必要はありません。それは、人間は、幼児であっても、ある領域の知識を別の領域に適用することで状況を一般化する能力をすでに備えているからです。AI がその可能性を最大限に発揮するには、これも行う必要があります。

原因と結果を推論する能力は、AI が次に獲得する必要があるスキルです

たとえば、AI ロボットがレンガを使って家の建て方を学習した場合、原因と結果の分析スキルは、それらのレンガを使って家や橋、さらにはより複雑な構造の建造物を建てることもできることを理解して認識するのに役立ちます。 。言い換えれば、これは、AI がさまざまな環境変数間の因果関係を理解するスキルを備えていれば達成できます。

AI の仮想トレーニング世界

高度な機械学習モデルを、物体の質量や形状などの環境特性のさまざまな変化に対してより適切に一般化できるようにする、深い AI トレーニング環境が必要です。たとえば、ロボットが特定の物体を持ち上げる方法を学習すると、ロボットがどの位置に立つべきか、大きくて重い物体を持ち上げるためにどの程度の力を使用すればよいかを認識できるようになることが期待できます。与えられたケースごとに原因と結果の適切な適用を理解している限り。これが、科学者が CausalWorld と呼ばれるツールを作成するきっかけとなったものです。

マトリックスなどの SF 映画でよく聞く仮想トレーニング環境のタイプは、ルールが適用されない仮想世界です。対照的に、CausalWorld では、研究者はロボット環境で体系的にメソッドをトレーニングし、評価できます。重要なのはルールとその適用方法です。そこでは、子供がレゴで遊ぶときと同様のタスクや、原因と結果の分析スキルに関連する他のゲームをロボットに割り当てることができます。研究者は、訓練中にロボットが一般化する能力をテストするために介入できます。基本的に、これは AI が問題をどのように一般化できるかを評価するのに役立つテスト環境です。

原因と結果を分析する能力を習得すると、AI システムのパフォーマンスが何倍にも向上し、より効率的に独立して動作できるようになります。