이 세상의 모든 사물과 현상이 원인-결과라는 상관 관계 모델에 따라 어느 정도 서로 관련되어 있다는 사실을 처음 발견했을 때의 놀라움과 기쁨을 기억하십니까? , 또는 이 이벤트가 해당 이벤트로 이어지는 이유입니다.
이것은 "매크로"처럼 들리지만 실제로는 매우 간단하며 기본적인 인간 기술의 범주입니다. 과학적 연구에 따르면 우리는 아직 말을 할 수 없는 8개월부터 원인과 결과의 원리를 이해하기 시작합니다. 그것은 우리가 주변 세계의 사물과 현상의 존재에 대해 기본적인 추론을 하는 데 도움이 됩니다. 그러나 대부분의 사람들은 서너 살이 되기 전에는 많은 것을 기억하지 못하기 때문에 '왜'라는 질문에 답하는 데 도움이 되는 원인과 결과를 인지하는 능력은 점차 기술이 됩니다. 당연시 받아들이다.
그러나 실제로 이것은 사람들이 주변 세계를 이해하는 데 중요한 교훈일 뿐만 아니라 오늘날의 인공 지능(AI) 시스템이 여전히 상당히 부족하므로 가르쳐야 하는 기술입니다. 더 나은 성능을 얻기 위해 개선되었습니다.
바둑을 두거나 혼잡한 거리에서 자동차를 운전하는 사람들을 이길 수 있는 현대 AI 시스템의 능력은 인간이 이러한 가능성을 마스터하는 데 사용할 수 있는 지능의 종류와 반드시 비교할 필요는 없습니다. 인간은 심지어 유아기에도 이미 한 영역의 지식을 다른 영역에 적용하여 상황을 일반화하는 능력을 갖고 있기 때문입니다. AI가 잠재력을 최대한 발휘하려면 이것이 또한 해야 할 일입니다.

원인과 결과를 추론하는 능력은 AI가 습득해야 할 다음 기술입니다.
예를 들어, AI 로봇이 벽돌을 사용하여 집을 짓는 방법을 배운 경우, 인과관계 분석 기술은 해당 벽돌을 사용하여 집, 다리 또는 더 복잡한 구조의 구조물을 지을 수도 있다는 것을 이해하고 깨닫는 데 도움이 될 수 있습니다. . 즉, AI가 다양한 환경변수 간의 인과관계를 이해하는 능력을 보유할 때 가능하다.
AI를 위한 가상 훈련 세계
물체의 질량이나 모양과 같은 환경 특성의 다양한 변화를 더 잘 일반화할 수 있는 고급 머신 러닝 모델을 가능하게 하는 심층적인 AI 훈련 환경이 필요합니다. 예를 들어, 로봇이 특정 물체를 집는 방법을 학습하면 로봇이 어떤 위치에 서야 하는지, 부피가 크고 무거운 물체를 집는 데 얼마나 많은 힘을 사용해야 하는지를 인식할 수 있을 것으로 기대할 수 있습니다. 주어진 각 사례에서 원인과 결과의 적절한 적용을 이해하는 한. 이것이 바로 과학자들이 CausalWorld라는 도구를 만들게 된 이유입니다.
매트릭스와 같은 공상 과학 영화에서 자주 듣는 가상 훈련 환경의 유형은 규칙이 적용되지 않는 가상 세계입니다. 이와 대조적으로 CausalWorld에서는 연구자들이 로봇 환경에서 자신의 방법을 체계적으로 훈련하고 평가할 수 있습니다. 그것은 규칙과 규칙이 적용되는 방법에 관한 것입니다. 거기에서 로봇은 아이들이 레고를 가지고 놀 때와 유사한 작업은 물론 원인 및 결과 분석 기술과 관련된 다른 게임을 할당받을 수 있습니다. 연구원들은 훈련을 받은 로봇의 일반화 능력을 테스트하기 위해 개입할 수 있습니다. 본질적으로 이는 AI가 문제를 어떻게 일반화할 수 있는지 평가하는 데 도움이 되는 테스트 환경입니다.
원인과 결과를 분석하는 능력을 익히면 AI 시스템의 성능이 몇 배로 향상되고 독립적으로 보다 효과적으로 작동하는 능력도 향상됩니다.