Kemahiran asas manusia ini akan menjadi pencapaian penting seterusnya yang mesti dicapai oleh AI

Adakah anda masih ingat perasaan terkejut dan gembira apabila anda mula-mula mendapati bahawa semua perkara dan fenomena di dunia ini berkaitan antara satu sama lain - lebih kurang - mengikut model korelasi yang dipanggil sebab - kesan: Jika ini berlaku, maka itu adalah , atau peristiwa ini adalah sebab yang membawa kepada peristiwa itu.

Ini berbunyi "makro" tetapi sebenarnya adalah sangat mudah, dan merupakan kategori kemahiran asas manusia. Kajian saintifik menunjukkan bahawa kita mula memahami prinsip sebab dan akibat seawal usia lapan bulan - apabila kita belum boleh bercakap. Ia membantu kita membuat inferens asas tentang kewujudan benda dan fenomena di dunia sekeliling. Walau bagaimanapun, kebanyakan daripada kita tidak dapat mengingati banyak perkara sebelum kita berumur kira-kira tiga atau empat tahun, jadi keupayaan untuk melihat sebab dan akibat, yang membantu menjawab soalan "mengapa", secara beransur-ansur menjadi kemahiran. mengambil mudah.

Walau bagaimanapun, pada hakikatnya, ini bukan sahaja pengajaran penting untuk orang ramai memahami dunia di sekeliling mereka, tetapi juga kemahiran yang sistem kecerdasan buatan (AI) hari ini masih agak teruk dan harus diajar. dipertingkatkan untuk mendapatkan prestasi yang lebih baik.

Keupayaan sistem AI moden untuk mengalahkan orang yang bermain Go atau memandu kereta di jalan yang sesak tidak semestinya perlu dibandingkan dengan jenis kecerdasan yang boleh digunakan manusia untuk menguasai kemungkinan ini. Itu kerana manusia - walaupun sebagai bayi - sudah mempunyai keupayaan untuk menyamaratakan situasi dengan menggunakan pengetahuan dari satu domain ke domain yang lain. Untuk AI, untuk mencapai potensi penuhnya, inilah yang juga perlu dilakukannya.

Keupayaan untuk menaakul sebab dan akibat adalah kemahiran seterusnya yang perlu diperolehi oleh AI

Sebagai contoh, jika robot AI belajar cara membina rumah menggunakan batu bata, kemahiran analisis sebab dan akibat boleh membantunya memahami dan menyedari bahawa ia juga boleh menggunakan bata tersebut untuk membina rumah. jambatan atau bahkan struktur dengan struktur yang lebih kompleks . Dalam erti kata lain, ini boleh dicapai apabila AI mempunyai kemahiran untuk memahami hubungan sebab-akibat antara pembolehubah persekitaran yang berbeza.

Dunia latihan maya untuk AI

Kami memerlukan persekitaran latihan AI yang mendalam yang membolehkan model pembelajaran mesin lanjutan membuat generalisasi yang lebih baik kepada perubahan berbeza dalam ciri persekitaran, seperti jisim atau bentuk objek. Sebagai contoh, apabila robot belajar untuk mengambil objek tertentu, kita boleh menjangkakan ia dapat mengenali kedudukan yang sepatutnya didudukinya, serta berapa banyak daya yang perlu digunakan untuk mengambil objek yang besar dan berat. lebih sukar – selagi ia memahami aplikasi sebab dan akibat yang sesuai dalam setiap kes yang diberikan. Itulah yang mendorong saintis mencipta alat yang dipanggil CausalWorld.

Jika jenis persekitaran latihan maya yang sering kita dengar dalam filem fiksyen sains, seperti dalam The Matrix - dunia maya yang peraturannya tidak terpakai. Sebaliknya, dalam CausalWorld, penyelidik boleh melatih dan menilai kaedah mereka secara sistematik dalam persekitaran robotik. Ini semua tentang peraturan - dan cara ia digunakan. Di sana, robot boleh diberikan tugas yang sama seperti semasa kanak-kanak bermain dengan Lego, serta permainan lain yang berkaitan dengan kemahiran analisis sebab dan akibat. Penyelidik boleh campur tangan untuk menguji keupayaan robot untuk membuat generalisasi semasa ia dilatih. Pada asasnya, ini adalah persekitaran ujian yang membantu menilai bagaimana AI boleh menyamaratakan masalah.

Sebaik sahaja anda telah menguasai keupayaan untuk menganalisis sebab dan akibat, prestasi sistem AI akan meningkat berkali-kali ganda, bersama-sama dengan keupayaan untuk beroperasi secara bebas dengan lebih berkesan.