Ta podstawowa umiejętność ludzka będzie kolejnym ważnym kamieniem milowym, jaki musi osiągnąć sztuczna inteligencja

Czy pamiętasz uczucie zaskoczenia i radości, kiedy po raz pierwszy odkryłeś, że wszystkie rzeczy i zjawiska na tym świecie są ze sobą powiązane – mniej więcej – według modelu korelacji zwanego przyczyną – skutkiem: Jeśli tak jest, to tak lub to zdarzenie jest powodem prowadzącym do tego zdarzenia.

Brzmi to „makro”, ale w rzeczywistości jest niezwykle proste i stanowi kategorię podstawowych umiejętności człowieka. Badania naukowe pokazują, że zasadę przyczyny i skutku zaczynamy rozumieć już w ósmym miesiącu życia – kiedy nie potrafimy jeszcze mówić. Pomaga nam w wyciąganiu elementarnych wniosków o istnieniu rzeczy i zjawisk w otaczającym nas świecie. Jednak większość z nas nie pamięta wielu rzeczy przed ukończeniem około trzech, czterech lat, dlatego umiejętność dostrzegania przyczyny i skutku, która pomaga odpowiadać na pytania „dlaczego”, stopniowo staje się umiejętnością. przyjąć za rzecz oczywistą że.

Jednak w rzeczywistości jest to nie tylko ważna lekcja dla ludzi, pozwalająca zrozumieć otaczający ich świat, ale także umiejętność, w której dzisiejsze systemy sztucznej inteligencji (AI) są wciąż dość kiepskie i należy się jej uczyć, udoskonalać, aby uzyskać lepszą wydajność.

Zdolność nowoczesnych systemów sztucznej inteligencji do pokonywania ludzi grających w Go lub prowadzących samochody po zatłoczonych ulicach niekoniecznie musi być porównywana z rodzajem inteligencji, którą ludzie mogą wykorzystać, aby opanować te możliwości. Dzieje się tak dlatego, że ludzie – nawet jako niemowlęta – posiadają już zdolność uogólniania sytuacji poprzez zastosowanie wiedzy z jednej dziedziny do drugiej. Aby sztuczna inteligencja mogła osiągnąć swój pełny potencjał, również musi to zrobić.

Umiejętność rozumowania przyczyny i skutku to kolejna umiejętność, którą musi nabyć sztuczna inteligencja

Na przykład, jeśli robot AI nauczy się budować dom z cegieł, umiejętności analizy przyczynowo-skutkowej mogą pomóc mu zrozumieć i uświadomić sobie, że może również wykorzystać te cegły do ​​budowy domu. mostu, a nawet konstrukcji o bardziej złożonych konstrukcjach . Innymi słowy, można to osiągnąć, gdy sztuczna inteligencja będzie potrafiła zrozumieć związki przyczynowo-skutkowe między różnymi zmiennymi środowiskowymi.

Wirtualny świat szkoleniowy dla sztucznej inteligencji

Potrzebujemy głębokiego środowiska szkoleniowego AI, które umożliwi zaawansowanym modelom uczenia maszynowego lepsze uogólnianie na różne zmiany charakterystyki środowiska, takie jak masa lub kształt obiektów. Na przykład, gdy robot nauczy się podnosić konkretny przedmiot, możemy oczekiwać, że będzie w stanie rozpoznać, w jakiej pozycji powinien stać, a także jakiej siły użyć, aby podnieść nieporęczny, ciężki przedmiot. tak długo, jak rozumie odpowiednie zastosowania przyczyny i skutku w każdym danym przypadku. To właśnie skłoniło naukowców do stworzenia narzędzia o nazwie CausalWorld.

Jeśli o typie wirtualnego środowiska szkoleniowego często słyszymy w filmach science fiction, np. w Matrixie – wirtualny świat, w którym nie obowiązują żadne zasady. Z kolei w CausalWorld badacze mogą systematycznie szkolić i oceniać swoje metody w środowiskach robotycznych. Wszystko zależy od zasad i sposobu ich stosowania. Tam robotom można przydzielać zadania podobne do tych, gdy dzieci bawią się klockami Lego, a także inne gry związane z umiejętnością analizy przyczyn i skutków. Naukowcy mogą interweniować, aby przetestować zdolność robota do generalizowania w trakcie szkolenia. Zasadniczo jest to środowisko testowe, które pomaga ocenić, w jaki sposób sztuczna inteligencja może uogólnić problem.

Gdy opanujesz umiejętność analizowania przyczyny i skutku, wydajność systemów AI wielokrotnie się poprawi, a także możliwość bardziej efektywnego niezależnego działania.