Esta habilidade humana básica será o próximo marco importante que a IA deve alcançar

Você se lembra da sensação de surpresa e alegria quando descobriu pela primeira vez que todas as coisas e fenômenos neste mundo estão relacionados entre si - mais ou menos - de acordo com um modelo de correlação chamado causa - efeito: Se for esse o caso, então é , ou este evento é o motivo que levou a esse evento.

Isto parece “macro”, mas na verdade é extremamente simples e é uma categoria de habilidades humanas básicas. A pesquisa científica mostra que começamos a compreender o princípio de causa e efeito já aos oito meses de idade – quando ainda não conseguimos falar. Ajuda-nos a fazer inferências elementares sobre a existência de coisas e fenômenos no mundo circundante. No entanto, a maioria de nós não consegue se lembrar de muitas coisas antes dos três ou quatro anos de idade, então a capacidade de perceber causa e efeito, que ajuda a responder perguntas do tipo “por que”, gradualmente se torna uma habilidade de funções básicas, que simplesmente tomar como certo.

No entanto, na realidade, esta não é apenas uma lição importante para as pessoas compreenderem o mundo que as rodeia, mas também uma habilidade na qual os actuais sistemas de inteligência artificial (IA) ainda são bastante deficientes e devem ser ensinadas e melhoradas para obterem um melhor desempenho.

A capacidade dos sistemas modernos de IA de vencer pessoas que jogam Go ou dirigem carros em ruas movimentadas não precisa necessariamente ser comparada ao tipo de inteligência que os humanos podem usar para dominar essas possibilidades. Isso porque os humanos – mesmo quando crianças – já possuem a capacidade de generalizar situações aplicando conhecimentos de um domínio a outro. Para que a IA atinja todo o seu potencial, é isso que ela também precisa fazer.

A capacidade de raciocinar causa e efeito é a próxima habilidade que a IA precisa adquirir

Por exemplo, se um robô de IA aprende a construir uma casa usando tijolos, as habilidades de análise de causa e efeito podem ajudá-lo a entender e perceber que ele também pode usar esses tijolos para construir uma casa, uma ponte ou mesmo estruturas com estruturas mais complexas. . Por outras palavras, isto pode ser alcançado quando a IA possui a capacidade de compreender as relações de causa e efeito entre diferentes variáveis ​​ambientais.

Um mundo de treinamento virtual para IA

Precisamos de um ambiente de treinamento profundo em IA que permita que modelos avançados de aprendizado de máquina sejam melhor generalizados para diferentes mudanças nas características ambientais, como a massa ou o formato dos objetos. Por exemplo, quando um robô aprende a pegar um objeto específico, podemos esperar que ele seja capaz de reconhecer em que posição deve ficar, bem como quanta força usar para pegar um objeto volumoso e pesado. desde que compreenda as aplicações apropriadas de causa e efeito em cada caso. Foi isso que levou os cientistas a criar uma ferramenta chamada CausalWorld.

É o tipo de ambiente de treinamento virtual que ouvimos com frequência em filmes de ficção científica, como em Matrix – um mundo virtual no qual as regras não se aplicam. Em contraste, no CausalWorld, os pesquisadores podem treinar e avaliar sistematicamente seus métodos em ambientes robóticos. É tudo uma questão de regras – e como elas são aplicadas. Lá, os robôs podem receber tarefas semelhantes às de quando as crianças brincam com Lego, bem como outros jogos relacionados às habilidades de análise de causa e efeito. Os pesquisadores podem intervir para testar a capacidade do robô de generalizar à medida que é treinado. Essencialmente, este é um ambiente de testes que ajuda a avaliar como a IA pode generalizar o problema.

Depois de dominar a capacidade de analisar causa e efeito, o desempenho dos sistemas de IA melhorará muitas vezes, juntamente com a capacidade de operar de forma independente e mais eficaz.