Этот базовый человеческий навык станет следующей важной вехой, которую должен достичь ИИ.

Помните ли вы чувство удивления и радости, когда вы впервые обнаружили, что все вещи и явления в этом мире связаны друг с другом – более или менее – согласно модели корреляции, называемой причиной – следствием: Если это так, то это так. , или это событие является причиной, приведшей к этому событию.

Это звучит «макро», но на самом деле это чрезвычайно просто и представляет собой категорию базовых человеческих навыков. Научные исследования показывают, что мы начинаем понимать принцип причины и следствия уже в восемь месяцев – когда мы еще не умеем говорить. Оно помогает нам делать элементарные выводы о существовании вещей и явлений в окружающем мире. Однако большинство из нас не может вспомнить многие вещи до того, как нам исполнится три или четыре года, поэтому способность воспринимать причину и следствие, которая помогает отвечать на вопросы «почему», постепенно становится навыком. принимать как должное.

Однако на самом деле это не только важный урок для людей, помогающий понять окружающий их мир, но и навык, с которым сегодняшние системы искусственного интеллекта (ИИ) пока еще довольно плохо справляются, и его следует учить, улучшая, чтобы добиться более высокой производительности.

Способность современных систем искусственного интеллекта побеждать людей, играющих в го или управляющих автомобилями на людных улицах, не обязательно нужно сравнивать с тем типом интеллекта, который люди могут использовать для освоения этих возможностей. Это потому, что люди – даже в младенчестве – уже обладают способностью обобщать ситуации, применяя знания из одной области в другую. Чтобы ИИ полностью реализовал свой потенциал, ему тоже необходимо это сделать.

Способность рассуждать о причине и следствии — следующий навык, который должен приобрести ИИ.

Например, если робот ИИ научится строить дом из кирпичей, навыки причинно-следственного анализа помогут ему понять и осознать, что он также может использовать эти кирпичи для строительства дома, моста или даже сооружений с более сложной структурой. . Другими словами, этого можно достичь, когда ИИ обладает способностью понимать причинно-следственные связи между различными переменными окружающей среды.

Виртуальный мир обучения ИИ

Нам нужна глубокая среда обучения искусственного интеллекта, которая позволит передовым моделям машинного обучения лучше обобщать различные изменения характеристик окружающей среды, таких как масса или форма объектов. Например, когда робот учится поднимать конкретный предмет, мы можем ожидать, что он сможет распознавать, в каком положении ему следует стоять, а также какую силу нужно приложить, чтобы поднять громоздкий и тяжелый предмет. до тех пор, пока он понимает соответствующее применение причины и следствия в каждом данном случае. Именно это побудило ученых создать инструмент под названием CausalWorld.

Если тот тип виртуальной тренировочной среды, о котором мы часто слышим в научно-фантастических фильмах, например, в «Матрице», — это виртуальный мир, в котором правила не действуют. Напротив, в CausalWorld исследователи могут систематически обучать и оценивать свои методы в роботизированной среде. Все дело в правилах и в том, как они применяются. Там роботам можно давать задания, аналогичные тем, когда дети играют в Лего, а также другие игры, связанные с навыками причинно-следственного анализа. Исследователи могут вмешаться, чтобы проверить способность робота к обобщению во время его обучения. По сути, это среда тестирования, которая помогает оценить, как ИИ может обобщить проблему.

Как только вы овладеете способностью анализировать причину и следствие, производительность систем ИИ многократно улучшится, а также появится возможность более эффективно действовать независимо.