ทักษะพื้นฐานของมนุษย์นี้จะเป็นก้าวสำคัญถัดไปที่ AI จะต้องบรรลุ

คุณจำความรู้สึกประหลาดใจและยินดีได้ไหมเมื่อค้นพบครั้งแรกว่าสรรพสิ่งและปรากฏการณ์ในโลกนี้มีความสัมพันธ์กันไม่มากก็น้อยตามแบบจำลองความสัมพันธ์ที่เรียกว่าเหตุ - ผล: หากเป็นกรณีนี้ก็คือ หรือเหตุการณ์นี้เป็นเหตุให้เกิดเหตุการณ์นั้น

ฟังดูเป็น "มาโคร" แต่จริงๆ แล้วง่ายมาก และเป็นทักษะขั้นพื้นฐานของมนุษย์ การวิจัยทางวิทยาศาสตร์แสดงให้เห็นว่า เราเริ่มเข้าใจหลักการของเหตุและผลตั้งแต่อายุแปดเดือน ซึ่งเป็นตอนที่เรายังพูดไม่ได้ ช่วยให้เราสามารถอนุมานเบื้องต้นเกี่ยวกับการดำรงอยู่ของสิ่งต่าง ๆ และปรากฏการณ์ในโลกโดยรอบ แต่ก่อนเราจะอายุประมาณ 3-4 ขวบ พวกเราส่วนใหญ่จำอะไรไม่ได้มากนัก ดังนั้น ความสามารถในการรับรู้เหตุและผลซึ่งช่วยตอบคำถาม "ทำไม" จึงค่อยๆ กลายเป็นทักษะการทำงานพื้นฐานที่เราเพียงแต่ ยอมรับ

อย่างไรก็ตาม ในความเป็นจริง นี่ไม่เพียงเป็นบทเรียนสำคัญให้ผู้คนเข้าใจโลกรอบตัว แต่ยังเป็นทักษะที่ระบบปัญญาประดิษฐ์ (AI) ในปัจจุบันยังค่อนข้างแย่และควรได้รับการสอน ปรับปรุงให้มีประสิทธิภาพดีขึ้น

ความสามารถของระบบ AI สมัยใหม่ในการเอาชนะผู้คนที่เล่น Go หรือขับรถบนถนนที่มีผู้คนพลุกพล่าน ไม่จำเป็นต้องเปรียบเทียบกับความฉลาดที่มนุษย์สามารถใช้เพื่อควบคุมความเป็นไปได้เหล่านี้ นั่นเป็นเพราะว่ามนุษย์ แม้กระทั่งเด็กทารก มีความสามารถในการสรุปสถานการณ์โดยการประยุกต์ใช้ความรู้จากด้านหนึ่งไปยังอีกด้านหนึ่งอยู่แล้ว สำหรับ AI เพื่อที่จะเข้าถึงศักยภาพสูงสุดได้ นี่คือสิ่งที่ต้องทำเช่นกัน

ความสามารถในการให้เหตุผลและผลเป็นทักษะถัดไปที่ AI จำเป็นต้องได้รับ

ตัวอย่างเช่น หากหุ่นยนต์ AI เรียนรู้วิธีสร้างบ้านโดยใช้อิฐ ทักษะการวิเคราะห์สาเหตุและผลกระทบจะช่วยให้เข้าใจและตระหนักว่าหุ่นยนต์ยังสามารถใช้อิฐเหล่านั้นเพื่อสร้างบ้าน สะพาน หรือแม้แต่โครงสร้างที่มีโครงสร้างที่ซับซ้อนมากขึ้นได้ . กล่าวอีกนัยหนึ่ง สิ่งนี้สามารถเกิดขึ้นได้เมื่อ AI มีทักษะในการทำความเข้าใจความสัมพันธ์ระหว่างเหตุและผลระหว่างตัวแปรสภาพแวดล้อมต่างๆ

โลกแห่งการฝึกอบรมเสมือนจริงสำหรับ AI

เราต้องการสภาพแวดล้อมการฝึกอบรม AI ในเชิงลึกที่ช่วยให้โมเดลการเรียนรู้ของเครื่องขั้นสูงสามารถสรุปการเปลี่ยนแปลงในลักษณะสภาพแวดล้อมต่างๆ เช่น มวลหรือรูปร่างของวัตถุได้ดีขึ้น ตัวอย่างเช่น เมื่อหุ่นยนต์เรียนรู้ที่จะหยิบวัตถุใดชิ้นหนึ่งเราสามารถคาดหวังได้ว่าหุ่นยนต์จะสามารถรับรู้ได้ว่าควรยืนอยู่ในตำแหน่งใดและต้องใช้แรงเท่าใดในการหยิบวัตถุขนาดใหญ่และหนัก ยากขึ้น – ตราบใดที่เข้าใจการใช้เหตุและผลอย่างเหมาะสมในแต่ละกรณี นั่นคือสิ่งที่กระตุ้นให้นักวิทยาศาสตร์สร้างเครื่องมือที่เรียกว่า CausalWorld

หากสภาพแวดล้อมการฝึกอบรมเสมือนจริงประเภทหนึ่งที่เรามักได้ยินในภาพยนตร์นิยายวิทยาศาสตร์เช่นใน The Matrix - โลกเสมือนจริงที่กฎเกณฑ์ไม่ได้ใช้ ในทางตรงกันข้าม ใน CausalWorld นักวิจัยสามารถฝึกอบรมและประเมินวิธีการของตนในสภาพแวดล้อมหุ่นยนต์ได้อย่างเป็นระบบ ทุกอย่างขึ้นอยู่กับกฎเกณฑ์ และวิธีการนำไปใช้ ที่นั่น หุ่นยนต์สามารถได้รับมอบหมายงานคล้ายกับที่เด็กๆ เล่นกับเลโก้ รวมถึงเกมอื่นๆ ที่เกี่ยวข้องกับทักษะการวิเคราะห์สาเหตุและผลกระทบ นักวิจัยสามารถแทรกแซงเพื่อทดสอบความสามารถของหุ่นยนต์ในการสรุปข้อมูลในขณะที่ได้รับการฝึกฝน โดยพื้นฐานแล้ว นี่คือสภาพแวดล้อมการทดสอบที่ช่วยประเมินว่า AI สามารถสรุปปัญหาได้อย่างไร

เมื่อคุณเชี่ยวชาญความสามารถในการวิเคราะห์สาเหตุและผลกระทบแล้ว ประสิทธิภาพของระบบ AI จะดีขึ้นหลายเท่า พร้อมกับความสามารถในการทำงานอย่างอิสระได้อย่างมีประสิทธิภาพมากขึ้น