211service.com
AI beväpnad med flera sinnen kan få mer flexibel intelligens
Mänsklig intelligens uppstår ur vår kombination av sinnen och språkförmågor. Kanske gäller samma sak för artificiell intelligens.
Selman Design
24 februari 2021
Varför det är viktigt:AI som kan känna och tala kommer att bli mycket bättre på att navigera i nya utmaningar och arbeta tillsammans med människor.
Nyckelspelare:• OpenAI
• AI2
• Facebook
Tillgänglighet:Nu
I slutet av 2012 kom AI-forskare först på hur man kan få neurala nätverk att se. De bevisade att programvara utformad för att löst efterlikna den mänskliga hjärnan dramatiskt kunde förbättra befintliga datorseendesystem. Fältet har sedan dess lärt sig hur man får neurala nätverk att imitera hur vi resonera, höra, tala och skriva .
Men även om AI har vuxit anmärkningsvärt mänskligt – till och med övermänskligt – när det gäller att uppnå en specifik uppgift, fångar den fortfarande inte den mänskliga hjärnans flexibilitet. Vi kan lära oss färdigheter i ett sammanhang och tillämpa dem i ett annat. Däremot, även om DeepMinds spelalgoritm AlphaGo kan slå världens bästa Go-mästare, den kan inte förlänga den strategin utanför brädet. Algoritmer för djupinlärning är med andra ord mästare på att plocka upp mönster, men de kan inte förstå och anpassa sig till en föränderlig värld.
Den här historien var en del av vårt marsnummer 2021
- Se resten av frågan
- Prenumerera
Forskare har många hypoteser om hur detta problem kan övervinnas, men särskilt en har fått genomslag. Barn lär sig om världen genom att känna och prata om den. Kombinationen verkar nyckeln. När barn börjar associera ord med syner, ljud och annan sensorisk information, kan de beskriva mer och mer komplicerade fenomen och dynamik, riva isär det som är orsakssamband från det som endast återspeglar korrelation och konstruera en sofistikerad modell av världen. Den modellen hjälper dem sedan att navigera i okända miljöer och sätta ny kunskap och erfarenheter i ett sammanhang.
Relaterad berättelse
DeepMinds AI har nu utkonkurrerat nästan alla mänskliga spelare på StarCraft II AlphaStar samarbetade med sig själv för att lära sig nya strategier för att erövra det populära galaktiska krigföringsspelet.AI-system, å andra sidan, är byggda för att bara göra en av dessa saker åt gången. Algoritmer för datorseende och ljudigenkänning kan känna av saker men kan inte använda språk för att beskriva dem. En naturlig språkmodell kan manipulera ord, men orden är fristående från alla sinnesverkligheter. Om sinnen och språk kombinerades för att ge en AI är ett mer mänskligt sätt att samla in och bearbeta ny information , skulle det äntligen kunna utveckla något som liknar en förståelse av världen?
Förhoppningen är att dessa multimodala system, med tillgång till både sensoriska och språkliga sätt för mänsklig intelligens, ska ge upphov till en mer robust typ av AI som lättare kan anpassa sig till nya situationer eller problem. Sådana algoritmer kan sedan hjälpa oss att ta itu med mer komplexa problem, eller portas in i robotar som kan kommunicera och samarbeta med oss i vårt dagliga liv.
Nya framsteg inom språkbehandlingsalgoritmer som OpenAI:s GPT-3 har hjälpt. Forskare förstår nu hur man replikerar språkmanipulation tillräckligt bra för att göra kombinationen med avkänningskapacitet mer potentiellt fruktbar. Till att börja med använder de den allra första avkänningskapaciteten som fältet uppnådde: datorseende. Resultaten är enkla bimodala modeller, eller visuellt språk AI .
Det senaste året har det blivit flera spännande resultat inom detta område. I september skapade forskare vid Allen Institute for Artificial Intelligence, AI2, en modell som kan skapa en bild från en textbild , som visar algoritmens förmåga att associera ord med visuell information. I november utvecklade forskare vid University of North Carolina, Chapel Hill, en metod som införlivar bilder i befintliga språkmodeller , vilket stärkte modellernas läsförståelse.
202110 banbrytande teknologier
OpenAI använde sedan dessa idéer för att utöka GPT-3. I början av 2021 släppte labbet två visuella språkmodeller. Man länkar objekten i en bild till orden som beskriver dem i en bildtext. Den andra genererar bilder utifrån en kombination av de begrepp den har lärt sig. Du kan till exempel uppmana den att producera en målning av en kapybara som sitter på ett fält vid soluppgången. Även om den kanske aldrig har sett detta förut, kan den blanda och matcha vad den känner till av målningar, kapybaror, fält och soluppgångar för att drömma om dussintals exempel.
Att uppnå mer flexibel intelligens skulle inte bara låsa upp nya AI-applikationer: det skulle göra dem säkrare också.
Mer sofistikerade multimodala system kommer också att möjliggöra fler avancerade robotassistenter (tänk robotbutlers, inte bara Alexa). Den nuvarande generationen av AI-drivna robotar använder främst visuell data för att navigera och interagera med sin omgivning. Det är bra för att utföra enkla uppgifter i begränsade miljöer, som att utföra beställningar i ett lager. Men labb som AI2 arbetar med att lägga till språk och införliva fler sensoriska ingångar, som ljud och taktil data, så att maskinerna kan förstå kommandon och utföra mer komplexa operationer, som att öppna en dörr när någon knackar på.
I det långa loppet kan multimodala genombrott hjälpa till att övervinna några av AI:s största begränsningar. Experter hävdar till exempel att dess oförmåga att förstå världen också är varför den lätt kan misslyckas eller bli lurad. (En bild kan ändras på ett sätt som är omärkligt för människor men gör att en AI identifierar den som något helt annat.) Att uppnå mer flexibel intelligens skulle inte bara låsa upp nya AI-applikationer: det skulle göra dem säkrare också. Algoritmer som granskar cv skulle inte behandla irrelevanta egenskaper som kön och ras som tecken på förmåga. Självkörande bilar skulle inte tappa greppet i okända miljöer och krascha i mörker eller i snöväder. Multimodala system kan bli de första AI:erna vi verkligen kan lita på med våra liv.