211service.com
AI-tekniken som kan genomsyra maskiner med förmågan att resonera
En bild av bebisar som leker med block Getty
Vid sex månaders ålder slår en baby inte ett öga om en leksaksbil kör av en plattform och verkar sväva i luften . Men utför samma experiment bara två till tre månader senare, och hon kommer omedelbart att inse att något är fel. Hon har redan lärt sig gravitationsbegreppet.
Ingen säger till barnet att föremål ska falla, sa Yann LeCun, chefsforskare för AI på Facebook och professor vid NYU, under ett webinar på torsdag anordnad av Association for Computing Machinery, ett branschorgan. Och eftersom spädbarn inte har särskilt sofistikerad motorisk kontroll, antar han, är mycket av det de lär sig om världen genom observation.
Den teorin kan få viktiga konsekvenser för forskare som hoppas kunna flytta fram gränserna för artificiell intelligens.
Deep learning, kategorin AI-algoritmer som startade fältets senaste revolution, har gjort enorma framsteg när det gäller att ge maskiner perceptuella förmågor som syn. Men det har misslyckats med att genomsyra dem med sofistikerade resonemang, grundade i en konceptuell modell av verkligheten. Med andra ord, maskiner förstår inte riktigt världen omkring dem, vilket gör att de kommer till korta i sin förmåga att engagera sig i den. Nya tekniker hjälper till att övervinna denna begränsning – till exempel genom att ge maskiner ett slags arbetsminne så att när de lär sig och härleder grundläggande fakta och principer kan de ackumulera dem att dra nytta av i framtida interaktioner.
Men LeCun tror att det bara är en pusselbit. Det är klart att vi saknar något, sa han. En bebis kan utveckla en förståelse för en elefant efter att ha sett två foton, medan algoritmer för djupinlärning behöver se tusentals, om inte miljoner. En tonåring kan lära sig att köra säkert genom att öva i 20 timmar och klara av att undvika krascher utan att först ha upplevt en, medan förstärkningsinlärningsalgoritmer (en underkategori av djupinlärning) måste gå igenom tiotals miljoner försök, inklusive många allvarliga misslyckanden.
Svaret, tror han, finns i den underskattade underkategorin för djupinlärning som kallas oövervakat lärande. Medan algoritmer baserade på övervakad och förstärkande inlärning lärs ut för att uppnå ett mål genom mänsklig input, extraherar oövervakade mönster i data helt på egen hand. (LeCun föredrar termen självövervakad inlärning eftersom den i huvudsak använder en del av träningsdata för att förutsäga resten av träningsdata.)
Under de senaste åren har sådana algoritmer fått betydande dragkraft i bearbetning av naturliga språk på grund av deras förmåga att hitta sambanden mellan miljarder ord. Detta visar sig vara användbart för att bygga textförutsägelsesystem som autokomplettering eller för att skapa övertygande prosa. Men den stora majoriteten av AI-forskning inom andra domäner har fokuserat på övervakat eller förstärkt lärande.
LeCun anser att tyngdpunkten bör vändas. Allt vi lär oss som människor – nästan allt – lärs genom egenövervakad inlärning. Det finns ett tunt lager vi lär oss genom övervakat lärande, och en liten mängd vi lär oss genom förstärkningsinlärning, sa han. Om maskininlärning, eller AI, är en kaka, är den stora majoriteten av kakan självövervakad inlärning.
Hur ser detta ut i praktiken? Forskare bör börja med att fokusera på tidsförutsägelser. Med andra ord, träna stora neurala nätverk för att förutsäga den andra halvan av en video när den ges den första. Även om inte allt i vår värld kan förutsägas, är detta den grundläggande färdigheten bakom en babys förmåga att inse att en leksaksbil borde falla. Det här är en slags simulering av vad som händer i ditt huvud, om du vill, sa LeCun.
När fältet utvecklar tekniker som förfinar dessa förmågor, kommer de också att ha viktiga praktiska användningsområden. Det är en bra idé att göra videoförutsägelser i samband med självkörande bilar eftersom du kanske vill veta i förväg vad andra bilar på gatorna kommer att göra, sa han.
I slutändan kommer oövervakad inlärning att hjälpa maskiner att utveckla en modell av världen som sedan kan förutsäga framtida tillstånd i världen, sa han. Det är en hög ambition som har undgått AI-forskning men som skulle öppna upp en helt ny mängd möjligheter. LeCun är övertygad: Nästa revolution av AI kommer inte att övervakas.
För att få fler berättelser som denna levererade direkt till din inkorg, registrera dig för vårt Webby-nominerade AI-nyhetsbrev The Algorithm. Det är gratis.