En hybrid AI-modell låter den resonera om världens fysik som ett barn

Kategori: Artificiell intelligens Postad 06 mars

En ny datamängd avslöjar hur dålig AI är på att resonera – och antyder att en ny hybridmetod kan vara den bästa vägen framåt.

Frågor, frågor: Känd som CLEVRER, datamängden består av 20 000 korta syntetiska videoklipp och mer än 300 000 frågor och svar som resonerar kring händelserna i videorna. Varje video visar en enkel värld av leksaksobjekt som kolliderar med varandra efter simulerad fysik. I den ena träffar en röd gummiboll en blå gummicylinder, som fortsätter att träffa en metallcylinder.

Frågorna delas in i fyra kategorier: beskrivande (t.ex. Vilken form har objektet som kolliderar med cyancylindern?), förklarande (Vad är ansvarigt för den grå cylinderns kollision med kuben?), prediktiv (Vilken händelse kommer att hända härnäst?) , och kontrafaktisk (utan det grå objektet, vilken händelse kommer inte att hända?). Frågorna speglar många av de begrepp som barn lär sig tidigt när de utforskar sin omgivning. Men de tre sistnämnda kategorierna, som specifikt kräver kausala resonemang för att besvara, stöter ofta på djupinlärningssystem.

Misslyckas: Datauppsättningen, skapad av forskare vid Harvard, DeepMind och MIT-IBM Watson AI Lab är avsedd att hjälpa till att utvärdera hur väl AI-system kan resonera. När forskarna testat flera toppmoderna datorseende och naturliga språkmodeller med datamängden, fann de att alla klarade sig bra på de beskrivande frågorna men dåligt på de andra.

Blanda gammalt och nytt: Teamet provade sedan ett nytt AI-system som kombinerar både djupinlärning och symbolisk logik. Symboliska system brukade vara på modet innan de var det förmörkad genom maskininlärning i slutet av 1980-talet. Men båda tillvägagångssätten har sina styrkor: djupinlärning överträffar skalbarhet och mönsterigenkänning; symboliska system är bättre på abstraktion och resonemang.

Det sammansatta systemet, känt som en neuro-symbolisk modell, utnyttjar båda: det använder ett neuralt nätverk för att känna igen objektens färger, former och material och ett symboliskt system för att förstå fysiken i deras rörelser och orsakssambanden mellan dem. Det överträffade befintliga modeller i alla kategorier av frågor.

Varför det är viktigt: Som barn lär vi oss att observera världen omkring oss, sluta oss till varför saker hände och göra förutsägelser om vad som kommer att hända härnäst. Dessa förutsägelser hjälper oss att fatta bättre beslut, navigera i våra miljöer och vara säkra. Att replikera den typen av kausal förståelse i maskiner kommer på liknande sätt att utrusta dem att interagera med världen på ett mer intelligent sätt.