211service.com
För att bli riktigt smart kan AI behöva spela fler videospel
De senaste datorspelen kan vara fantastiskt realistiska. Överraskande nog kan dessa verklighetstrogna virtuella världar också ha ett visst pedagogiskt värde - särskilt för nya AI-algoritmer.
Adrien Gaidon, datavetare vid Xerox Research Center Europe i Grenoble, Frankrike, minns att jag såg någon spela tv-spelet Assassins Creed när han insåg att spelets fotorealistiska landskap kan erbjuda ett användbart sätt att lära AI-algoritmer om den verkliga världen. Gaidon testar nu denna idé genom att utveckla mycket realistiska 3D-miljöer för att träna algoritmer i hur man känner igen speciella verkliga objekt eller scenarier.
Idén är viktig eftersom banbrytande AI-algoritmer måste mata på enorma mängder data för att lära sig utföra en uppgift. Ibland är det inte ett problem. Facebook, till exempel, har miljontals märkta fotografier för att träna algoritmerna som automatiskt taggar vänner när de laddar upp bilder (se Facebook skapar programvara som matchar ansikten nästan lika bra som du gör). På samma sätt fångar Google in enorma mängder data med sina självkörande bilar, som sedan används för att förfina algoritmerna som styr dessa fordon.
Men de flesta företag har inte tillgång till så enorma datamängder, eller möjligheten att generera sådan data från grunden.
För att fylla i dessa luckor använde Gaidon och kollegor en populär spelutvecklingsmotor, kallad Enhet , för att generera virtuella scener för att träna algoritmer för djupinlärning – en mycket stor typ av simulerade neurala nätverk – för att känna igen objekt och situationer i verkliga bilder. Unity används ofta för att göra 3D-videospel, och många vanliga objekt är tillgängliga för utvecklare att använda i sina skapelser.
Ett dokument som beskriver Xerox-teamets arbete kommer att presenteras på en datorseendekonferens senare i år. Genom att skapa en virtuell miljö och låta en algoritm se många variationer från olika vinklar och med olika ljussättning, är det möjligt att lära den algoritmen att känna igen samma objekt i riktiga bilder eller videofilmer. Det fina med virtuella världar är att du kan skapa vilken typ av scenario som helst, säger Gaidon.
Gaidons grupp utarbetade också ett sätt att konvertera en riktig scen till en virtuell genom att använda en laserskanner för att fånga en scen i 3D och sedan importera den informationen till den virtuella världen. Gruppen kunde mäta tillvägagångssättets noggrannhet genom att jämföra algoritmer som tränats i virtuella miljöer med algoritmer som tränats med hjälp av riktiga bilder kommenterade av människor. Fördelarna med simulering är välkända, säger han, men [vi undrade], kan vi generera virtuell verklighet som kan lura en AI?
Xerox-forskarna hoppas kunna tillämpa tekniken i två situationer. Först planerar de att använda den för att hitta tomma parkeringsplatser på gatan med hjälp av kameror monterade på bussar. Normalt skulle detta innebära att man samlar in massor av videomaterial och låter någon manuellt kommentera tomma utrymmen. En enorm mängd träningsdata kan genereras automatiskt med den virtuella miljön som skapats av Xerox-teamet. För det andra undersöker de om det kan användas för att lära sig om medicinska problem med hjälp av virtuella sjukhus och patienter.
Utmaningen att lära sig med mindre data är välkänd bland datavetare, och den inspirerar många forskare att utforska nya tillvägagångssätt, av vilka några hämtar inspiration från mänskligt lärande (se Kan denna man göra AI mer mänsklig?).
Jag tycker att det här är en väldigt bra idé, säger Josh Tenenbaum , professor i kognitiv vetenskap och beräkning vid MIT, i Xerox-projektet. Det är något som vi och många andra har eftersträvat i olika former.