211service.com
Vad händer när du ger en AI ett arbetsminne?
En ny typ av dator, utarbetad av forskare vid Google DeepMind i Storbritannien, skulle kunna bredda förmågan hos dagens bästa AI-system genom att ge dem en viktig ny funktion – ett slags arbetsminne.
Forskarna visar att datorn, som består av ett stort neuralt nätverk kopplat till en unik form av minne, kan utföra relativt komplexa uppgifter genom att själv ta reda på vilken information den ska ha i minnet. Uppgifterna inkluderar att ta reda på det bästa sättet att ta sig från en station till en annan på Londons spagettiliknande tunnelbanenät, efter att ha utforskat diagram över andra typer av nätverk och lärt sig om de mest framträdande funktionerna.
Google DeepMind-forskarna kallar sitt system för en differentierbar neural dator. Det är differentierbart i den meningen att dess beteende - inklusive vad som ska lagras i minnet - kan läras ut med hjälp av den matematiska processen, kallad backpropagation, som ligger till grund för neurala nätverks arbete. När nätverket tränas med data kommer det automatiskt att lagra viss information i en minnesmatris.
Liksom en vanlig dator kan den använda sitt minne för att representera och manipulera komplexa datastrukturer, men som ett neuralt nätverk kan den lära sig att göra det från data, skriver författarna, som inkluderar Alex Graves, Greg Wayne och Demis Hassabis. en artikel som publicerades i dag i tidskriften Natur .
Framstegen är ett steg mot artificiell intelligens som är lite mer människolik i sina förmågor. Även om tekniken är begränsad för närvarande, kan system byggda på det här sättet en dag utföra användbart arbete, säger Ruslan Salakhutdinov , en docent vid CMU som är specialiserad på maskininlärning och AI. Till exempel kan en mer avancerad version genomsöka Wikipedia och ta reda på vilka viktiga begrepp, som namn, platser och datum, som ska lagras i minnet. Eller så kan det tillåta en robot att använda information som lärts i en miljö i en helt ny. Det är ett väldigt spännande arbete, säger Salakhutdinov.
De senaste maskininlärningssystemen är briljanta vid vissa uppgifter, som att känna igen ansikten i bilder eller talade ord. Och med övning kan de lära sig att utföra komplexa uppgifter som att spela datorspel till en expertnivå. Men de kräver enorma mängder specifik data för träning, och till skillnad från en människa kan de inte lagra mycket av det de har lärt sig i minnet för att användas senare. Detta utgör ett problem inom många områden, inklusive språk (se AI:s språkproblem).
Salakhutdinov noterar dock att det kan vara svårt att göra en sådan differentierbar neural dator mer komplex. Det beror på att för att komma åt dess minne måste den utföra en komplex beräkning som frågar efter varje lagrad del. Det är supersvårt att få de här sakerna att fungera, säger han. Att skala upp kan vara lite problematiskt.
Intressant nog för arbetet två områden av AI som länge har varit i konflikt lite närmare varandra. Tidigt arbete inom artificiell intelligens involverade programmering av maskiner för att representera information symboliskt, medan den nuvarande modet är att använda mycket stora neurala nätverk som tränar sig själva för att utföra uppgifter. Under lång tid har vissa AI-traditionalister och kognitionsforskare ifrågasatt om neurala nätverk kan göra vad människor gör utan att få någon djupare förmåga att representera information symboliskt.
Jag är mest imponerad av nätverkets förmåga att lära sig 'algoritmer' från exempel, säger Brenden sjö , en kognitiv forskare vid New York University som studerar sätt att få datorer att efterlikna mänsklig intelligens. Detta skulle kunna utöka användbarheten av djupinlärning. Algoritmer, som att sortera eller hitta kortaste vägarna, är den klassiska datavetenskapens bröd och smör. De kräver traditionellt en programmerare för att designa och implementera.
Men Lake påpekar att systemet fortfarande inte är riktigt människolikt på det sätt som det fungerar. Människor kan plocka upp en ny uppgift från en begränsad mängd erfarenhet, särskilt om de är bekanta med domänen, säger han. Däremot tränas den differentiella neurala datorn på tiotals eller hundratusentals exempel på varje uppgift. Jag tror att den mänskliga förmågan att snabbt lära sig nya uppgifter kommer att bli en av nästa stora AI-utmaningar.