С момента создания первого поколения искусственного интеллекта, исследователи из этой области разделились на два основных лагеря: "символисты" стремились создавать интеллектуальные машины, кодируя логические правила и представления о мире; "коннекционисты" старались создать объясняющие мир искусственные нейронные сети, построенные по "биологическому" подобию. Две группы исторически не ладили между собой, однако новая совместная исследовательская работа "MIT", "IBM" и "DeepMind" демонстрирует силу объединения двух подходов, возможно, означая открытие пути для прорыва в области искусственного интеллекта, пишет сегодня издание MIT Technology Review.
Команда, возглавляемая профессором Джошем Тененбаумом из "Центра изучения мозга и сознания машин" ("The Center for Brains Minds and Machines", "CBMM") Массачусетского технологического института ("MIT"), создала компьютерный алгоритм, называнный "нейросимволическим концептуальным учеником" ("NS-CL"), который изучает мир (хотя и его упрощенную версию) так же, как это делает ребенок - "осматриваясь" и "общаясь".
"DARPA хочет, чтобы их "новый" ИИ учил язык, как ребенок, а не как "машина". Читать
"Сможет ли США удержать лидерство в сфере ИИ за счёт новых "больших идей". Читать
Система "NS-CL" состоит из нескольких частей: одна нейронная сеть обучается на серии сцен, состоящих из небольшого количества объектов. Другая нейронная сеть обучается на серии текстовых пар вопросов-ответов о сцене, таких как "Вопрос: Какого цвета сфера?", "Ответ: Красный". Эта сеть учится преобразовывать вопросы на естественном языке в простую программу, которую можно запустить на сцене, чтобы получить ответ.
Система "NS-CL" также запрограммирована для понимания символических понятий в тексте, таких как "объекты", "свойства объекта" и «пространственные отношения». Это знание помогает NS-CL отвечать на новые вопросы о другой сцене - способность, приобретаемая гораздо сложнее, в случае, если использовать один лишь "коннекционистский" подход. Таким образом, система распознает понятия в новых вопросах и может визуально связать их с предшествующей сценой.
"Это захватывающий подход.. Распознавание образов нейронной сетью позволяет системе "видеть", в то время как символические алгоритмы позволяют системе "рассуждать". Вместе этот подход выходит за рамки того, что могут делать современные системы глубокого обучения", Бренден Лэйк, доцент Нью-Йоркского университета
Иными словами, "гибридная" система преодолевает ключевые ограничения двух более ранних подходов, при их сочетании: проблему масштабируемости "символизма", который усиленно пытался "закодировать" всю сложность человеческого познания и, с другой стороны, проблему нейронных сетей с их потребностью в огромных объемах данных. Нейронную сеть можно "научить" отвечать на вопрос о том, что находится на сцене, если использовать миллионы примеров аналогичных предварительно промаркированных сцен, в качестве обучающего набора данных. Но человеческий ребенок не требует такого огромного количества данных, чтобы понять, что это - новый объект или разобраться том, как он связан с другими объектами. Кроме того, обученная таким образом нейронная сеть не имеет реального "понимания" задействованных концепций - это просто обширное упражнение по сопоставлению с образцом. И если этой нейронной сети "показать" другую сцену, она уже не сможет отвечать "корректно", будет совершать "глупые" ошибки при взаимодействии с новыми сценариями.
"Это действительно захватывающе, потому что поможет нам преодолеть зависимость от огромных объемов маркированых данных", Дэвид Кокс , ученый, глава лаборатории MIT-IBM Watson AI
Новый подход важен потому, что он подводит ближе к разработке формы искусственного интеллекта, больше похожего на человеческий. На практике это может дать жизнь новым приложениям ИИ, так как новая технология требует гораздо меньшего количества обучающих данных. Например, системы роботов смогут учиться "на лету", а не тратить значительное время на обучение действиям в каждой уникальной среде, в которой они могут оказаться.
В настоящее время исследовательская группа разрабатывает версию системы, которая "учится" на фотографиях реальных сцен. Это может оказаться полезным для многих практических применений систем машинного зрения.
Понравился пост? Поставьте 👍 или поделитесь им в социальной сети, чтобы мы могли рассказать ещё больше о новых технологиях.
Подпишитесь на наш канал "Умная безопасность" ( @smartsafecity ) в Телеграм , чтобы узнать больше новостей о новых технологиях.