Нужен ли AI внутренний когнитивный механизм, подобный человеческому, для достижения аналогичного уровня интеллекта
Привет. Самоуправляемому автомобилю, оснащенному одним из наиболее распространенных методов искусственного интеллекта, может понадобиться 50 000 раз врезаться в дерево в условиях виртуальной симуляции, прежде чем он поймет, что это плохая идея. Но у диких козлят, скачущих по невероятно крутым склонам гор, нет такой роскоши - жить и умирать миллионы раз, прежде чем научиться уверенно передвигаться по горам. И 3-летнему ребенку не нужно практиковать миллионы раз, прежде чем он придумает, как пролазить через отверстие в спинке стула.
Сегодняшние самые мощные методы AI узнают почти все о мире с нуля, с помощью мощных вычислительных ресурсов. Для сравнения, люди и животные, по-видимому, интуитивно понимают некоторые понятия - объекты, места и множество связанных вещей, - которые позволяют им быстро формировать представление о том, как работает мир.
Это ставит перед нами важны вопрос "Природа или обучение?": понадобится ли искусственному интеллекту подобный встроенных когнитивный механизм познания мира, подобный человеческому или животному для достижения сопоставимого уровня общего интеллекта?
Ведущие исследователи в области AI и психологии недавно обсуждали эту тему на мероприятии, организованном Центром разума, мозга и сознания Нью-Йоркского университета.
«Ни один из методов AI, которые у нас есть, не может построить представления о мире, будь то через структуру или через обучение, которое находилось бы где-то рядом с тем, что мы наблюдаем у животных и людей», - заявил Янн ЛеКун, компьютерный ученый из Нью-Йоркского университета и директор Facebook Artificial Intelligence Research.
ЛеКун стоял у основ технологий глубокого обучения, которые помогли технологическим гигантам автоматизировать многие популярные сегодня сервисы, такие, как фильтрация друзей на Facebook или перевод через Google Translate. Алгоритмы глубокого обучения могут выполнять все эти задачи без эквивалента врожденного когнитивного механизма, который есть у людей и животных.
Вместо этого алгоритмы глубокого обучения постепенно учатся распознавать определенные модели мира в ходе анализа огромных объемов данных - процесса, который помогает решать определенные задачи восприятия, такие, как распознавание изображений, когда у вас есть обширные вычислительные ресурсы Facebook, Google или Microsoft.
Исследователи согласны с тем, что современные методы AI, такие как глубокое обучение, все еще не позволяют создать машину, обладающую общим интеллектом, сопоставимым с животными или людьми. Тем не менее, ЛеКун полагает, что AI может достичь такого уровня интеллекта на основе неконтролируемого глубокого обучении, последние достижения в развитии которого позволяют обойтись без участия людей, представляющих ему данные с ручной маркировкой.
Успех современного AI во многом базируется на том, что он не построен на предположениях или структурированных концепциях того, как работает мир - отмечает ЛеКун. В этом смысле он выступает за сохранение такой упрощенности при минимальном структурировании алгоритмов AI. Он считает, что делает это без необходимости использовать идеи лингвистов, психологов или когнитивных ученых.
"Моя задача состоит в том, чтобы свести к минимуму количество природных механизмов, чтобы обучение проходило на основе доступного нам количества данных"
Другие исследователи также признают, что у неконтролируемого глубокого обучения есть шанс на успех. Но считают, что такие алгоритмы могут быть успешными только в том случае, если у них есть «более богатый набор примитивов и представлений, чем просто пиксели", чтобы понять мир.
“Мы хотим того, что есть у детей-представления и примитивы, которые создаются для понимания поведения объектов и сущностей, а также физики мира” - говорит Гэри Маркус, психолог нью-йоркского университета и основатель Geometric Intelligence (в настоящее время принадлежит группе AI Uber)
Этот подход основан на том, чтобы исследователи AI «заимствовали немного более щедро из когнитивной науки», создавая более структурированные алгоритмы, которые могут представлять аналоги когнитивных концепций, таких, как объекты, множества, места и пространственно-временную непрерывность.
Хорошим примером здесь является работа Элизабет Сплек, когнитивного психолога из Гарвардского университета, в которой показано, как дети имеют способность очень рано воспринимать такие понятия, как люди, предметы, наборы и места. Ее предложение: почему бы не использовать подобный подход в разработке AI с некоторой структурой, которая базируется на аналогичных понятиях?
Даже самая ранняя работа ЛеКуна над сверточными нейронными сетями - метод, позволяющий более эффективную вычислительную обработку в задачах распознавания объектов - хороший пример того, как использование структурированного подхода для ограничения объема информации, которую должен фильтровать AI, может помочь ему лучше понять мир.
ЛеКун согласился с тем, что AI нуждается в определенной структуре, чтобы помочь ему в постижении мира. Но он задался вопросом, существует ли “единый алгоритм обучения или принцип или процедура” в биологическом мозге, или это больше похоже на бессмысленный набор “хаков” без основополагающего организационного принципа.
По его мнению, AI мог бы извлечь большую пользу из единого принципа обучения—или набора таких принципов—которые возникали бы из встроенной структуры, смоделированной на аналоге врожденного когнитивного механизма.
Чего не хватает-это принципа, который позволял бы машине постигать устройство мира посредством наблюдения и взаимодействия с ним. Отсутствие прогностической мировой модели обучения является самым большим препятствием для значительного прогресса в развитии искусственного интеллекта.
Суть интеллекта - это способность прогнозировать, потому что прогнозирование будущего - это особый случай «заполнения пробелов» о состоянии мира. Здравый смысл позволяет людям и животным заполнить недостающую информацию на основе их знаний о том, как работает мир. Вот почему человеческим водителям не нужно врезаться в дерево 50 000 раз, прежде чем они поймут, что это плохая идея, люди уже имеют представление о том, что может случиться, если они направят свою машину на дерево.
Ученый надеется, что неконтролируемое обучение может, в конечном итоге, позволить AI развивать понимание того, как работает мир с точки зрения физики, что-то вроде грубой формы здравого смысла.
«Я был бы счастлив в конце своей карьеры, если бы у нас была такая умная машина, как кошка», - говорит ЛеКун. «Или мышь».
Дискуссия о том, будет ли обучение AI в конечном итоге опираться больше на "врожденные" когнитивные способности или на тщательное обучение, далека от завершения. Но, все же, исследователи с разными взглядами на эту проблему, по крайней мере, договорились о о ключевых показателях эффективности, говорящих, что тот или иной показатель является правильным. Если неконтролируемые алгоритмы обучения в конечном итоге потребуют большей структуры, сходной с когнитивными представлениями объектов, множеств, пространства и т.д., то победит одна точка зрения, если неконтролируемое обучение будет иметь успех, не требуя такой структуры - другая.
