Jak může umělá inteligence naučit se o procesu učení?

Aby mohla umělá inteligence udělat nové skoky v pokroku, musí, jak říká autor Jun Wu v Forbes, „naučit se učit“. Co by to znamenalo?

Jak Wu vysvětluje, „lidé mají jedinečnou schopnost učit se z jakéhokoli situace nebo okolí.“ Lidé mohou přizpůsobit svůj proces učení. Aby umělá inteligence měla takovou flexibilní kvalitu, potřebuje Obecnou Umělou Inteligenci – musí se naučit o procesu učení, což se nazývá Meta-Učení.

Existuje jeden velmi specifický kontrast v procesu učení mezi lidmi a umělou inteligencí. Zatímco lidská kapacita učení je omezená, umělá inteligence má mnoho více zdrojů, jako je její výpočetní síla. Lidský mozek má své limity a také omezený čas na učení. Ale zatímco umělá inteligence „se učí z více dat, než data, která naše lidské mozky používají, zpracování těchto obrovských množství dat vyžaduje enormní výpočetní sílu.”

Wu vysvětluje, že „jak roste složitost úkolů umělých inteligencí, tak také roste exponenciálně výpočetní síla.” To by znamenalo, že i když je cena výpočetní síly nízká, „exponenciální růst není scénář, který bychom chtěli.” To je hlavní důvod, proč je v současné době „umělá inteligence navržena jako specifický učeň,” což dělá její proces učení efektivnějším.

Ale když umělá inteligence začala učit se více, „učit se učit” začala také „usuzovat z dat s rostoucí složitostí.” Aby se zabránilo exponenciálnímu růstu výpočetní síly, musel být vytvořen efektivnější učební postup, a umělá inteligence musela zapamatovat si tento postup.

Celý problém se stal ještě složitějším, když výzkumníci a technologové začali přidělovat úkolům umělých inteligencí více úkolů. Aby mohla umělá inteligence dělat tyto úkoly, „musí být schopná vyhodnotit nezávislé sady dat paralelně. Musí také relacionovat kusy dat a usuzovat spojení na těchto datech.” Zatímco se jeden úkol dělá, umělá inteligence musí aktualizovat své znalosti, aby je mohla použít v jiných situacích. „Jelikož jsou úkoly vzájemně propojeny, hodnocení úkolů bude muset být provedeno celou sítí.”

Google (GOOGL ) vyvinul jeden takový model, MultiModel, který je systémem umělých inteligencí, který „se naučil provádět osm různých úkolů současně. MultiModel může detekovat objekty v obrazech, poskytovat popisky, rozpoznávat řeč, překládat mezi čtyřmi páry jazyků a provádět gramatickou konstituční analýzu.

Zatímco je dosažení Googlu velkým skokem vpřed, umělá inteligence musí udělat další kroky, aby se stala obecným učencem. Aby mohla dosáhnout tohoto cíle, musí dále rozvinout meta-důvodování a meta-učení. Jak Wu vysvětluje, „meta-důvodování se zaměřuje na efektivní využití kognitivních zdrojů. Meta-učení se zaměřuje na jedinečnou schopnost lidí efektivně využívat omezené kognitivní zdroje a omezená data k učení.”

V současné době jsou prováděny studie, aby se zjistily mezery mezi lidským kognitivním procesem a způsobem, jakým se umělá inteligence učí, jako je vědomí vnitřních stavů, přesnost paměti nebo důvěra.

To vše znamená, že „stát se umělým obecným učencem vyžaduje rozsáhlý výzkum, jak lidé učí, a také výzkum, jak umělá inteligence může napodobit způsob, jakým lidé učí. Aby se přizpůsobila novým situacím, jako je mít schopnost „multitaskovat” a schopnost dělat „strategická rozhodnutí” s omezenými zdroji, jsou pouze některé z překážek, které výzkumníci umělých inteligencí překonají na své cestě.”