Hvordan Kan Kunstig Intelligens Lære Om Læringsprocessen?

For at kunne gøre nye spring i udviklingen af kunstig intelligens, skal AI, som forfatter Jun Wu skriver i Forbes, “lære at lære”. Hvad betyder det?

Som Wu forklarer, har mennesker den unikke evne til at lære fra enhver situation eller omgivelser.” Mennesker kan tilpasse deres læringsproces. For at have en sådan fleksibel kvalitet har AI brug for kunstig almen intelligens – det skal lære om læringsprocessen, det kaldes Meta-Learning.

Der er en meget specifik kontrast i læringsprocessen mellem mennesker og kunstig intelligens. Mens menneskers evne til at lære er begrænset, har AI mange flere ressourcer, såsom dens beregningskraft. Menneskers hjernekræfter har deres begrænsninger, og de har også begrænsede tid til at lære. Men, mens AI “lærer af mere data end det, vores menneskelige hjerner bruger, kræver behandlingen af disse enorme mængder af data enorme beregningskraft.”

Wu forklarer, at “når kompleksiteten af AI-opgaverne vokser, er der også en eksponentiel stigning i beregningskraft.” Dette ville betyde, at selv om omkostningerne ved beregningskraft er lave, “er eksponentiel stigning aldrig den scenario, vi ønsker.” Dette er den primære årsag til, at AI i øjeblikket “er designed til at være specifikke formål-lærere,” hvilket gør deres læringsproces mere effektiv.

Men da AI begyndte at lære mere, “lære at lære” begyndte det at “aflede fra data med stigende kompleksitet.” For at undgå den eksponentielle stigning i beregningskraft, måtte en mere effektiv læringsvej udvikles, og AI måtte huske denne vej.

Hele problemet blev endnu mere komplekst, da forskere og teknologer begyndte at tildele multi-opgaver til AI. For at kunne gøre dette, har AI “brug for at kunne evaluere uafhængige datasæt parallelt. Det har også brug for at relatere datastykker og slutte forbindelser på denne data.” Mens en opgave udføres, har AI brug for at opdatere sin viden, så den kan anvende det i andre situationer. “Da opgaverne er interrelaterede, skal evalueringerne for opgaverne udføres af hele netværket.”

Google (GOOGL ) udviklede en sådan model, MultiModel, som er et AI-system, der “lærte at udføre otte forskellige opgaver samtidigt. MultiModel kan detektere objekter i billeder, give undertekster, genkende tale, oversætte mellem fire par af sprog og udføre grammatisk konstituentsanalyse.

Selv om Googles præstation er et stort spring fremad, har AI stadig brug for at gøre yderligere fremskridt, så det kan blive en almen formål-lærer. For at opnå dette skal det yderligere udvikle meta-fornuft og meta-læring. Som Wu forklarer, “meta-fornuft fokuserer på den effektive brug af kognitive ressourcer. Meta-læring fokuserer på menneskers unikke evne til at bruge begrænsede kognitive ressourcer og begrænsede data til at lære.”

For tiden er der studier i gang for at afklare hullerne mellem menneskelig kognition og den måde, AI lærer på, såsom bevidsthed om interne tilstande, nøjagtighed af hukommelse eller tillid.

Alt dette betyder, at “at blive en kunstig generaliseret lærer kræver omfattende forskning i, hvordan mennesker lærer, såvel som forskning i, hvordan AI kan efterligne den måde, mennesker lærer på. For at tilpasse sig nye situationer, såsom at have evnen til at “multitaskere” og evnen til at træffe “strategiske beslutninger” med begrænsede ressourcer, er blot nogle af de hindringer, som AI-forskere vil overvinde undervejs.”