Πώς μπορεί η Τεχνητή Νοημοσύνη να Μάθει για τη Διαδικασία Μάθησης;

Για να κάνει νέες προόδους στην εξέλιξη της τεχνητής νοημοσύνης, η ΤΝ θα πρέπει, όπως λέει ο συγγραφέας Jun Wu στο Forbes, να «μάθει να μαθαίνει». Τι θα σήμαινε αυτό;

Όπως εξηγεί ο Wu, «οι άνθρωποι έχουν την μοναδική ικανότητα να μαθαίνουν από οποιαδήποτε κατάσταση ή περιβάλλον.» Οι άνθρωποι μπορούν να προσαρμόσουν τη διαδικασία της μάθησής τους. Για να έχουν μια τόσο ευέλικτη ποιότητα, η ΤΝ χρειάζεται Γενική Τεχνητή Νοημοσύνη – θα πρέπει να μάθει για τη διαδικασία της μάθησης, αυτό που ονομάζεται Meta-Μάθηση.

Υπάρχει μια πολύ συγκεκριμένη αντίθεση στη διαδικασία της μάθησης μεταξύ ανθρώπων και τεχνητής νοημοσύνης. Ενώ η ικανότητα μάθησης του ανθρώπου είναι περιορισμένη, η ΤΝ έχει πολλές περισσότερες πόρους, όπως η υπολογιστική της δύναμη. Η εγκεφαλική δύναμη του ανθρώπου έχει τα όριά της και επίσης έχει περιορισμένο χρόνο για μάθηση. Αλλά, ενώ η ΤΝ «μαθαίνει από περισσότερα δεδομένα από τα δεδομένα που χρησιμοποιούν οι ανθρώπινοι εγκέφαλοι, η επεξεργασία αυτών των τεράστιων ποσοτήτων δεδομένων απαιτεί τεράστια υπολογιστική δύναμη.»

Ο Wu εξηγεί ότι «όσο αυξάνεται η复잡κότητα των εργασιών της ΤΝ, υπάρχει επίσης μια εκθετική αύξηση της υπολογιστικής δύναμης.» Αυτό θα σήμαινε ότι ακόμη και αν το κόστος της υπολογιστικής δύναμης είναι χαμηλό, «η εκθετική αύξηση δεν είναι ποτέ το σενάριο που θέλουμε.» Αυτός είναι ο κύριος λόγος που αυτή τη στιγμή «η ΤΝ σχεδιάζεται να είναι ειδικού σκοπού μαθητές», καθιστώντας τη διαδικασία της μάθησής της πιο αποτελεσματική.

Αλλά καθώς η ΤΝ άρχισε να μαθαίνει περισσότερα, «μάθηση για να μάθησει» άρχισε να «συμπεραίνει από δεδομένα με αυξανόμενη πολυπλοκότητα.» Για να αποφευχθεί η εκθετική αύξηση της υπολογιστικής δύναμης, μια πιο αποτελεσματική διαδικασία μάθησης έπρεπε να αναπτυχθεί, και η ΤΝ έπρεπε να θυμάται αυτή τη διαδικασία.

Το πρόβλημα έγινε ακόμη πιο σύνθετο όταν οι ερευνητές και οι τεχνολόγοι άρχισαν να αναθέτουν προβλήματα πολυ-εργασιών στην ΤΝ. Για να μπορέσει να κάνει αυτό, η ΤΝ «χρειάζεται να μπορεί να αξιολογεί ανεξάρτητες συνόλους δεδομένων παράλληλα. Επίσης, χρειάζεται να σχετίζει κομμάτια δεδομένων και να συμπεραίνει συνδέσεις σε αυτά τα δεδομένα.» Όσο μια εργασία εκτελείται, η ΤΝ χρειάζεται να ενημερώνει τις γνώσεις της, ώστε να μπορεί να τις εφαρμόσει σε άλλες καταστάσεις. «Εφόσον οι εργασίες είναι αλληλεπιδραστικές, οι αξιολογήσεις για τις εργασίες θα πρέπει να γίνουν από ολόκληρο το δίκτυο.»

Η Google (GOOGL ) ανέπτυξε ένα τέτοιο μοντέλο, MultiModel, το οποίο είναι ένα σύστημα ΤΝ που «μάθησε να εκτελεί οκτώ διαφορετικές εργασίες ταυτόχρονα. Το MultiModel μπορεί να ανιχνεύσει αντικείμενα σε εικόνες, να παρέχει λεζάντες, να αναγνωρίζει ομιλία, να μεταφράζει μεταξύ τεσσάρων ζευγαριών γλωσσών και να εκτελεί γραμματική ανάλυση.

Ενώ η επίτευξη της Google είναι ένα μεγάλο βήμα προς τα εμπρός, η ΤΝ vẫn χρειάζεται να κάνει περαιτέρω βήματα, ώστε να γίνει ένας γενικού σκοπού μαθητής. Για να μπορέσει να το πετύχει αυτό, θα πρέπει να αναπτύξει περαιτέρω τη μετα-σκέψη και τη μετα-μάθηση. Όπως εξηγεί ο Wu, «η μετα-σκέψη εστιάζει στην αποτελεσματική χρήση των γνωστικών πόρων. Η μετα-μάθηση εστιάζει στην μοναδική ικανότητα των ανθρώπων να χρησιμοποιούν αποτελεσματικά τους περιορισμένους γνωστικούς πόρους και τα περιορισμένα δεδομένα για να μαθαίνουν.»

Σήμερα, υπάρχουν μελέτες που διεξάγονται για να βρεθούν τα κενά μεταξύ της ανθρώπινης γνωστικής και του τρόπου που η ΤΝ μαθαίνει, όπως η επίγνωση των εσωτερικών καταστάσεων, η ακρίβεια της μνήμης ή η αυτοπεποίθηση.

Όλα αυτά σημαίνουν ότι «η γέννηση ενός τεχνητού γενικού μαθητή απαιτεί εκτεταμένη έρευνα για το πώς οι άνθρωποι μαθαίνουν, καθώς και έρευνα για το πώς η ΤΝ μπορεί να μιμηθεί τον τρόπο που οι άνθρωποι μαθαίνουν. Για να προσαρμοστεί σε νέες καταστάσεις, όπως η ικανότητα να «πολυ-εργάζεται» και η ικανότητα να λαμβάνει «στρατηγικές αποφάσεις» με περιορισμένους πόρους, είναι μόνο quelques από τα εμπόδια που οι ερευνητές της ΤΝ θα υπερβούν κατά τη διάρκεια.