人工知能は学習プロセスについてどのように学習できるのでしょうか?

著者の Jun Wu 氏が言うように、AI は人工知能の進歩において新たな飛躍を遂げるでしょう。 フォーブス、「学ぶことを学ぶ」必要があります。 それはどういう意味でしょうか？

ウー氏は次のように説明しています。人間には、どんな状況や環境からでも学習できるユニークな能力があります。」人間は学習プロセスを適応させることができます。このような柔軟な品質の AI を実現するには、汎用人工知能が必要です。これは、メタ学習と呼ばれる学習プロセスについて学習する必要があります。

人間と人工知能の学習プロセスには、非常に明確な対照が XNUMX つあります。 人間の学習能力には限界がありますが、AI は計算能力など、より多くのリソースを備えています。 人間の知力には限界があり、学習する時間にも限界があります。 しかし、AIは「人間の脳が使用するデータよりも多くのデータから学習するため、これらの膨大な量のデータを処理するには膨大な計算能力が必要です。」

ウー氏はこう説明する。AIのタスクが複雑になるにつれて計算能力も指数関数的に増加しています。」 これは、たとえ計算能力のコストが低くても、「指数関数的な増加は私たちが望むシナリオでは決してありません。」 これが、現時点で「AI が特定の目的の学習者になるように設計され」、学習プロセスをより効率的にしている主な理由です。

しかし、AI がさらに学習し始めると、 「学ぶことを学ぶ」ようになり、「複雑さが増すデータから推論する」ようになりました。 計算能力の指数関数的な増加を回避するには、より効率的な学習パスを考案する必要があり、AI はそのパスを記憶する必要がありました。

研究者や技術者が AI にマルチタスクの問題を割り当て始めたとき、問題全体はさらに複雑になりました。 それを可能にするのがAIです」独立したデータセットを並行して評価できる必要があります。 また、データの断片を関連付け、そのデータのつながりを推測する必要もあります。」 XNUMX つのタスクを実行する際、AI はその知識を他の状況に適用できるように更新する必要があります。 「タスクは相互に関連しているため、タスクの評価はネットワーク全体で行う必要があります。」

Google はそのようなモデルの XNUMX つを開発しました。 マルチモデル、 これは、「XNUMX つの異なるタスクを同時に実行することを学習した AI システムです。」 マルチモデル 画像内のオブジェクトを検出し、キャプションを提供し、音声を認識し、XNUMX つの言語ペアの間で翻訳し、文法的な構成要素の解析を実行できます。

Google の成果は大きな進歩ですが、AI が汎用の学習者となるためには、さらなる進歩が必要です。 これを達成するには、メタ推論とメタ学習をさらに発展させる必要があります。 ウー氏は次のように説明しています。メタ推論は、認知リソースの効率的な使用に焦点を当てています。 メタ学習は、限られた認知リソースと限られたデータを効率的に使用して学習するという人間の固有の能力に焦点を当てています。」

現在、人間の認知と、内部状態の認識、記憶の正確さ、自信などの AI の学習方法との間のギャップを解明する研究が行われています。

これはすべて、「b人工の一般化された学習者になるには、人間の学習方法に関する広範な研究と、AI が人間の学習方法をどのように模倣できるかに関する研究が必要です。 「マルチタスク」能力や、限られたリソースで「戦略的意思決定」を行う能力など、新たな状況に適応することは、AI 研究者がその過程で乗り越えるハードルのほんの一部にすぎません。」