Hvordan kan kunstig intelligens lære om læreprosessen?

For å gjøre nye sprang i å fremme kunstig intelligens, må AI, som forfatter Jun Wu uttrykker det i Forbes, lære å lære. Hva ville det bety?

Som Wu forklarer, “mennesker har den unike evnen til å lære fra enhver situasjon eller omgivelse.” Mennesker kan tilpasse sin læreprosess. For å ha en så fleksibel kvalitet trenger AI kunstig generell intelligens – det må lære om læreprosessen, det som kalles meta-læring.

Det er en stor kontrast i læreprosessen mellom mennesker og kunstig intelligens. Mens menneskers evne til å lære er begrenset, har AI mange flere ressurser, som dens beregningskraft. Hjernekapasiteten til mennesker er begrenset og den har begrenset tid til å lære. Men, mens AI “lærer fra mer data enn det menneskers hjerner bruker, krever behandling av disse enorme mengdene data enorme beregningskraft.”

Wu forklarer at“etterhvert som kompleksiteten i AI-oppgavene øker, er det også en eksponentiell økning i beregningskraft.” Dette ville bety at selv om kostnadene for beregningskraft er lave, “eksponentiell økning er aldri det scenario vi ønsker.” Dette er hovedgrunnen til at AI for øyeblikket “er designet til å være spesifikke-lærere,” og gjør deres læreprosess mer effektiv.

Men da AI begynte å lære mer, “lære å lære” begynte det å “gjette fra data med økende kompleksitet.” For å unngå den eksponentielle økningen i beregningskraft, måtte en mer effektiv lærevei utvikles, og AI måtte huske denne veien.

Hele problemet ble enda mer komplisert da forskere og teknologer begynte å gi AI multi-oppgaver. For å kunne gjøre dette, trenger AI “å kunne evaluere uavhengige datamengder parallelt. Det trenger også å relatere datastykker og slutte seg til forbindelser på denne dataen.” Mens en oppgave utføres, må AI oppdatere sin kunnskap så den kan bruke den i andre situasjoner. “Ettersom oppgavene er sammenhengende, må vurderingene for oppgavene utføres av hele nettverket.”

Google (GOOGL ) utviklet en slik modell, MultiModel, som er et AI-system som “lærte å utføre åtte forskjellige oppgaver samtidig. MultiModel kan detektere objekter i bilder, gi undertekster, gjenkjenne tale, oversette mellom fire par språk, og utføre grammatisk konstitusjonsanalyse.

Mens Googles prestasjon er et stort sprang fremover, må AI fortsatt gjøre flere fremskritt for å bli en generell lærer. For å kunne oppnå dette må det videreutvikle meta-grunnleggende og meta-læring. Som Wu forklarer, “meta-grunnleggende fokuserer på effektiv bruk av kognitive ressurser. Meta-læring fokuserer på menneskers unike evne til å bruke begrensede kognitive ressurser og begrenset data til å lære.”

For tiden pågår det studier for å finne ut hullene mellom menneskelig kognisjon og måten AI lærer, som bevissthet om interne tilstander, nøyaktighet av minne eller tillit.

Alt dette betyr at “å bli en kunstig generell lærer krever omfattende forskning på hvordan mennesker lærer, samt forskning på hvordan AI kan etterligne måten mennesker lærer på. Å tilpasse seg nye situasjoner, som å ha evnen til å “multitaskere” og å kunne ta “strategiske beslutninger” med begrensede ressurser, er bare noen av hindrene AI-forskere vil overvinne underveis.”