Jak Sztuczna Inteligencja Może Nauczyć Się Procesu Uczania?

Aby uczynić nowe skoki w rozwoju sztucznej inteligencji, AI musiałaby, jak to ujmuje autor Jun Wu w Forbes, „nauczyć się uczyć”. Co by to oznaczało?

Jak wyjaśnia Wu, „ludzie mają unikalną zdolność do uczenia się z każdej sytuacji lub otoczenia.” Ludzie mogą dostosowywać swój proces uczenia. Aby mieć tak elastyczną jakość, AI potrzebuje Ogólnej Sztucznej Inteligencji – musiałaby nauczyć się o procesie uczenia, co nazywa się Meta-Uczeniem.

Istnieje jeden bardzo wyraźny kontrast w procesie uczenia się między ludźmi a sztuczną inteligencją. Podczas gdy ludzka zdolność do uczenia się jest ograniczona, AI ma więcej zasobów, takich jak jej moc obliczeniowa. Ludzki mózg ma swoje ograniczenia i ma ograniczony czas na uczenie. Ale, podczas gdy AI „uczy się z więcej danych niż dane, których używa ludzki mózg, przetwarzanie tych ogromnych ilości danych wymaga ogromnej mocy obliczeniowej.”

Wu wyjaśnia, że „wraz ze wzrostem złożoności zadań AI, występuje również wykładniczy wzrost mocy obliczeniowej.” To oznaczałoby, że nawet jeśli koszt mocy obliczeniowej jest niski, „wykładniczy wzrost nigdy nie jest scenariuszem, którego chcemy.” Jest to główny powód, dla którego obecnie „AI jest zaprojektowana do uczenia się w określonym celu,” co sprawia, że ich proces uczenia się staje się bardziej efektywny.

Ale gdy AI zaczęła uczyć się więcej, „uczyć się uczyć” zaczęła „wnioskować z danych o coraz większej złożoności.” Aby uniknąć wykładniczego wzrostu mocy obliczeniowej, musiano opracować bardziej efektywną ścieżkę uczenia, a AI musiało zapamiętać tę ścieżkę.

Cały problem stał się jeszcze bardziej skomplikowany, gdy badacze i technolodzy zaczęli przydzielać AI zadania wielozadaniowe. Aby móc to zrobić, AI „musi być w stanie ocenić niezależne zestawy danych równolegle. Musi również powiązać fragmenty danych i wnioskować połączenia między nimi.” Podczas gdy jedno zadanie jest wykonywane, AI musi zaktualizować swoją wiedzę, aby mogła ją zastosować w innych sytuacjach. „Ponieważ zadania są ze sobą powiązane, oceny zadań będą musiały być wykonywane przez całą sieć.”

Google (GOOGL ) opracował jeden taki model, MultiModel, który jest systemem AI, który „nauczył się wykonywać osiem różnych zadań jednocześnie. MultiModel może wykrywać obiekty na obrazach, dostarczać podpisów, rozpoznawać mowę, tłumaczyć między czterema parami języków i wykonywać analizę składniową.

Podczas gdy osiągnięcie Google jest dużym skokiem do przodu, AI musi jeszcze zrobić wiele, aby stać się ogólnym uczniem. Aby to osiągnąć, musi dalej rozwijać meta-rozumowanie i meta-uczenie. Jak wyjaśnia Wu, „meta-rozumowanie koncentruje się na efektywnym wykorzystaniu zasobów poznawczych. Meta-uczenie koncentruje się na unikalnej zdolności ludzi do efektywnego wykorzystania ograniczonych zasobów poznawczych i ograniczonych danych do uczenia się.”

Obecnie prowadzone są badania, aby ustalić różnice między ludzkim poznaniem a sposobem, w jaki AI się uczy, takimi jak świadomość stanów wewnętrznych, dokładność pamięci lub pewność.

To wszystko oznacza, że „być sztucznym uczniem ogólnym wymaga obszernych badań na temat tego, jak ludzie się uczą, a także badań na temat tego, jak AI może naśladować sposób, w jaki ludzie się uczą. Aby dostosować się do nowych sytuacji, takich jak posiadanie umiejętności „wykonywania wielu zadań” i umiejętności podejmowania „strategicznych decyzji” z ograniczonymi zasobami, są to tylko niektóre z przeszkód, które badacze AI będą musieli pokonać na swojej drodze.”