Jak sztuczna inteligencja może uczyć się o procesie uczenia?

Aby dokonać nowych skoków w rozwoju sztucznej inteligencji, SI musiałaby, jak pisze autor Jun Wu w Forbes, „nauczyć się uczyć”. Co by to oznaczało?

Jak wyjaśnia Wu, „ludzie mają unikalną zdolność uczenia się z każdej sytuacji lub otoczenia.” Ludzie potrafią dostosować swój proces uczenia się. Aby SI posiadała taką elastyczną cechę, potrzebuje Sztucznej Inteligencji Ogólnej – musiałaby uczyć się o procesie uczenia, co nazywa się Meta-Uczeniem.

Istnieje jedna bardzo specyficzna różnica w procesie uczenia się między ludźmi a sztuczną inteligencją. Podczas gdy ludzkie możliwości uczenia są ograniczone, SI ma o wiele więcej zasobów, takich jak jej moc obliczeniowa. Ludzka siła umysłu ma swoje granice i ma też ograniczony czas na naukę. Ale, podczas gdy SI „uczy się z większej ilości danych niż dane, których używają nasze ludzkie mózgi, przetwarzanie tych ogromnych ilości danych wymaga ogromnej mocy obliczeniowej.”

Wu wyjaśnia, że „wraz ze wzrostem złożoności zadań SI , następuje również wykładniczy wzrost mocy obliczeniowej.” Oznaczałoby to, że nawet jeśli koszt mocy obliczeniowej jest niski, „wykładniczy wzrost nigdy nie jest scenariuszem, którego chcemy.” To jest główny powód, dla którego obecnie „SI jest projektowana jako ucząca się do konkretnych celów,” co czyni jej proces uczenia bardziej wydajnym.

Ale gdy SI zaczęła się uczyć więcej, „ucząc się uczyć” zaczęła „wyciągać wnioski z danych o rosnącej złożoności.” Aby uniknąć wykładniczego wzrostu mocy obliczeniowej, musiała zostać opracowana bardziej wydajna ścieżka uczenia, a SI musiała zapamiętać tę ścieżkę.

Cały problem stał się jeszcze bardziej złożony, gdy badacze i technolodzy zaczęli przypisywać SI problemy wielozadaniowe. Aby móc to robić, SI „musi być w stanie oceniać niezależne zbiory danych równolegle. Musi także wiązać ze sobą fragmenty danych i wywnioskować powiązania na tych danych.” Podczas wykonywania jednego zadania SI musi aktualizować swoją wiedzę, aby móc ją zastosować w innych sytuacjach. „Ponieważ zadania są ze sobą powiązane, oceny dla zadań będą musiały być wykonane przez całą sieć.”

Google opracował jeden taki model, MultiModel, który jest systemem SI, który „nauczył się wykonywać osiem różnych zadań jednocześnie. MultiModel potrafi wykrywać obiekty na obrazach, dostarczać podpisy, rozpoznawać mowę, tłumaczyć między czterema parami języków oraz przeprowadzać analizę składniową gramatyczną.

Chociaż osiągnięcie Google jest dużym skokiem naprzód, SI nadal musi poczynić dalsze postępy, aby stać się uczącym się do ogólnych celów. Aby to osiągnąć, musiałaby 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 ludzkiej zdolności do efektywnego wykorzystania ograniczonych zasobów poznawczych i ograniczonych danych do nauki.”

Obecnie prowadzone są badania mające na celu ustalenie luk między ludzką kognicją a sposobem uczenia się SI, takich jak świadomość stanów wewnętrznych, dokładność pamięci czy pewność siebie.

Wszystko to oznacza, że „stanie się sztucznym uczącym się ogólnym wymaga szeroko zakrojonych badań nad tym, jak uczą się ludzie, a także badań nad tym, jak SI może naśladować sposób, w jaki uczą się ludzie. Dostosowanie się do nowych sytuacji, takich jak posiadanie zdolności „wielozadaniowości” i zdolności do podejmowania „decyzji strategicznych” przy ograniczonych zasobach, to tylko niektóre z przeszkód, które po drodze pokonają badacze SI.”