W jaki sposób sztuczna inteligencja może dowiedzieć się o procesie uczenia się?

Aby dokonać nowych postępów w rozwoju sztucznej inteligencji, sztuczna inteligencja zrobiłaby to, jak to ujął autor Jun Wu Forbes, trzeba „nauczyć się uczyć”. Co by to oznaczało?

Jak wyjaśnia Wu: „ludzie mają wyjątkową zdolność uczenia się z każdej sytuacji i otoczenia. Ludzie mogą dostosować swój proces uczenia się. Aby móc mieć tak elastyczną jakość sztucznej inteligencji, potrzebna jest sztuczna inteligencja ogólna – musiałaby ona uczyć się o procesie uczenia się, co nazywa się meta-uczeniem.

Istnieje jeden bardzo specyficzny kontrast w procesie uczenia się między ludźmi a sztuczną inteligencją. Chociaż zdolność człowieka do uczenia się jest ograniczona, sztuczna inteligencja ma o wiele więcej zasobów, takich jak moc obliczeniowa. Możliwości ludzkiego mózgu mają swoje ograniczenia, a także ograniczony czas na naukę. Ale podczas gdy sztuczna inteligencja „uczy się z większej ilości danych niż te, z których korzysta nasz ludzki mózg, przetwarzanie tak ogromnych ilości danych wymaga ogromnej mocy obliczeniowej”.

Wu wyjaśnia, że ​​„w miarę wzrostu złożoności zadań AI, następuje także wykładniczy wzrost mocy obliczeniowej.” Oznaczałoby to, że nawet jeśli koszt mocy obliczeniowej jest niski, „wykładniczy wzrost nigdy nie jest scenariuszem, którego chcemy”. Jest to główny powód, dla którego obecnie „sztuczna inteligencja jest zaprojektowana tak, aby uczyć się o konkretnym celu”, dzięki czemu ich proces uczenia się jest bardziej efektywny.

Ale gdy sztuczna inteligencja zaczęła uczyć się więcej, „ucząc się, jak się uczyć”, zaczęto „wnioskować na podstawie danych o coraz większej złożoności”. Aby uniknąć wykładniczego wzrostu mocy obliczeniowej, należało opracować wydajniejszą ścieżkę uczenia się, a sztuczna inteligencja musiała ją zapamiętać.

Cały problem stał się jeszcze bardziej złożony, gdy badacze i technolodzy zaczęli przypisywać sztucznej inteligencji problemy związane z wielozadaniowością. Aby móc to zrobić, AI”musi mieć możliwość równoległej oceny niezależnych zbiorów danych. Musi także łączyć ze sobą fragmenty danych i wnioskować o powiązaniach z tymi danymi. W trakcie wykonywania jednego zadania sztuczna inteligencja musi aktualizować swoją wiedzę, aby móc ją zastosować w innych sytuacjach. „Ponieważ zadania są ze sobą powiązane, oceny zadań będzie musiała dokonać cała sieć.”

Google opracował jeden taki model, wielomodelowy, czyli system sztucznej inteligencji, który „nauczył się wykonywać osiem różnych zadań jednocześnie. MultiModel potrafi wykrywać obiekty na obrazach, dodawać podpisy, rozpoznawać mowę, tłumaczyć między czterema parami języków i przeprowadzać analizę składni gramatycznej.

Choć osiągnięcie Google stanowi duży krok naprzód, sztuczna inteligencja musi jeszcze poczynić dalsze postępy, aby mogła stać się uczniem uniwersalnym. Aby móc to osiągnąć, konieczne byłoby dalsze rozwijanie metawnioskowania i metauczenia się. Jak wyjaśnia Wu: „metarozumowanie skupia się na efektywnym wykorzystaniu zasobów poznawczych. Metauczenie się koncentruje się na wyjątkowej zdolności człowieka do efektywnego wykorzystania ograniczonych zasobów poznawczych i ograniczonych danych do nauki.

Obecnie prowadzone są badania mające na celu znalezienie luk pomiędzy ludzkim poznaniem a sposobem uczenia się AI, takich jak świadomość stanów wewnętrznych, dokładność pamięci czy pewność siebie.

Wszystko to oznacza, że ​​„bUzyskanie sztucznego uogólnionego ucznia wymaga szeroko zakrojonych badań nad tym, jak ludzie się uczą, a także badań nad tym, w jaki sposób sztuczna inteligencja może naśladować sposób, w jaki ludzie się uczą. Przystosowanie się do nowych sytuacji, takich jak zdolność do „wielozadaniowości” i zdolność do podejmowania „decyzji strategicznych” przy ograniczonych zasobach, to tylko niektóre z przeszkód, które badacze sztucznej inteligencji pokonają po drodze”.