Hur Kan Artificiell Intelligens Lära Sig Om Lärandeprocessen?

För att göra nya språng i att utveckla artificiell intelligens, måste AI, som författaren Jun Wu uttrycker det i Forbes, “lära sig att lära”. Vad skulle det innebära?

Som Wu förklarar, “har människor den unika förmågan att lära sig från vilken situation eller omgivning som helst.” Människor kan anpassa sin lärandeprocess. För att ha en sådan flexibel kvalitet behöver AI Artificiell Allmän Intelligens – den måste lära sig om lärandeprocessen, det som kallas Meta-Lärande.

Det finns en mycket specifik kontrast i lärandeprocessen mellan människor och artificiell intelligens. Medan den mänskliga förmågan att lära sig är begränsad, har AI många fler resurser, såsom dess beräkningskraft. Människohjärnan har sina begränsningar och den har också begränsad tid att lära sig. Men medan AI “lär sig från mer data än den data som våra mänskliga hjärnor använder, kräver bearbetning av dessa enorma mängder data enorm beräkningskraft.”

Wu förklarar att “när komplexiteten i AI-uppgifterna ökar, finns det också en exponentiell ökning av beräkningskraft.” Detta skulle innebära att även om kostnaden för beräkningskraft är låg, “är den exponentiella ökningen aldrig den scenario som vi vill ha.” Detta är den främsta anledningen till att AI för närvarande “är utformad för att vara specifika syften-lärande”, vilket gör deras lärandeprocess mer effektiv.

Men när AI började lära sig mer, “lärde den sig att lära” och den började “dra slutsatser från data med ökande komplexitet.” För att undvika den exponentiella ökningen av beräkningskraft, måste en mer effektiv lärandeväg utvecklas, och AI måste komma ihåg den vägen.

Hela problemet blev ännu mer komplext när forskare och teknologer började ge AI flera uppgifter att utföra samtidigt. För att kunna göra det, behöver AI “kunna utvärdera oberoende datamängder parallellt. Den behöver också relatera datapunkter och dra slutsatser om dessa datapunkter.” Medan en uppgift utförs, måste AI uppdatera sin kunskap så att den kan tillämpa den i andra situationer. “Eftersom uppgifterna är sammanlänkade, kommer utvärderingarna för uppgifterna att behöva utföras av hela nätverket.”

Google (GOOGL ) utvecklade en sådan modell, MultiModel, som är ett AI-system som “lärde sig att utföra åtta olika uppgifter samtidigt. MultiModel kan upptäcka objekt i bilder, ge undertexter, känna igen tal, översätta mellan fyra språkpar och utföra grammatisk konstituentsanalys.

Medan Googles prestation är ett stort språng framåt, behöver AI fortfarande göra ytterligare framsteg för att den ska kunna bli en allmän syften-lärande. För att uppnå detta måste den ytterligare utveckla meta-resonemang och meta-lärande. Som Wu förklarar, “fokuserar meta-resonemang på en effektiv användning av kognitiva resurser. Meta-lärande fokuserar på människans unika förmåga att effektivt använda begränsade kognitiva resurser och begränsad data för att lära.”

För närvarande pågår det studier för att ta reda på gapet mellan mänsklig kognition och hur AI lär sig, såsom medvetenhet om interna tillstånd, precision i minnet eller förtroende.

Allt detta innebär att “att bli en artificiell generaliserad lärande kräver omfattande forskning på hur människor lär sig samt forskning på hur AI kan härma det sätt som människor lär sig. Att anpassa sig till nya situationer, såsom att ha förmågan att “multitaska” och att fatta “strategiska beslut” med begränsade resurser, är bara några av de hinder som AI-forskare kommer att övervinna på vägen.”