Yeni Teknik AI’nin Bazı Fiziksel Olayları Doğal Bir Şekilde Anlamasını Sağlıyor

Yapay zeka, pekiştirme öğrenimi yoluyla fiziksel olayları anlamayı uzun süredir becerebiliyordu, ancak MIT’deki araştırmacılar tarafından geliştirilen yeni bir teknik, mühendislerin fiziksel olayları doğal bir şekilde anlayan modeller tasarlamalarına yardımcı olabilir.

Psikolojik araştırmalar, insanların belli bir düzeyde fiziksel olayların doğal bir şekilde anlaşılmasına sahip olduğunu göstermiştir. Bebekler, nesnelerin nasıl davranması ve hareket etmesi gerektiğini bekler ve bu beklentilerin ihlali, bebeklerin şaşkınlıkla tepki vermesine neden olur. MIT ekibinin yaptığı araştırma, yalnızca yapay zekanın yeni uygulamalarını teşvik etmekle kalmaz, aynı zamanda psikologların bebeklerin dünyayı nasıl algıladıklarını ve öğrendiklerini anlamalarına da yardımcı olabilir.

MIT ekibi tarafından tasarlanan model, ADEPT olarak adlandırılır ve fiziksel bir alanda nesnelerin nasıl davranması gerektiğini tahmin ederek çalışır. Model, nesneleri gözlemler ve “şaşkınlık” ölçüsünü takip eder. Beklenmedik bir şey olursa, model şaşkınlık değerini artırır. Teleportasyon veya tamamen kaybolma gibi beklenmedik ve imkansız gibi görünen eylemler, şaşkınlıkta önemli bir artışa neden olur.

Araştırma ekibinin amacı, modelin, insanların imkansız gibi görünen nesne davranışları karşısında gösterdiği şaşkınlık düzeyini kaydetmekti.

ADEPT’nin iki ana bileşeni vardır: fizik motoru ve ters grafik modülü. Fizik motoru, bir nesnenin nasıl hareket edeceğini tahmin etmekten sorumludur, yani bir dizi olası durumdan bir nesnenin gelecekteki bir temsilini öngörür. Ters grafik modülü ise, fizik motoruna beslenecek nesne temsilini oluşturmakla sorumludur.

Ters grafik modülü, hız, şekil ve nesnenin yönü gibi çeşitli özelliklerini takip eder ve bu bilgileri video karelerinden çıkarır. Ters grafik modülü, yalnızca en önemli ayrıntılara odaklanır ve fizik motorunun nesneyi yorumlayıp yeni durumlar öngörmesine yardımcı olmayan ayrıntıları görmezden gelir. Sadece en önemli ayrıntılara odaklanarak, model yeni nesnelere genellemeyi daha iyi başarır. Fizik motoru daha sonra bu nesne tanımlarını alır ve sıvılık veya sertlik gibi daha karmaşık fiziksel davranışları simüle ederek nesnenin nasıl davranması gerektiğini öngörür.

Bu alıntı işlemi gerçekleştiğinde, model, video中的 sonraki gerçek kareyi gözlemler ve bu kareyi, olası nesne davranışlarına ilişkin olasılık dağılımını yeniden hesaplamak için kullanır. Şaşkınlık, bir olayın gerçekleşmesi olasılığına ters orantılıdır, yalnızca modelin neler olacağını düşündüğü ile gerçekten neler olduğu arasında büyük bir uyumsuzluk olduğunda büyük bir şaşkınlık kaydeder.

Araştırma ekibi, modelin şaşkınlığını, aynı nesne davranışını izleyen insanların şaşkınlığıyla karşılaştırmak için bir yol bulmaya ihtiyaç duydu. Gelişim psikolojisinde, araştırmacılar thường bebekleri iki farklı video ile test eder. Bir videoda, bir nesne, gerçek dünyada nesnelerin davranması beklenen şekilde davranır, yani spontan olarak kaybolmaz veya teleportasyon olmaz. Diğer videoda, bir nesne fizik kurallarını某 şekilde ihlal eder. Araştırma ekibi, aynı temel kavramları aldı ve 60 yetişkinin, hem beklenen hem de beklenmedik fiziksel davranışların yer aldığı 64 farklı videoyu izlemesini sağladı. Katılımcılardan, videodaki çeşitli anlarda şaşkınlıklarını 1’den 100’e kadar olan bir ölçekte değerlendirmeleri istendi.

Modelin performansının analizi, modelin, bir nesnenin bir duvara arkadan hareket ettirilip duvar kaldırıldığında kaybolduğu videolarda oldukça iyi performans gösterdiğini ortaya koydu, genellikle bu durumlarda insanların şaşkınlık seviyeleriyle eşleşti. Model, insanların şaşkınlık göstermediği ancak argüman olarak göstermeleri gereken videolarda da şaşkınlık gösterdi. Örneğin, bir nesnenin belirli bir hızda bir duvarın arkasına gitmesi ve duvarın diğer tarafında hemen çıkması için, nesnenin ya teleportasyon yapmış olması ya da hızında önemli bir artış olması gerekir.

Geleneksel sinir ağlarına kıyasla, gözlem yoluyla öğrenme yeteneğine sahip ancak nesnenin temsilini açıkça kaydedemeyen modellerin performansıyla karşılaştırıldığında, araştırmacılar, ADEPT ağının şaşırtıcı ve şaşırtıcı olmayan sahneleri ayırt etmekte çok daha doğru olduğunu ve ADEPT’nin performansının insan tepkileriyle daha yakın bir şekilde eşleştiğini buldu.

MIT araştırma ekibi, bebeklerin dünyayı nasıl algıladıklarını ve bu gözlemlerden nasıl öğrendiklerini daha derin bir şekilde anlamak için daha fazla araştırma yapmaya ve bulgularını ADEPT modelinin yeni sürümlerine entegre etmeye hướngleniyor.