Emlékszel a meglepetés és az öröm érzésére, amikor először felfedezted, hogy ezen a világon minden dolog és jelenség – többé-kevésbé – összefügg egymással az ok-okozati összefüggésnek nevezett korrelációs modell szerint: Ha ez a helyzet, akkor ez , vagy ez az esemény az eseményhez vezető ok.
Ez „makrón” hangzik, de valójában rendkívül egyszerű, és az alapvető emberi készségek kategóriája. Tudományos kutatások azt mutatják, hogy már nyolc hónapos korban kezdjük megérteni az ok és okozat elvét – amikor még nem tudunk beszélni. Segít abban, hogy elemi következtetéseket vonjunk le a környező világban lévő dolgok és jelenségek létezésére vonatkozóan. A legtöbbünk azonban sok mindenre nem emlékszik körülbelül három-négy éves korunk előtt, így az ok és okozat észlelésének képessége, amely segít a „miért” kérdések megválaszolásában, fokozatosan készséggé válik. vedd biztosra.
A valóságban azonban ez nem csak egy fontos lecke az emberek számára, hogy megértsék az őket körülvevő világot, hanem egy olyan képesség is, amelyben a mai mesterséges intelligencia (AI) rendszerei még mindig elég rosszak, és meg kell tanítani őket.
A modern AI-rendszerek azon képességét, hogy legyőzzék a Go-val játszó vagy zsúfolt utcákon autózó embereket, nem feltétlenül kell összehasonlítani azzal a fajta intelligenciával, amellyel az emberek képesek elsajátítani ezeket a lehetőségeket. Ennek az az oka, hogy az emberek – még csecsemőkorukban is – már rendelkeznek azzal a képességgel, hogy általánosítsák a helyzeteket azáltal, hogy az egyik területről a másikra alkalmazzák a tudást. A mesterséges intelligencia teljes potenciáljának kiaknázásához ezt is meg kell tennie.
A mesterséges intelligencia következő képessége az ok és okozat érvelésének képessége
Például, ha egy mesterséges intelligencia robot megtanulja, hogyan kell házat építeni téglák felhasználásával, az ok-okozati elemzési készségek segíthetnek megérteni és felismerni, hogy ezeket a téglákat házépítéshez is felhasználhatja. Egy híd vagy akár bonyolultabb szerkezetű szerkezetek . Más szavakkal, ez akkor érhető el, ha a mesterséges intelligencia rendelkezik azzal a képességgel, hogy megértse a különböző környezeti változók közötti ok-okozati összefüggéseket.
Virtuális képzési világ az AI számára
Olyan mély mesterséges intelligencia képzési környezetre van szükségünk, amely lehetővé teszi a fejlett gépi tanulási modellek számára, hogy jobban általánosítsák a környezeti jellemzők különböző változásait, például az objektumok tömegét vagy alakját. Például, amikor egy robot megtanul egy adott tárgyat felvenni, akkor elvárhatjuk, hogy képes legyen felismerni, milyen helyzetben kell állnia, és mekkora erőt kell alkalmaznia egy terjedelmes, nehéz tárgy felvételéhez. mindaddig, amíg megérti az ok és okozat megfelelő alkalmazásait minden adott esetben. Ez késztette a tudósokat egy CausalWorld nevű eszköz létrehozására.
Ha az a típusú virtuális képzési környezet, amiről gyakran hallunk a sci-fi filmekben, mint például a Mátrixban - egy virtuális világ, amelyre a szabályok nem vonatkoznak. Ezzel szemben a CausalWorldben a kutatók módszeresen képezhetik és értékelhetik módszereiket robotizált környezetben. Minden a szabályokon múlik – és azok alkalmazásán. Ott a robotokhoz hasonló feladatokat lehet hozzárendelni, mint amikor a gyerekek Legóval játszanak, valamint más, ok-okozati elemzési készségekkel kapcsolatos játékokat. A kutatók beavatkozhatnak, hogy teszteljék a robot általánosítási képességét, ahogyan kiképzik. Lényegében ez egy tesztelési környezet, amely segít kiértékelni, hogy az AI hogyan tudja általánosítani a problémát.
Miután elsajátította az ok-okozati elemzés képességét, az AI-rendszerek teljesítménye sokszorosan javulni fog, valamint a független működés hatékonysága.