Systémy hlbokého učenia fungujú tak, že z údajov vyberajú štatistické vzorce – takto interpretujú svoj vlastný svetonázor. Táto metóda štatistického učenia si však vyžaduje veľké množstvo vstupných údajov a nie je obzvlášť užitočná na to, aby pomohla systémom hlbokého učenia aplikovať znalosti z minulosti na nové situácie, na rozdiel od symbolickej AI, ktorá umožňuje zaznamenávať postupnosť krokov vykonaných na vytvorenie rozhodovanie s menším množstvom údajov ako tradičné metódy.
Nová štúdia vykonaná tímom vedcov z oblasti umelej inteligencie z MIT, MIT-IBM Watson AI Lab a DeepMind ukazuje potenciál tréningu AI pri aplikácii na špecifickú, symbolickú úlohu, napríklad pochopenie významu obrázkov. V súlade s tým v experimentoch modely umelej inteligencie vedcov získali koncepty súvisiace s objektmi, ako je farba a tvar, a potom tieto znalosti použili na vytvorenie vzťahov medzi mnohými objektmi, objektmi v scéne, pričom si vyžadovali len minimálne trénovacie údaje a nemuseli byť explicitne naprogramované.
„Všetci vieme, že používanie kombinácie slov a ilustrácií je účinný spôsob, ako pomôcť deťom naučiť sa a zapamätať si konkrétny koncept. Naša predstava o tomto symbolickom modeli AI je rovnaká. Vďaka tomu bude systém potrebovať menej tréningových dát a bude môcť lepšie prenášať získané poznatky do nových situácií,“ povedal informatik Jiayuan Mao, vedúci projektu.
Tento model AI v podstate pozostáva z komponentu prijímajúceho informácie, ktorý prevádza obrázky na interpretáciu založenú na objektoch, a jazykovej vrstvy, ktorá extrahuje význam zo slov a viet. , potom vytvára „symbolické programy“, ktoré pomáhajú AI vedieť, ako odpovedať na otázku. Okrem toho bude existovať tretí modul, ktorý spúšťa symbolické programy na pozadí a poskytuje odpovede a aktualizuje znalosti na model AI, keď urobí chyby.
Výskumníci trénovali tento model AI na obrázkoch v kombinácii s mnohými relevantnými otázkami a odpoveďami. Na schopnosť AI porozumieť obrázkom potom dohliadala Stanfordská univerzita. Vo všeobecnosti musí AI odpovedať na otázky ako: Aká je farba objektu? Koľko objektov je vedľa iného objektu? Alebo z akého materiálu je tento predmet vyrobený? Zložitosť otázok sa bude prirodzene zvyšovať s úrovňou pochopenia modelu AI, a keďže model AI ovláda koncepty na úrovni objektov, naučí sa vytvárať spojenia medzi mnohými objektmi a objektmi. toto možno považovať za pokročilé štádium.
V experimentoch sa ukázalo, že tento model AI dokáže takmer dokonale interpretovať nové scény a koncepty, čím prekonal iné pokročilé systémy AI, pričom použil iba 5 000 obrázkov, obrázkov a 100 000 otázok (v porovnaní s približne 70 000 obrázkami a 700 000 otázkami pre bežné modely AI) . V budúcnosti bude hlavnou prácou výskumníkov zlepšiť výkon modelu AI pri porozumení fotografií v reálnom svete, potom postupne prejsť na video a robotickú manipuláciu.