Pamätáte si ten pocit prekvapenia a radosti, keď ste prvýkrát zistili, že všetky veci a javy na tomto svete spolu súvisia – viac či menej – podľa korelačného modelu nazývaného príčina – následok: Ak je to tak, potom je to , alebo je táto udalosť dôvodom vedúcim k tejto udalosti.
Znie to „makro“, ale v skutočnosti je to mimoriadne jednoduché a je to kategória základných ľudských zručností. Vedecké výskumy ukazujú, že princíp príčiny a následku začíname chápať už vo veku ôsmich mesiacov – keď ešte nevieme rozprávať. Pomáha nám robiť elementárne závery o existencii vecí a javov v okolitom svete. Väčšina z nás si však veľa vecí nevie zapamätať skôr, ako dovŕšime tri-štyri roky, takže schopnosť vnímať príčinu a následok, ktorá pomáha odpovedať na otázky „prečo“, sa postupne stáva zručnosťou.základné funkcie, ktoré jednoducho považovať za samozrejmé.
V skutočnosti to však nie je len dôležitá lekcia pre ľudí, aby pochopili svet okolo nich, ale aj zručnosť, v ktorej sú dnešné systémy umelej inteligencie (AI) stále dosť zlé a mali by sa učiť.
Schopnosť moderných systémov AI poraziť ľudí, ktorí hrajú Go alebo šoférujú autá na preplnených uliciach, sa nemusí nutne porovnávať s druhom inteligencie, ktorú môžu ľudia použiť na zvládnutie týchto možností. Je to preto, že ľudia - dokonca aj ako deti - už majú schopnosť zovšeobecňovať situácie aplikovaním vedomostí z jednej oblasti do druhej. Aby AI dosiahla svoj plný potenciál, musí to urobiť aj ona.
Schopnosť zdôvodňovať príčinu a následok je ďalšou zručnosťou, ktorú musí AI získať
Ak sa napríklad robot s umelou inteligenciou naučí, ako postaviť dom z tehál, schopnosti analýzy príčin a následkov mu môžu pomôcť pochopiť a uvedomiť si, že tieto tehly môže použiť aj na stavbu domu. Most alebo dokonca stavby so zložitejšími štruktúrami . Inými slovami, dá sa to dosiahnuť, keď má AI schopnosť porozumieť vzťahom príčin a následkov medzi rôznymi premennými prostredia.
Virtuálny tréningový svet pre AI
Potrebujeme hlboké školiace prostredie AI, ktoré umožní pokročilým modelom strojového učenia lepšie zovšeobecniť rôzne zmeny charakteristík prostredia, ako je hmotnosť alebo tvar objektov. Napríklad, keď sa robot naučí zdvihnúť konkrétny predmet, môžeme očakávať, že bude schopný rozpoznať, v akej polohe by mal stáť, ako aj to, akú silu použiť na zdvihnutie objemného a ťažkého predmetu. pokiaľ chápe vhodné aplikácie príčiny a následku v každom danom prípade. To podnietilo vedcov k vytvoreniu nástroja s názvom CausalWorld.
Ak je to typ virtuálneho tréningového prostredia, o ktorom často počujeme v sci-fi filmoch, ako napríklad v Matrixe – virtuálnom svete, v ktorom neplatia pravidlá. Naproti tomu v CausalWorld môžu výskumníci systematicky trénovať a vyhodnocovať svoje metódy v robotických prostrediach. Všetko je to o pravidlách – a o tom, ako sa uplatňujú. Robotom tam môžu byť prideľované úlohy podobné tým, keď sa deti hrajú s Legom, ako aj ďalšie hry súvisiace so schopnosťami analýzy príčin a následkov. Výskumníci môžu zasiahnuť, aby otestovali schopnosť robota zovšeobecňovať, keď je trénovaný. V podstate ide o testovacie prostredie, ktoré pomáha vyhodnotiť, ako môže AI problém zovšeobecniť.
Keď si osvojíte schopnosť analyzovať príčinu a následok, výkon systémov AI sa mnohonásobne zlepší, spolu so schopnosťou efektívnejšie fungovať nezávisle.