A.I. Pamatuješ si, ale pořád jsi to rozdrtil na Magic: The Gathering

Neuronové sítě jsou klíčové pro budoucnost A.I. a podle Elona Muska budoucnost celého lidstva. Společnost Google DeepMind naštěstí tento kód rozbila, aby vytvořila neuronové sítě mnohem chytřejší tím, že jim poskytne vnitřní paměť.

Ve studii zveřejněné v roce 2003. T Příroda 12. října, DeepMind ukazoval jak neuronové sítě a paměťové systémy mohou být kombinovány vytvořit strojové učení, které nejen ukládá znalosti, ale rychle používá to k rozumu založenému na okolnostech. Jedna z největších výzev s A.I. je to zapamatovat si věci. Vypadá to, že jsme o krok blíž k dosažení tohoto cíle.

Rozšířené neuronové sítě, nazývané diferencované neuronové počítače (DNC), fungují podobně jako počítač. Počítač má procesor k dokončení úkolů (neuronová síť), ale vyžaduje, aby paměťový systém pro procesor vykonával algoritmy z různých datových bodů (DNC).

Než začaly DeepMindovy inovace, musely se neuronové sítě spoléhat na externí paměť, aby nezasahovaly do neuronové aktivity sítě.

Bez jakékoli externí paměti jsou neuronové sítě schopny pouze rozumět řešení založené na známých informacích. Potřebují obrovské množství dat a praxe, aby se stali přesnějšími. Stejně jako lidské učení nového jazyka, i ve skutečnosti trvá, než se neuronové sítě stanou chytrými. Je to stejný důvod, proč je DeepMindova neuronová síť skvělá na Go, ale hrozné ve strategické hře Magic: Neuronové sítě prostě nemohou zpracovat dostatek proměnných bez paměti.

Paměť umožňuje neuronovým sítím začlenit proměnné a rychle analyzovat data tak, aby mohla zobrazit něco tak složitého jako londýnské podzemí a být schopna učinit závěry na základě konkrétních datových bodů. Ve studii DeepMindu zjistili, že DNC by se mohla naučit sama odpovídat na otázky o nejrychlejších trasách mezi cíli a v jakém cíli by cesta skončila právě pomocí nově prezentovaného grafu a znalostí jiných dopravních systémů. To by mohlo také odvodit vztahy z rodokmenu s žádnými informacemi prezentovány kromě stromu. DNC byl schopen splnit cíl k danému úkolu, aniž by byl napájen dodatečnými datovými body, které by byla potřeba tradiční neuronovou sítí.

I když se to nezdá hrozně působivé (Mapy Google jsou již docela dobré při výpočtu nejefektivnější trasy někam), technologie je obrovským krokem pro budoucnost A.I. Pokud si myslíte, že je prediktivní vyhledávání efektivní (nebo hrůzostrašné), představte si, jak dobrý by mohl být s neuronovou síťovou pamětí. Když budete hledat jméno Ben na Facebooku, bude to vědět, že jste právě na stránce vzájemného přítele a díváte se na jeho obrázek, který znamená Ben z ulice, ne Ben ze základní školy.

Studium přirozeného jazyka A.I. by konečně mělo dostatek kontextů, které by fungovaly jak v jazyce Wall Street Journal a být schopen pochopit Black Twitter. Siri pochopil, že Pepe Žába je víc než jen postava z komiksu, protože si čte každý Inverzní článek o tom.

„Nejvíc mě ohromuje schopnost sítě učit se z příkladů„ algoritmy “,“ řekl Brenden Lake, kognitivní vědec z New York University. Technologická revize. „Algoritmy, jako je třídění nebo hledání nejkratších cest, jsou chléb a máslo klasické počítačové vědy. Tradičně vyžadují, aby programátor navrhoval a implementoval. “

Dává A.I. schopnost porozumět kontextu umožňuje vynechat potřebu naprogramovaných algoritmů.

Zatímco DeepMindův DNC není prvním experimentem v neurální paměti, je nejsofistikovanější. To znamená, že neuronová síť je stále ve svých raných fázích a má před sebou dlouhou cestu, než je to na lidské úrovni učení. Výzkumní pracovníci stále potřebují zjistit, jak rozšířit zpracování systému tak, aby mohl rychle skenovat a vypočítávat pomocí každé paměti.

Lidé zatím vládnou nejvyšší neurologicky.