• Kecerdasan Buatan

Model AI hibrid membolehkannya membuat alasan tentang fizik dunia seperti kanak-kanak

Set data baharu mendedahkan betapa buruknya AI dalam membuat penaakulan—dan mencadangkan pendekatan hibrid baharu mungkin cara terbaik ke hadapan.

Soalan, soalan: Dikenali sebagai CLEVRER, set data terdiri daripada 20,000 klip video sintetik pendek dan lebih daripada 300,000 gandingan soal jawab yang memberi alasan tentang peristiwa dalam video. Setiap video menunjukkan dunia mudah objek mainan yang berlanggar antara satu sama lain mengikuti fizik simulasi. Dalam satu, bola getah merah terkena silinder getah biru, yang terus mengenai silinder logam.

Soalan dibahagikan kepada empat kategori: deskriptif (cth, Apakah bentuk objek yang berlanggar dengan silinder cyan?), penjelasan (Apakah yang bertanggungjawab untuk perlanggaran silinder kelabu dengan kubus?), ramalan (Peristiwa manakah yang akan berlaku seterusnya?) , dan kontrafaktual (Tanpa objek kelabu, peristiwa manakah yang tidak akan berlaku?). Soalan-soalan itu mencerminkan banyak konsep yang dipelajari oleh kanak-kanak sejak mereka meneroka persekitaran mereka. Tetapi tiga kategori terakhir, yang secara khusus memerlukan penaakulan kausal untuk menjawab, sering menghalang sistem pembelajaran mendalam.

gagal: Set data, yang dicipta oleh penyelidik di Harvard, DeepMind, dan MIT-IBM Watson AI Lab bertujuan untuk membantu menilai sejauh mana sistem AI boleh membuat alasan. Apabila penyelidik diuji beberapa model penglihatan komputer dan bahasa semula jadi yang terkini dengan set data, mereka mendapati kesemuanya berjaya dalam soalan deskriptif tetapi kurang baik pada soalan yang lain.

Mencampurkan yang lama dan yang baru: Pasukan itu kemudian mencuba sistem AI baharu yang menggabungkan kedua-dua pembelajaran mendalam dan logik simbolik. Sistem simbolik pernah menjadi kemarahan sebelum ini gerhana melalui pembelajaran mesin pada akhir 1980-an. Tetapi kedua-dua pendekatan mempunyai kekuatan mereka: pembelajaran mendalam cemerlang dalam skalabiliti dan pengecaman corak; sistem simbolik lebih baik dalam pengabstrakan dan penaakulan.

Sistem komposit, yang dikenali sebagai model neuro-simbolik, memanfaatkan kedua-duanya: ia menggunakan rangkaian saraf untuk mengenali warna, bentuk dan bahan objek dan sistem simbolik untuk memahami fizik pergerakan mereka dan hubungan sebab akibat di antara mereka. Ia mengatasi model sedia ada merentas semua kategori soalan.

Mengapa ia penting: Sebagai kanak-kanak, kita belajar untuk memerhati dunia di sekeliling kita, membuat kesimpulan mengapa perkara itu berlaku dan membuat ramalan tentang apa yang akan berlaku seterusnya. Ramalan ini membantu kami membuat keputusan yang lebih baik, mengemudi persekitaran kami dan kekal selamat. Meniru jenis pemahaman sebab dalam mesin juga akan melengkapkan mereka untuk berinteraksi dengan dunia dengan cara yang lebih bijak.