Denne utviklingen er sannsynligvis det som førte til at Googles teknokrat / transhuman Ray Kurzweil erklærte at Singularity vil bli nådd i 2029 i stedet for 2045. Å huske er et farlig utfall hvis de er feil til å begynne med, eller verre, fordommer mot innspill som skapte dem. Basert på AI-minner, vil læring definitivt øke, men vil videre læring være basert på virkeligheten eller bare en ønskelig datamodell? ⁃ TN Editor
Mens AI-systemer kan samsvare med mange menneskelige evner, tar de 10 ganger lenger tid å lære. Nå, ved å kopiere måten hjernen fungerer på, har Google DeepMind bygget en maskin som lukker gapet.
Intelligente maskiner har mennesker i sin natur. Dyplærende maskiner har allerede overmenneskelige ferdigheter når det gjelder oppgaver som ansiktsgjenkjenning, videospill og til og med det gamle kinesiske spillet Go. Så det er lett å tenke at mennesker allerede er overgått.
Men ikke så fort. Intelligente maskiner henger fortsatt etter mennesker i ett avgjørende ytelsesområde: hastigheten de lærer. Når det gjelder å mestre klassiske videospill, tar de beste dyplæringsmaskinene for eksempel 200 timers spill for å nå de samme ferdighetsnivåene som mennesker oppnår på bare to timer.
Så dataforskere vil gjerne elske å ha en måte å få fart på hastigheten som maskiner lærer.
I dag hevder Alexander Pritzel og venner hos Googles DeepMind-datterselskap i London å ha gjort nettopp det. Disse karene har bygget en maskin med dyp læring som er i stand til raskt å assimilere nye opplevelser og deretter handle på dem. Resultatet er en maskin som lærer betydelig raskere enn andre og som har potensial til å matche mennesker i ikke så fjern fremtid.
Først litt bakgrunn. Dyp læring bruker lag av nevrale nettverk for å se etter mønstre i data. Når et enkelt lag oppdager et mønster det gjenkjennes, sender det denne informasjonen til neste lag, som ser etter mønstre i dette signalet, og så videre.
Så i ansiktsgjenkjenning kan det ene laget se etter kanter i et bilde, det neste laget for sirkulære kanter av mønster (den typen øyne og munn lager), og det neste etter trekantede mønstre som de som er laget av to øyne og en munn. Når alt dette skjer, er det endelige resultatet en indikasjon på at et ansikt har blitt oppdaget.
Selvfølgelig er djevelen i detaljene. Det finnes forskjellige tilbakemeldingssystemer som lar systemet lære ved å justere forskjellige interne parametere som styrken til forbindelsene mellom lagene. Disse parametrene må endres sakte, siden en stor endring i ett lag kan katastrofalt påvirke læring i de påfølgende lagene. Derfor trenger dype nevrale nettverk så mye trening, og hvorfor det tar så lang tid.
Pritzel og co har taklet dette problemet med en teknikk de kaller nevral episodisk kontroll. "Nevrisk episodisk kontroll demonstrerer dramatiske forbedringer i læringshastigheten i et bredt spekter av miljøer," sier de. "Kritisk er at agenten vår raskt kan koble seg til meget vellykkede strategier så snart de blir opplevd, i stedet for å vente på mange trinn med optimalisering."
Den grunnleggende ideen bak DeepMinds tilnærming er å kopiere måten mennesker og dyr lærer raskt. Den generelle konsensus er at mennesker kan takle situasjoner på to forskjellige måter. Hvis situasjonen er kjent, har hjernen vår allerede dannet en modell av den, som de bruker for å finne ut hvordan de best kan oppføre seg. Dette bruker en del av hjernen som kalles prefrontal cortex.
wpDiscuz