Ad interim Pamätajte si, ale ste to ešte rozdrvili na Magic: The Gathering

Neurónové siete sú rozhodujúce pre budúcnosť A.I. a podľa Elona Muska budúcnosť celého ľudstva. Našťastie, DeepMind spoločnosti Google práve rozbil kód, aby neurónové siete boli oveľa múdrejší tým, že im poskytli vnútornú pamäť.

V štúdii zverejnenej v príroda 12. októbra DeepMind ukázal, ako je možné kombinovať neurónové siete a pamäťové systémy, aby sa vytvorilo strojové učenie, ktoré nielenže ukladá znalosti, ale rýchlo ich využíva na základe okolností. Jedna z najväčších výziev s A.I. je to zapamätať si veci. Vyzerá to, že sme o krok bližšie k dosiahnutiu tohto cieľa.

Zdokonalené neurónové siete nazývané diferencovateľné neurónové počítače (DNC) fungujú podobne ako počítač. Počítač má procesor na dokončenie úloh (neurónová sieť), ale pre procesor je potrebný pamäťový systém na vykonávanie algoritmov z rôznych dátových bodov (DNC).

Pred inováciou spoločnosti DeepMind sa neurónové siete museli spoliehať na externú pamäť, aby nezasahovali do neurónovej aktivity siete.

Bez akejkoľvek externej pamäte sú neurónové siete schopné odôvodniť len riešenie založené na známych informáciách. Na to, aby sa stali presnejšími, potrebujú obrovské množstvo údajov a postupov. Podobne ako ľudské učenie nového jazyka, v skutočnosti trvá čas, kým sa neurónové siete stanú inteligentnými. To je ten istý dôvod, prečo je neurónová sieť DeepMindu na Go, ale je hrozná v strategickej hre Magic: Neuronové siete jednoducho nedokáže spracovať dostatok premenných bez pamäte.

Pamäť umožňuje neurónovým sieťam začleniť premenné a rýchlo analyzovať údaje tak, aby mohli graficky znázorniť niečo tak zložité ako londýnske Underground a boli schopní urobiť závery na základe špecifických dátových bodov. V DeepMindovej štúdii zistili, že DNC sa môže naučiť samostatne odpovedať na otázky o najrýchlejších trasách medzi destináciami a na mieste určenia, kde by cesta skončila práve pomocou novo prezentovaného grafu a znalostí iných dopravných systémov. To by mohlo tiež odvodiť vzťahy z rodokmeňa bez informácií prezentovaných okrem stromu. DNC bol schopný splniť cieľ danej úlohy bez toho, aby bol napájaný ďalšími dátovými bodmi, ktoré by boli potrebné tradičnou neurónovou sieťou.

Aj keď to nemusí vyzerať strašne pôsobivé (Mapy Google sú už dosť dobré na výpočet najefektívnejšej trasy niekde), technológia je obrovským krokom pre budúcnosť A.I. Ak si myslíte, že prediktívne vyhľadávanie je efektívne (alebo strašidelné), predstavte si, aké dobré to môže byť s pamäťou neurónovej siete. Keď hľadáte meno Ben pre Facebook, bude to vedieť, že ste boli len na stránke vzájomného priateľa, ktorý sa pozerá na jeho obraz, ktorý znamená Ben z ulice, nie Ben zo základnej školy.

Výučba prirodzeného jazyka A.I. by konečne mali dosť kontextu na to, aby fungovali na oboch jazykoch. t Wall Street Journal a byť schopný pochopiť Black Twitter. Siri pochopil, že Pepe Frog je viac než len postava z komiksu, pretože číta každý obrátený článku.

„Najviac ma ohromuje schopnosť siete naučiť sa z príkladov„ algoritmy “,“ povedal Brenden Lake, kognitívny vedec na Newyorskej univerzite. Technický prehľad, „Algoritmy, ako napríklad triedenie alebo hľadanie najkratších ciest, sú chlieb a maslo klasickej počítačovej vedy. Tradične vyžadujú, aby programátor navrhol a implementoval. “

Dať A.I. Schopnosť porozumieť kontextu jej umožňuje preskočiť potrebu naprogramovaných algoritmov.

Kým DeepMindova DNC nie je prvým experimentom v neurónovej pamäti, je najsofistikovanejšia. To znamená, že neurónová sieť je stále vo svojich raných štádiách a má pred sebou dlhú cestu, než sa dostane na úroveň ľudského učenia. Výskumní pracovníci stále potrebujú zistiť, ako zvýšiť počet spracovaných systémov tak, aby mohol rýchlo skenovať a počítať s použitím každej pamäte.

Zatiaľ sa ľudia kraľujú najvyššie neurologicky.