Lani je umetna inteligenca AlphaGo prvič premagala svetovnega prvaka v igri. Ta zmaga je bila brez primere in nepričakovana glede na veliko težavnost kitajske družabne igre. Čeprav je zmaga AlphaGo-a vsekakor bila impresivna, ta AI, ki je od takrat premagal druge prvake Go, še vedno velja za "ozko" vrsto AI - takšno, ki človeka lahko preseže le na omejenem področju nalog.
Čeprav nam računalnik v Go-u ali šahu skoraj ne bo uspel premagati, ne da bi se zatekali k drugemu računalniku, se tudi pri rutinskih opravilih še ne moremo zanašati nanje. AI vam ne bo pripravil čaja ali načrtoval MOT za vaš avto.
V nasprotju s tem je AI v znanstveni fantastiki pogosto prikazan kot "splošna" umetna inteligenca. Se pravi umetna inteligenca z enako stopnjo in raznolikostjo kot človeška. Čeprav že imamo različne vrste umetne inteligence, ki lahko storijo vse, od diagnosticiranja bolezni do vožnje z avtomobili, še nismo uspeli ugotoviti, kako bi jih vključili na bolj splošno raven.
Prejšnji teden so raziskovalci DeepMind predstavili več prispevkov, ki trdijo, da postavljajo temelje splošne umetne inteligence. Čeprav sklepov še ni, so prvi rezultati spodbudni: na nekaterih področjih je AI že presegel človeka po sposobnostih.
Delo DeepMind se osredotoča na relativno sklepanje, kritično kognitivno sposobnost, ki ljudem omogoča primerjavo med različnimi predmeti ali idejami. Primerjajte na primer, kateri predmet je večji ali manjši, kateri je na levi in kateri na desni strani. Ljudje uporabljajo relativno (ali relacijsko) sklepanje vsakič, ko poskušajo rešiti težavo, vendar znanstveniki še niso ugotovili, kako naj AI dajo to varljivo preprosto sposobnost.
Znanstveniki DeepMind so izbrali dve različni poti. Nekateri so usposobili nevronsko mrežo - vrsto arhitekture AI, ki je bila modelirana po človeških možganih - z uporabo baze preprostih, statičnih 3D predmetov, imenovane CLEVR. Drugo nevronsko mrežo so naučili razumeti, kako se dvodimenzionalni predmet sčasoma spreminja.
V CLEVR je bila nevronska mreža predstavljena z naborom preprostih zasnov, kot so piramide, kocke in krogle. Znanstveniki so nato postavili vprašanja umetne inteligence v naravnem jeziku, na primer "je kocka narejena iz istega materiala kot valj?" Neverjetno je, da je nevronska mreža v 95,5% primerov lahko pravilno ocenila relacijske atribute CLEVR, s tem da je v tem parametru 92,6-odstotna natančnost prehitela celo človeka.
V drugem testu so raziskovalci DeepMind ustvarili nevronsko mrežo Visual Interaction Network (VIN), ki je bila usposobljena za napovedovanje prihodnjih stanj predmeta na videu, odvisno od njegovih predhodnih gibanj. Da bi to naredili, so znanstveniki najprej napajali VIN tri zaporedne video okvirje, ki jih je omrežje prevedlo v kodo. V tej kodi je bil seznam vektorjev - hitrost ali položaj predmeta - za vsak predmet v okviru. Nato je bil VIN polnjen z zaporedjem drugih kod, ki so združile napoved kode za naslednji okvir.
Promocijski video:
Za usposabljanje VIN so znanstveniki uporabili pet različnih vrst fizikalnih sistemov, v katerih so se 2D predmeti premikali ob ozadju "naravnih slik" in trčili z različnimi silami. Na primer, v enem fizičnem sistemu so simulirani predmeti medsebojno delovali v skladu z Newtonovim gravitacijskim zakonom. V drugem je bila nevronska mreža predstavljena z biljardom in narejena za napovedovanje prihodnjega položaja kroglic. Po mnenju znanstvenikov se je mreža VIN uspešno spopadla s napovedovanjem vedenja predmetov v videoposnetku.
To delo predstavlja pomemben korak k splošni AI, vendar je treba še veliko delati, preden bo umetna inteligenca lahko prevzela svet. Poleg tega nadčloveški nastop ne pomeni nadčloveške inteligence.
Vseeno še ne.
ILYA KHEL