Valószínűleg ez a fejlemény késztette a Google Technocrat / Transhuman Ray Kurzweilt arra, hogy kijelentse, hogy a szingularitás 2029 helyett 2045-ben fog megvalósulni. Az emlékezés veszélyes eredmény, ha kezdetben hibásak, vagy ami még rosszabb, előítéletesek az őket létrehozó inputokkal szemben. Az AI „emlékei” alapján a tanulás mindenképpen növekedni fog, de a továbbtanulás a valóságon vagy csak egy kívánatos számítógépes modellen alapul? ⁃ TN szerkesztő
Noha az AI rendszerek sok emberi képességgel bírnak, addig az 10 alkalommal többet kell megtanulniuk. Most, hogy lemásolja az agy működését, a Google DeepMind készített egy gépet, amely lezárja a rést.
Az intelligens gépek látványában emberek vannak. A mélytanuló gépeken már emberfeletti készségek vannak olyan feladatoknál, mint az arcfelismerés, a videojátékok és még az ősi kínai Go játék. Tehát könnyű azt gondolni, hogy az emberek már túlfejlődtek.
De nem olyan gyorsan. Az intelligens gépek továbbra is elmaradnak az emberektől a teljesítmény egyik kulcsfontosságú területén: a tanulás sebességével. Ha például a klasszikus videojátékok elsajátításáról van szó, a legjobb mélyen tanuló gépek körülbelül 200 órányi játékot igényelnek, hogy elérjék ugyanazt a képességszintet, amelyet az emberek mindössze két óra alatt elérnek.
Tehát a számítógépes tudósok szívesen szeretnének valamilyen módon felgyorsítani a gépek tanulási sebességét.
Ma Alexander Pritzel és a Google londoni DeepMind leányvállalatának barátai állítják, hogy éppen ezt tették. Ezek a srácok egy mélyreható tanulási gépet építettek, amely képes az új tapasztalatok gyors elsajátítására, majd azután rájuk reagálni. Az eredmény egy olyan gép, amely lényegesen gyorsabban tanul, mint mások, és képes arra, hogy megfeleljen az embereknek a nem túl távoli jövőben.
Először néhány háttér. A mély tanulás az ideghálózatok rétegeit használja az adatok mintáinak keresésére. Amikor egyrétegű észlel egy mintát, amelyet felismer, akkor ezt az információt továbbítja a következő réteghez, amely megkeresi a jelben szereplő mintákat, és így tovább.
Tehát az arcfelismerés során az egyik réteg a kép széleit, a másik a szélek kör alakú mintázatait (a szem és a száj formáját), a másik pedig a háromszög alakú mintákat, például a két szem és a száj által készített mintákat. Ha mindez megtörténik, a végső kimenet azt jelzi, hogy egy arcot foltosnak találtak.
Természetesen az ördög a részletekben van. Különböző visszacsatolási rendszerek léteznek, amelyek lehetővé teszik a rendszer számára a különböző belső paraméterek, például a rétegek közötti kapcsolatok erősségének beállításával történő tanulást. Ezeknek a paramétereknek lassan kell változniuk, mivel az egyik réteg nagy változása katasztrofálisan befolyásolhatja a következő rétegekben a tanulást. Ezért van szükség a mély idegi hálózatokra olyan sok képzésre, és miért tart ilyen sokáig.
Pritzel és a co ezt a problémát egy olyan módszerrel oldották meg, amelyet neurális epizodikus kontrollnak hívnak. "A neurális epizodikus kontroll drámai javulást mutat a sokféle környezetben a tanulás sebességében" - mondják. "Kritikus szempontból, ügynökeink gyorsan képesek gyorsan rákapcsolódni a nagyon sikeres stratégiákra, amint megtapasztalják őket, ahelyett, hogy számos optimalizálási lépést várnának."
A DeepMind megközelítésének alapgondolata az emberek és az állatok gyors tanulási módjának másolása. Az általános konszenzus az, hogy az emberek kétféle módon kezelhetik a helyzeteket. Ha ismerős a helyzet, agyunk már kialakított egy modellt, amelyet arra használ, hogy kiderítse, hogyan viselkedjen a legjobban. Ehhez az agy egy részét prefrontális kéregnek hívják.
wpDiscuz