A.I. Kan huske, men du vil stadig knuse det på magi: samlingen

Neurale netværk er afgørende for fremtiden for A.I. og ifølge Elon Musk, fremtiden for hele menneskeheden. Heldigvis sprængte Googles DeepMind koden for at gøre neurale netværk meget klogere ved at give dem intern hukommelse.

I en undersøgelse udgivet i Natur Den 12. oktober viste DeepMind hvordan neurale netværk og hukommelsessystemer kan kombineres for at skabe maskinindlæring, som ikke kun lagrer viden, men bruger det hurtigt til at begrunde det på baggrund af omstændighederne. En af de største udfordringer med A.I. får det til at huske ting. Det ser ud til, at vi er et skridt tættere på at nå det.

Kaldet differentiable neurale computere (DNC'er), de forbedrede neurale netværk fungerer meget som en computer. En computer har en processor til at fuldføre opgaver (et neuralt netværk), men det kræver et hukommelsessystem for processoren at udføre algoritmer fra forskellige datapunkter (DNC).

Forud for DeepMinds innovation har neurale netværk været nødt til at stole på ekstern hukommelse for ikke at forstyrre netværkets neuronaktivitet.

Uden ekstern hukommelse kan neurale netværk kun redegøre for en løsning baseret på kendt information. De har brug for massive mængder data og praksis for at blive mere præcise. Som et menneske, der lærer et nyt sprog, tager det faktisk tid til neurale netværk at blive kloge. Det er den samme grund, at DeepMinds neurale netværk er fantastisk i Go, men forfærdeligt i det strategibaserede spil Magic: Neural networks kan bare ikke behandle nok variabler uden hukommelse.

Hukommelse gør det muligt for neurale netværk at inkorporere variabler og hurtigt analysere data, så det kan grave noget så komplekst som Londons Underground og kunne lave konklusioner baseret på specifikke datapunkter. I DeepMinds undersøgelse fandt de ud af, at en DNC kunne lære alene at besvare spørgsmål om de hurtigste ruter mellem destinationer og på hvilken destination en tur ville ende med ved blot at bruge den nyligt præsenterede graf og viden om andre transportsystemer. Det kunne også udlede relationer fra et stamtræ med ingen oplysninger fremlagt med undtagelse af træet. DNC var i stand til at gennemføre et mål til en given opgave uden at blive fodret med de ekstra datapunkter, der ville være nødvendige af et traditionelt neuralt netværk.

Selvom det måske ikke virker forfærdeligt imponerende (Google Maps er allerede ret godt til at beregne den mest effektive rute et sted), er teknologien et stort skridt for fremtiden for A.I. Hvis du mener, at prædiktiv søgning er effektiv (eller uhyggelig), kan du forestille dig, hvor god det kan være med neuralt netværkshukommelse. Når du søger Facebook efter navnet Ben, vil det vide ved, at du bare var på en fælles venns side og kigger på et billede af ham, som du mener Ben fra ned ad gaden, ikke Ben fra grundskolen.

Naturlig sprogindlæring A.I. ville endelig have nok kontekst til at fungere på både sprog i Wall Street Journal og kunne forstå Black Twitter. Siri kunne forstå, at Pepe the Frog er mere end bare et tegn fra en tegneserie, fordi hun er læst hver Inverse artiklen om det.

"Jeg er mest imponeret over netværkets evne til at lære" algoritmer "fra eksempler", fortæller Brenden Lake, en kognitiv videnskabsmand ved New York University Teknologi Review. "Algoritmer, som at sortere eller finde korteste stier, er brødet og smør af klassisk datalogi. De kræver traditionelt en programmør at designe og implementere."

Giver A.I. evnen til at forstå konteksten gør det muligt at springe over behovet for programmerede algoritmer.

Mens DeepMinds DNC ikke er det første eksperiment i neurale hukommelser, er det den mest sofistikerede. Når det er sagt, er det neurale netværk stadig i dets tidlige stadier, og det har en lang vej at gå, før det er på menneskelige niveauer af læring. Forskere skal stadig regne med, hvordan man skalere systembehandlingen, så den kan scanne og beregne ved hjælp af hvert stykke hukommelse hurtigt.

For øjeblikket får mennesker til at herske overordnet neurologisk.