AI udvikler menneskelignende talfornemmelse - tager os et skridt tættere på at bygge maskiner med generel intelligens

Tallene står ret højt på listen over, hvad en computer kan godt. Mens mennesker ofte kæmper for at dele en restaurantregning, en moderne computer kan lave millioner af beregninger på blot et sekund. mennesker, imidlertid, har en medfødt og intuitiv talsans, der hjalp os, blandt andet, at bygge computere i første omgang.

I modsætning til en computer, et menneske ved, når man ser på fire katte, fire æbler og symbolet 4 på, at de alle har én ting til fælles – det abstrakte begreb "fire" – uden selv at skulle tælle dem. Dette illustrerer forskellen mellem det menneskelige sind og maskinen, og hjælper med at forklare, hvorfor vi ikke engang er tæt på at udvikle AI'er med den brede intelligens, som mennesker besidder. Men nu en ny undersøgelse, udgivet i Science Advances, rapporterer, at en AI spontant har udviklet en menneskelignende talsans.

For at en computer skal tælle, vi skal klart definere, hvad det er, vi vil tælle. Når vi tildeler lidt hukommelse til at vedligeholde tælleren, vi kan sætte det til nul og derefter tilføje et element, hver gang vi finder noget, vi vil optage. Det betyder, at computere kan tælle tid (signaler fra et elektronisk ur), ord (hvis gemt i computerens hukommelse) og endda objekter i et digitalt billede.

Denne sidste opgave, imidlertid, er lidt udfordrende, da vi skal fortælle computeren præcis, hvordan objekterne ser ud, før den kan tælle dem. Men objekter ser ikke altid ens ud – variation i belysning, position og positur har indflydelse, samt eventuelle forskelle i konstruktion mellem de enkelte eksempler.

Alle de vellykkede beregningsmæssige tilgange til at detektere objekter i billeder fungerer ved at opbygge en slags statistisk billede af et objekt ud fra mange individuelle eksempler – en form for læring. Dette gør det muligt for computeren at genkende nye versioner af objekter med en vis grad af selvtillid. Uddannelsen involverer at tilbyde eksempler, der gør, eller ikke, indeholde objektet. Computeren laver så et gæt på, om den gør, og justerer sin statistiske model efter gætningens nøjagtighed - som vurderet af et menneske, der overvåger indlæringen.

Moderne AI-systemer begynder automatisk at være i stand til at detektere objekter, når de forsynes med millioner af træningsbilleder af enhver art – ligesom mennesker gør. Disse uovervågede læringssystemer bemærker gradvist dele af elementerne i billederne, som ofte er til stede på samme tid, og opbygge lag på lag af mere komplicerede fællestræk.

Tag genkendelse af æbler som et eksempel. Da billeder, der indeholder alle mulige former, præsenteres for systemet, det begynder først at bemærke grupper af pixels, der udgør vandrette og lodrette linjer, og venstre og højre kurve. De er til stede i æbler, ansigter, katte og biler, så fællestræk, eller abstraktioner, findes tidligt. Det indser til sidst, at visse kurver og linjer ofte er til stede sammen i æbler – og udvikler en ny, dybere abstraktion, der repræsenterer en klasse af objekter:æbler, I dette tilfælde.

Dyb læring

Denne naturlige fremkomst af abstraktioner på højt niveau er et af de mest spændende resultater af maskinlæringsteknikken kaldet dybe neurale netværk, som i en eller anden forstand fungerer på samme måde som den menneskelige hjerne. "Dybden" kommer fra de mange lag i netværket – efterhånden som informationen går dybere ind i netværket, de fundne fællestræk bliver mere abstrakte. På denne måde netværk skabes med elementer, der er stærkt aktive, når inputtet ligner det, det har oplevet før. De mest abstrakte ting dukker op på de dybeste niveauer – det er katte, ansigter og æbler frem for lodrette linjer eller cirkler.

Når et AI-system kan genkende æbler, du kan så bruge den til at tælle hvor mange der er. Det er fantastisk, men det er ikke helt sådan, du eller jeg ville tælle æbler. Vi har et ekstremt dybt begreb om "antal" - hvor mange af noget der er. I stedet for blot at være aktiv, når et objekt er til stede, dele af vores hjerne aktiveres afhængigt af mængden af ​​tilstedeværende genstande. Det betyder, at vi kan se på en flok æbler og vide, at der er fire uden egentlig at tælle hver enkelt.

Faktisk, mange dyr kan også gøre dette. Det er fordi denne følelse af tal er en nyttig egenskab til overlevelse og reproduktion i mange forskellige situationer – tag for eksempel at bedømme størrelsen af ​​grupper af rivaler eller bytte.

Emergent egenskaber

I den nye undersøgelse, et dybt neuralt netværk, der var trænet til simpel visuel genstandsdetektion, udviklede spontant denne form for talsans. Forskerne opdagede, at specifikke enheder i netværket pludselig "tunede" til et abstrakt tal - ligesom rigtige neuroner i hjernen kunne reagere. Den indså, at et billede af fire æbler ligner et billede af fire katte - fordi de har "fire" til fælles.

En virkelig spændende ting ved denne forskning er, at den viser, at vores nuværende principper for læring er ret fundamentale. Nogle af de mest overordnede aspekter af tænkning, som mennesker og dyr viser, er dybt relateret til verdens struktur, og vores visuelle oplevelse af det.

Det antyder også, at vi måske er på rette vej for at opnå en mere omfattende, kunstig intelligens på menneskeligt niveau. At anvende denne form for læring til andre opgaver - måske at anvende den på signaler, der opstår over en periode i stedet for over pixels i et billede - kunne give maskiner med endnu mere menneskelignende kvaliteter. Ting vi engang troede grundlæggende for at være menneske - musikalsk rytme for eksempel, eller endda en følelse af kausalitet – bliver nu undersøgt fra dette nye perspektiv.

Efterhånden som vi fortsætter med at opdage mere om at bygge kunstige læringsteknikker, og finde nye måder at forstå hjernen i levende organismer, vi låser op for flere af intelligente mysterier, adaptiv adfærd.

Der er lang vej igen, og mange andre dimensioner, som vi skal udforske, men det er klart, at evnen til at se på verden og udarbejde dens struktur ud fra erfaring er en vigtig del af det, der gør mennesker så tilpasningsdygtige. Der er ingen tvivl om, at det vil være en nødvendig komponent i ethvert AI-system, der har potentialet til at udføre den mangfoldighed og kompleksitet af opgaver, som mennesker kan.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.