Jau tagad mēs varam novērot piemērus, kā mākslīgā intelekta tehnoloģijas spēj izpaust dažas pazīmes, kas šķiet no pirmā acu uzmetiena un ir raksturīgas tikai cilvēkiem. Mēs veidojam humanoīdus robotus, vismaz ļoti līdzīgus mums, daži nodarbojas ar algoritmu izveidi, kas var darīt to, ko parasti spēj tikai cilvēki - rakstīt mūziku, gleznot vai iesaistīties mācībās.
Attīstoties šai jomai, uzņēmumi un izstrādātāji sāk meklēt iespēju mainīt pašu pamatu, uz kura pamata tagad tiek veidoti mākslīgā intelekta algoritmi, un sāk pētīt reālo intelektu, kā arī veidu, kā to efektīvi atdarināt mašīnbūvē un radīt jaunas programmatūras paaudzi. Viens no šiem uzņēmumiem ir IBM, kas ir izvirzījis sev ambiciozo uzdevumu iemācīt AI izturēties (pareizāk būtu teikt, ka darbs) vairāk kā cilvēka smadzenes, nevis kā ieprogrammēto algoritmu komplekts.
Lielākā daļa esošo mašīnmācīšanās sistēmu ir balstītas uz nepieciešamību izmantot milzīgu dažādu datu kopumu. Neatkarīgi no tā, vai tas ir dators, kas paredzēts, lai atrastu veidus, kā uzvarēt loģikas spēlē, vai sistēma, kas izveidota, lai no digitālajiem attēliem atklātu ādas vēža pazīmes, šis noteikums vienmēr darbojas. Bet šāds darba satvars izskatās ļoti ierobežots un saspiests, un tas, protams, tieši atšķir šādas sistēmas no tā, kā darbojas cilvēka smadzenes.
IBM vēlas to mainīt. DeepMind pētījumu komanda ir izveidojusi sintētisko neironu tīklu, kura pamatā ir racionālu lēmumu pieņemšana, strādājot pie noteikta uzdevuma.
Racionālas mašīnas
“Piešķirot mākslīgajam intelektam daudz objektu un īpašu uzdevumu, mēs piespiežam tīklu atklāt esošās sakritības,” žurnālam Science Magazine komentēja Timothy Lillicrap, DeepMind komandas datorzinātnieks.
Reklāmas video:
Tīkla testos, kas tika veikti jūnijā, sistēmai tika uzdotas dažādas digitālā attēlveidošanas problēmas, kad bija vairāki faktori. Piemēram, šis: “Zilajā attēlā priekšā ir objekts. Vai tai ir tāda pati forma kā tai mazajai zilajai lietai pa labi no pelēkā metāla lodītes?"
Šajā testā mākslīgais neironu tīkls spēja identificēt vēlamo objektu 96 procentus laika, savukārt parastie mašīnmācīšanās modeļi spēja tikt galā ar uzdevumu 42-77 procentus laika.
Nesen mākslīgie neitronu tīkli turpina uzlabot cilvēku valodas izpratni. Papildus saprātīgu lēmumu pieņemšanai pētnieki vēlas, lai šādas sistēmas spētu demonstrēt un noturēt uzmanību un saglabāt atmiņas.
Pēc IBM pētnieces Irinas Rišas teiktā, mākslīgā intelekta attīstību varētu ievērojami paātrināt un paplašināt, izmantojot šādu taktiku.
“Neironu tīklu uzlabošana joprojām ir inženierijas priekšmets, kas parasti prasa milzīgu laiku, lai nonāktu pie labākās arhitektūras. Būtībā šī ir cilvēku izmēģināšanas un kļūdu metode. Būtu lieliski, ja šie tīkli varētu sevi izveidot un uzlabot."
Dažus, protams, var iebiedēt ideja par AI tīkliem, kas spēj paši izveidot un uzlabot, bet, ja mēs atradīsim kompetentu veidu, kā uzraudzīt, kontrolēt un pārvaldīt šo procesu, tad tas ļaus mums pārsniegt pašreizējos ierobežojumus. Neskatoties uz pieaugošajām bailēm no robotu revolūcijas, kas pavergs mūs visus, AI sfēras attīstību prognozē tūkstošiem cilvēku izglābtu dzīvību medicīnā, atvēršanas iespēju mums apmeklēt un pat apmesties uz Marsa, un vēl daudz vairāk.