Jauna mašīna Mācīšanās pieeja, kas gūst iedvesmu no tā, kā šķiet, ka cilvēka smadzenes modelē un uzzina par pasauli, ir izrādījusies spējīga apgūt vairākas vienkāršas videospēles ar iespaidīgu efektivitāti.
Jaunā sistēma, ko sauc par Axiom, piedāvā alternatīvu mākslīgajiem neironu tīkliem, kas dominē mūsdienu AI. Axiom, ko izstrādājis programmatūras uzņēmums ar nosaukumu Verse AI, ir aprīkots ar iepriekšējām zināšanām par to, kā objekti fiziski mijiedarbojas savā starpā spēles pasaulē. Pēc tam tas izmanto algoritmu, lai modelētu, kā tā sagaida, ka spēle rīkosies, reaģējot uz ievadi, kas tiek atjaunināta, pamatojoties uz to, ko tā novēro – course of, kas saukts par aktīviem secinājumiem.
Šī pieeja gūst iedvesmu no brīvās enerģijas principa – teorijas, kuras mērķis ir izskaidrot intelektu, izmantojot principus, kas iegūti no matemātikas, fizikas un informācijas teorijas, kā arī bioloģijas. Brīvās enerģijas principu izstrādāja slavens neirozinātnieks Kārlis Fristons, kurš ir galvenais zinātnieks “kognitīvās skaitļošanas” uzņēmuma pantos.
Fristons man pastāstīja par video no savām mājām Londonā, ka pieeja var būt īpaši svarīga AI aģentu veidošanai. “Viņiem ir jāatbalsta tāda izziņa, kādu mēs redzam reālajās smadzenēs,” viņš teica. “Tas prasa apsvērumu ne tikai par spēju iemācīties lietas, wager arī patiesībā uzzināt, kā jūs rīkojaties pasaulē.”
Parastā pieeja mācībām spēlēt spēles ir saistītas ar neironu tīklu apmācību, izmantojot tā dēvēto dziļo pastiprināšanas mācīšanos, kas ietver to parametru eksperimentēšanu un pielāgošanu, reaģējot uz pozitīvu vai negatīvu atgriezenisko saiti. Šī pieeja var radīt pārcilvēciskus spēļu spēlējošus algoritmus, taču tā darbam ir nepieciešams daudz eksperimentu. Axiom meistaro dažādas vienkāršotas populāro videospēļu versijas ar nosaukumu Drive, Bounce, Hunt and Leple, izmantojot daudz mazāk piemēru un mazāku aprēķinu jaudu.
“Pieejas vispārējie mērķi un dažas tās galvenās iezīmes izseko to, ko es uzskatu par vissvarīgākajām problēmām, uz kurām jākoncentrējas, lai nokļūtu AGI,” saka François Chollet, AI pētnieks, kurš izstrādāja Arc 3 – etalonu, kas paredzēts mūsdienu AI algoritmu spēju pārbaudīšanai. Chollet pēta arī jaunas pieejas mašīnu apguvei un izmanto savu etalonu, lai pārbaudītu modeļu spējas, lai iemācītos atrisināt nepazīstamas problēmas, nevis vienkārši imitēt iepriekšējos piemērus.
“Darbs mani uzskata par ļoti oriģinālu, kas ir lieliski,” viņš saka. “Mums ir nepieciešams vairāk cilvēku, kas izmēģina jaunas idejas no lielo valodu modeļu un argumentācijas valodu modeļu pārspētā ceļa.”
Mūsdienu AI paļaujas uz mākslīgajiem neironu tīkliem, kurus aptuveni iedvesmo smadzeņu vadi, wager darbojas principiāli atšķirīgā veidā. Pēdējā desmitgadē un mazliet dziļā mācīšanās, pieeja, kas izmanto neironu tīklus, ir ļāvusi datoriem veikt visdažādākās lietas, ieskaitot runu transkripciju, atpazīt sejas un ģenerēt attēlus. Pavisam nesen, protams, dziļā mācīšanās ir novedusi pie lielo valodu modeļiem, kas darbina graujošus un arvien spējīgākus tērzēšanas robotus.
Aksioma teorētiski sola efektīvāku pieeju AI veidošanai no nulles. Tas varētu būt īpaši efektīvs, lai izveidotu aģentus, kuriem efektīvi jāiemācās no pieredzes, saka Gabe René, Perses izpilddirektors. Renē saka, ka viens finanšu uzņēmums ir sācis eksperimentēt ar uzņēmuma tehnoloģiju kā tirgus modelēšanas veidu. “Tā ir jauna AI aģentu arhitektūra, kas var mācīties reālā laikā un ir precīzāka, efektīvāka un daudz mazāka,” saka Renē. “Tie ir burtiski veidoti kā digitālās smadzenes.”
Nedaudz ironiski, ņemot vērā, ka Axiom piedāvā alternatīvu mūsdienu AI un dziļajai mācībai, brīvās enerģijas principu sākotnēji ietekmēja Lielbritānijas Kanādas datorzinātnieka Džefrija Hintona darbs, kuram tika piešķirta gan Tēringa balva, gan Nobela prēmija par viņa novatorisko darbu pie dziļas mācīšanās. Hintons gadiem ilgi bija Friston’s kolēģis Londonas Universitātes koledžā.
Lai uzzinātu vairāk par Fristonu un bezmaksas enerģijas principu, es ļoti iesaku šo 2018. gada vadu rakstu. Fristona darbs ietekmēja arī aizraujošu jaunu apziņas teoriju, kas aprakstīta grāmatā, kas tika apskatīta 2021. gadā.
