Hatóanyagot Emlékezz, de még mindig a Magic: The Gathering-nál összezúzza

A neurális hálózatok kulcsfontosságúak az A.I. Elon Musk szerint az egész emberiség jövője. Szerencsére a Google DeepMind éppen csak megrepedtette a kódot, hogy a neurális hálózatokat sokkal intelligensebbé tegye a belső memóriával.

Egy tanulmányban, melyet a Természet október 12-én a DeepMind megmutatta, hogyan lehet kombinálni a neurális hálózatokat és a memóriarendszereket, hogy olyan gépi tanulást hozzanak létre, amely nemcsak a tudást tárolja, hanem azt is, hogy a körülményektől függően okosan használja. Az egyik legnagyobb kihívás az A.I. megismeri a dolgokat. Úgy tűnik, egy lépéssel közelebb vagyunk ahhoz, hogy ezt elérjük.

A differenciálható neurális számítógépek (DNC-k), a továbbfejlesztett neurális hálózatok a számítógéphez hasonlóan működnek. A számítógépnek van egy processzora a feladatok elvégzésére (egy neurális hálózat), de egy memóriarendszer szükséges ahhoz, hogy a processzor különböző adatpontokból (a DNC-ből) algoritmusokat hajtson végre.

A DeepMind innovációja előtt a neurális hálózatoknak külső memóriára kellett támaszkodniuk, hogy ne zavarják a hálózat neuron aktivitását.

Külső memória nélkül a neurális hálózatok csak az ismert információkon alapuló megoldást képesek megmagyarázni. Nagyobb mennyiségű adatra és gyakorlatra van szükségük ahhoz, hogy pontosabbak legyenek. Mint egy új nyelvet tanuló ember, valóban időbe telik, amíg a neurális hálózatok intelligensek lesznek. Ugyanezen okból kifolyólag a DeepMind neurális hálózata nagyszerű a Go-on, de a szörnyűségnél a Magic: Neural hálózatok egyszerűen nem tudnak elég változókat feldolgozni memória nélkül.

A memória lehetővé teszi a neurális hálózatok változóinak beépítését és az adatok gyors elemzését, hogy képesek legyenek olyan bonyolult grafikonokat ábrázolni, mint a londoni metró, és konkrét adatpontok alapján következtetéseket vonhat le. A DeepMind tanulmányában megállapították, hogy egy DNC önállóan megtanulhat válaszolni a leggyorsabb úticélok közötti kérdésekre, és hogy az út melyik helyen végződik az újonnan bemutatott grafikon és más közlekedési rendszerek ismereteinek felhasználásával. A családfából származó viszonyokat a fa kivételével nem lehet bemutatni. A DNC-nek sikerült teljesítenie a célt egy adott feladathoz anélkül, hogy a hagyományos neurális hálózathoz szükséges további adatpontokat táplálná.

Bár ez nem tűnik szörnyen lenyűgözőnek (a Google Térkép már elég jó a leghatékonyabb útvonal kiszámításához valahol), a technológia óriási lépés az A.I. Ha úgy gondolja, hogy a prediktív keresés hatékony (vagy hátborzongató), képzelje el, milyen jó lehet a neurális hálózati memóriában. Amikor a Ben nevet keresve keresed a Facebook-ot, tudni fogja, hogy csak egy közös barátod oldalán voltál, és egy képet nézett róla, hogy Benet az Ben utcától nem az általános iskolából.

Természetes nyelvtanulás A.I. végül elegendő kontextus van ahhoz, hogy mind a nyelv nyelvén működjön Wall Street Journal és meg tudja érteni a Black Twitteret. Siri megértette, hogy Pepe a béka több, mint egy képregény karakter, mert minden olvasott fordítottja cikket.

„A leginkább lenyűgözte a hálózat azon képessége, hogy példákból megtanulja az algoritmusokat” - mondta Brenden Lake, a New York-i Egyetem kognitív tudósa. Technológiai felülvizsgálat. „Az algoritmusok, mint például a legrövidebb utak válogatása vagy megtalálása, a klasszikus számítástechnika kenyere és vaj. Hagyományosan megkövetelik a programozót, hogy tervezzen és hajtson végre. ”

A.I. a kontextus megértésének képessége lehetővé teszi, hogy kihagyja a programozott algoritmusok szükségességét.

Míg a DeepMind DNC nem az első kísérlet a neurális memóriában, ez a legfejlettebb. Ez azt jelenti, hogy a neurális hálózat még mindig a korai szakaszában van, és hosszú utat kell tennie, mielőtt az emberi szinten tanulna. A kutatóknak még mindig meg kell mutatniuk, hogyan lehet a rendszerek feldolgozásának növelését úgy, hogy minden memóriát gyorsan be tudjon szkennelni és kiszámítani.

Mostanra az emberek uralkodnak a legfelsőbb neurológiailag.