In einem klassischen Experiment der Psychologen Felix Warneken und Michael Tomasello
Dann passiert etwas Erstaunliches:Kind bietet Hilfe an. Nachdem das Baby den Zweck der Person identifiziert hat, geht es zum Schrank und öffnet seine Türen, damit der Mann seine Bücher hineinlegen kann. Aber wie kann ein Kleinkind mit solch begrenzter Lebenserfahrung eine solche Schlussfolgerung ziehen?
Kürzlich haben Informatiker diese Frage an Computer weitergeleitet: Wie können Maschinen dasselbe tun?
Eine kritische Komponente zu bildenEin solches Verständnis sind Fehler. So wie ein Kleinkind das Ziel einer Person nur aufgrund seiner Fehler ableiten kann, müssen die Maschinen, die die Ziele einer Person bestimmen, unsere fehlerhaften Handlungen und Pläne berücksichtigen.
Um diese soziale Intelligenz wiederherzustellenIn Maschinen haben Forscher des Laboratoriums für Informatik und künstliche Intelligenz (CSAIL) des Massachusetts Institute of Technology und des Department of Brain and Cognitive Sciences einen Algorithmus entwickelt, mit dem Ziele und Pläne identifiziert werden können, selbst wenn diese Pläne fehlschlagen könnten.
Diese Art der Forschung kann letztendlich seinWird verwendet, um eine Reihe von Hilfstechnologien, Kollaborations- oder Pflegerobotern und digitalen Assistenten wie Siri und Alexa zu verbessern.
"Agent" und "Observer" zeigen, wie neuDer MIT-Algorithmus kann Ziele und Pläne bestimmen, selbst wenn diese Pläne fehlschlagen könnten. Hier macht der Agent einen fehlerhaften Plan, um den blauen Edelstein zu erreichen, den der Beobachter für möglich hält. Bildnachweis: Massachusetts Institute of Technology
„Diese Fähigkeit, Fehler zu berücksichtigen, kann habenTang Chih-Xuan, Ph.D., Student am Massachusetts Institute of Technology (MIT) und Hauptautor eines neuen Forschungspapiers, ist für den Bau von Maschinen von entscheidender Bedeutung, die zuverlässig Schlussfolgerungen ziehen und in unserem Namen handeln. "Andernfalls könnten KI-Systeme fälschlicherweise zu dem Schluss kommen, dass diese Ziele letztendlich unerwünscht waren, weil wir unsere Ziele höherer Ordnung nicht erreicht haben."
Um ihr Modell zu erstellen, verwendete das TeamGen, eine neue KI-Programmierplattform, die kürzlich am MIT entwickelt wurde, um symbolische KI-Planung mit Bayes'scher Inferenz zu kombinieren. Die Bayes'sche Inferenz bietet eine optimale Möglichkeit, unsichere Überzeugungen mit neuen Daten zu kombinieren, und wird häufig für die Bewertung des finanziellen Risikos, diagnostische Tests und Wahlprognosen verwendet.
Beim Erstellen des Algorithmus "Sequentielle SucheReverse Planning (SIPS) “Wissenschaftler haben eine allgemeine Methode der menschlichen Planung inspiriert, die weitgehend nicht optimal ist. Eine Person plant möglicherweise nicht alles im Voraus, sondern erstellt Teilpläne, führt sie aus und erstellt auf der Grundlage neuer Ergebnisse erneut Pläne. Während dies aufgrund unzureichenden Denkens „im Voraus“ zu Fehlern führen kann, reduziert diese Art des Denkens die kognitive Belastung.
Die Wissenschaftler hoffen, dass ihre Forschung neue philosophische und konzeptionelle Grundlagen schaffen wird, die notwendig sind, um Maschinen zu schaffen, die wirklich verstehenEin neuer grundlegender Ansatz, um Menschen als unvollkommene Denker zu modellieren, scheint Ingenieuren sehr vielversprechend zu sein.
Lesen Sie auch
20 neue Tier- und Pflanzenarten in den Anden
Es gibt Autobahnen im Weltraum für schnelles Reisen. Wie werden sich Flüge ändern?
Benannt eine Pflanze, die keine Angst vor dem Klimawandel hat. Es ernährt eine Milliarde Menschen