Σε ένα κλασικό πείραμα των ψυχολόγων Felix Warneken και Michael Tomasello για τα ανθρώπινα κοινωνικά
Τότε κάτι καταπληκτικό συμβαίνει:το παιδί προσφέρει βοήθεια. Έχοντας εντοπίσει τον σκοπό του ατόμου, το μωρό πηγαίνει στην ντουλάπα και ανοίγει τις πόρτες του, επιτρέποντας στον άντρα να βάλει τα βιβλία του μέσα. Αλλά πώς μπορεί ένα μικρό παιδί με τόσο περιορισμένη εμπειρία ζωής να κάνει ένα τέτοιο συμπέρασμα;
Πρόσφατα, οι επιστήμονες υπολογιστών έχουν ανακατευθύνει αυτήν την ερώτηση σε υπολογιστές: Πώς μπορούν οι μηχανές να κάνουν το ίδιο;
Ένα κρίσιμο συστατικό που πρέπει να σχηματιστείτέτοια κατανόηση είναι λάθη. Ακριβώς όπως ένα μικρό παιδί μπορεί να συμπεράνει μόνο τον στόχο ενός ατόμου με βάση τις αποτυχίες του, οι μηχανές που καθορίζουν τους στόχους ενός ατόμου πρέπει να λαμβάνουν υπόψη τις εσφαλμένες ενέργειες και τα σχέδιά μας.
Σε μια προσπάθεια αναδημιουργίας αυτής της κοινωνικής νοημοσύνηςσε μηχανές, οι ερευνητές στο Εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης του Ινστιτούτου Τεχνολογίας της Μασαχουσέτης (CSAIL) και το Τμήμα Εγκέφαλου και Γνωστικών Επιστημών έχουν δημιουργήσει έναν αλγόριθμο ικανό να εντοπίσει στόχους και σχέδια, ακόμη και αν αυτά τα σχέδια ενδέχεται να αποτύχουν.
Αυτός ο τύπος έρευνας μπορεί τελικά να είναιχρησιμοποιείται για την ενίσχυση μιας σειράς βοηθητικών τεχνολογιών, ρομπότ συνεργασίας ή φροντίδας και ψηφιακών βοηθών όπως το Siri και το Alexa.
Το "Agent" και το "Observer" δείχνουν πόσο νέοο αλγόριθμος MIT είναι ικανός να καθορίζει στόχους και σχέδια ακόμη και αν αυτά τα σχέδια ενδέχεται να αποτύχουν. Εδώ ο πράκτορας κάνει ένα ελαττωματικό σχέδιο για να φτάσει στο μπλε στολίδι που ο παρατηρητής θεωρεί πιθανό. Πίστωση: Ινστιτούτο Τεχνολογίας της Μασαχουσέτης
«Αυτή η ικανότητα να λογοδοτούμε για σφάλματα μπορεί να έχειζωτικής σημασίας για την κατασκευή μηχανών που εξάγουν αξιόπιστα συμπεράσματα και ενεργούν για λογαριασμό μας, εξηγεί ο Tang Chih-Xuan, Ph.D., φοιτητής στο Massachusetts Institute of Technology (MIT) και επικεφαλής συγγραφέας μιας νέας ερευνητικής εργασίας. "Διαφορετικά, τα συστήματα τεχνητής νοημοσύνης μπορεί να καταλήξουν κατά λάθος ότι επειδή αποτύχαμε να επιτύχουμε τους στόχους υψηλότερης τάξης, αυτοί οι στόχοι ήταν τελικά ανεπιθύμητοι."
Για να δημιουργήσουν το μοντέλο τους, η ομάδα χρησιμοποίησεGen, μια νέα πλατφόρμα προγραμματισμού AI που αναπτύχθηκε πρόσφατα στο MIT για να συνδυάσει τον συμβολικό σχεδιασμό AI με την εκτίμηση του Bayesian. Το Bayesian συμπεράσματα παρέχει έναν βέλτιστο τρόπο για να συνδυάσετε αβέβαιες πεποιθήσεις με νέα δεδομένα και χρησιμοποιείται ευρέως για την εκτίμηση χρηματοοικονομικού κινδύνου, τις διαγνωστικές δοκιμές και τις εκλογές
Κατά τη δημιουργία του αλγορίθμου "Διαδοχική αναζήτησηΟι επιστήμονες του Αντίστροφου Σχεδιασμού (SIPS) έχουν εμπνεύσει έναν γενικό τρόπο ανθρώπινου σχεδιασμού που είναι σε μεγάλο βαθμό μη βέλτιστος. Ένα άτομο μπορεί να μην σχεδιάσει τα πάντα εκ των προτέρων, αλλά μάλλον να διαμορφώσει μερικά σχέδια, να τα εφαρμόσει και, με βάση νέα αποτελέσματα, να κάνει ξανά σχέδια. Ενώ μπορεί να οδηγήσει σε σφάλματα λόγω ανεπαρκούς σκέψης «εκ των προτέρων», αυτός ο τύπος σκέψης μειώνει το γνωστικό φορτίο.
Οι επιστήμονες ελπίζουν ότι η έρευνά τους θα βάλει τις βάσειςνέα φιλοσοφικά και εννοιολογικά πλαίσια που απαιτούνται για τη δημιουργία μηχανών που κατανοούν πραγματικά τους ανθρώπινους στόχους, σχέδια και αξίες. Η νέα βασική προσέγγιση της μοντελοποίησης των ανθρώπων ως ατελών στοχαστών φαίνεται πολλά υποσχόμενη στους μηχανικούς.
Διαβάστε επίσης
20 νέα είδη ζώων και φυτών βρέθηκαν στις Άνδεις
Υπάρχουν αυτοκινητόδρομοι στο διάστημα για γρήγορο ταξίδι. Πώς θα αλλάξουν οι πτήσεις;
Ονομάστηκε ένα φυτό που δεν φοβάται την κλιματική αλλαγή. Τρέφει ένα δισεκατομμύριο ανθρώπους