W klasycznym eksperymencie przeprowadzonym przez psychologów Felixa Warnekena i Michaela Tomasello na temat społeczności ludzkich
Wtedy dzieje się coś niesamowitego:dzieciak oferuje pomoc. Po zidentyfikowaniu celu osoby dziecko podchodzi do szafy i otwiera jej drzwi, pozwalając mężczyźnie włożyć książki do środka. Ale jak maluch z tak ograniczonym doświadczeniem życiowym może wyciągnąć taki wniosek?
Ostatnio informatycy skierowali to pytanie do komputerów: Jak maszyny mogą robić to samo?
Krytyczny element formytakie rozumienie jest błędem. Tak jak maluch może tylko wnioskować o celu człowieka na podstawie jego niepowodzeń, tak maszyny, które określają cele człowieka, muszą uwzględniać nasze błędne działania i plany.
Próbując odtworzyć tę inteligencję społecznąw maszynach naukowcy z Laboratorium Informatyki i Sztucznej Inteligencji Instytutu Technologii Massachusetts (CSAIL) oraz Wydziału Nauk o Mózgu i Poznawaniu stworzyli algorytm zdolny do identyfikowania celów i planów, nawet jeśli plany te mogą się nie powieść.
Ostatecznie tego typu badania mogą byćsłuży do ulepszania szeregu technologii wspomagających, robotów do współpracy lub pielęgnacji oraz asystentów cyfrowych, takich jak Siri i Alexa.
„Agent” i „Obserwator” pokazują, jak noweAlgorytm MIT jest w stanie zidentyfikować cele i plany, nawet jeśli te plany mogą się nie powieść. Tutaj agent tworzy błędny plan dotarcia do niebieskiego klejnotu, który obserwator uważa za możliwy. Źródło: Massachusetts Institute of Technology
„Ta umiejętność uwzględniania błędów może miećkrytyczne dla budowania maszyn, które niezawodnie wyciągają wnioski i działają w naszym imieniu, wyjaśnia dr Tang Chih-Xuan, student Massachusetts Institute of Technology (MIT) i główny autor nowego artykułu badawczego. „W przeciwnym razie systemy sztucznej inteligencji mogą błędnie dojść do wniosku, że ponieważ nie udało nam się osiągnąć celów wyższego rzędu, cele te byłyby ostatecznie niepożądane”.
Aby stworzyć swój model, zespół użyłGen, nowa platforma programistyczna AI opracowana niedawno w MIT w celu połączenia symbolicznego planowania AI z wnioskami bayesowskimi. Wnioskowanie bayesowskie zapewnia optymalny sposób łączenia niepewnych przekonań z nowymi danymi i jest szeroko stosowane do oceny ryzyka finansowego, testów diagnostycznych i prognozowania wyborów.
Podczas tworzenia algorytmu „Wyszukiwanie sekwencyjneNaukowcy ds. Planowania odwrotnego (SIPS) zainspirowali ogólny sposób planowania człowieka, który jest w dużej mierze nieoptymalny. Osoba może nie planować wszystkiego z góry, ale raczej tworzyć plany częściowe, wykonywać je i na podstawie nowych wyników ponownie planować. Chociaż może prowadzić do błędów wynikających z niedostatecznego myślenia „z wyprzedzeniem”, ten typ myślenia zmniejsza obciążenie poznawcze.
Naukowcy mają nadzieję, że ich badania położą podwalinynowe ramy filozoficzne i koncepcyjne potrzebne do stworzenia maszyn, które naprawdę rozumieją ludzkie cele, plany i wartości. Nowe podstawowe podejście polegające na modelowaniu ludzi jako niedoskonałych myślicieli wydaje się inżynierom bardzo obiecujące.
Czytaj także
20 nowych gatunków zwierząt i roślin znalezionych w Andach
W kosmosie są autostrady do szybkiej podróży. Jak zmienią się loty?
Nazwany rośliną, która nie boi się zmian klimatycznych. Karmi miliard ludzi