Máy tính có bao giờ học được giống như cách con người và động vật làm không?

Máy tính có bao giờ học được giống như cách con người và động vật làm không?

    Máy tính có bao giờ học được giống như cách con người và động vật làm không?

    No photo description available.

    bởi Greta Harrison, Đại học Nam California

    Các nhà nghiên cứu USC Viterbi đã hợp tác trong một nguồn tài nguyên mới cho tương lai của việc học AI, để xác định cách AI và robot có thể học và thích nghi như các sinh vật sống. Tín dụng: Pixabay

    Liệu một chiếc máy tính có thể vượt qua được một sinh vật sống hay không là một trong những thách thức quan trọng đối với các nhà nghiên cứu trong lĩnh vực Trí tuệ nhân tạo. Đã có những tiến bộ vượt bậc trong AI kể từ khi Alan Turing lần đầu tiên tạo ra cái mà bây giờ gọi là Thử nghiệm Turing — liệu một cỗ máy có thể biểu hiện hành vi thông minh tương đương hoặc không thể phân biệt được với con người hay không. Tuy nhiên, máy móc vẫn phải vật lộn với một trong những kỹ năng cơ bản mang tính tự nhiên thứ hai đối với con người và các dạng sống khác: học tập suốt đời. Đó là, học hỏi và thích nghi trong khi chúng ta đang thực hiện một nhiệm vụ mà không quên các nhiệm vụ trước đó hoặc chuyển trực giác kiến ​​thức thu thập được từ một nhiệm vụ sang một lĩnh vực khác.

    Giờ đây, với sự hỗ trợ của chương trình Máy học tập suốt đời DARPA (L2M), các nhà nghiên cứu USC Viterbi đã hợp tác với các đồng nghiệp tại các tổ chức từ khắp Hoa Kỳ và thế giới về một nguồn tài nguyên mới cho tương lai của học tập AI, xác định cách các hệ thống nhân tạo có thể suy nghĩ thành công , hành động và thích nghi trong thế giới thực, giống như cách mà các sinh vật sống làm.

    Bài báo được đồng tác giả bởi Giáo sư Kỹ thuật Điện và Máy tính của Trưởng khoa Alice Parker và Giáo sư Kỹ thuật Y sinh, Sinh học và Vật lý trị liệu, Francisco Valero-Cuevas và các nhóm nghiên cứu của họ, đã được xuất bản trên Nature Machine Intelligence, với sự cộng tác của Giáo sư Dhireesha Kudithipudi tại Đại học Texas ở San Antonio, cùng với 22 trường đại học khác.

    Nhóm nghiên cứu cũng bao gồm nhà nghiên cứu sau tiến sĩ tại ValeroLab, Ali Marjaninejad, Tiến sĩ Kỹ thuật Y sinh. ứng cử viên Darío Urbina, và Tiến sĩ Kỹ thuật Điện ứng cử viên Suraj Chakravarthi Raja. Công trình trước đây của ValeroLab trong lĩnh vực AI lấy cảm hứng từ sinh học bao gồm một chi robot do AI điều khiển được điều khiển bởi các gân giống động vật có thể học cách đi lại mà không cần biết trước.

    Valero-Cuevas cho biết mục đích của ấn phẩm này là cung cấp nguồn thông tin hữu ích cho các nhà nghiên cứu về AI trong nhiều thập kỷ tới, tập trung vào khái niệm học tập suốt đời trong các hệ thống nhân tạo. Bản thiết kế sẽ phác thảo sự phát triển của một loại trí thông minh máy móc mới sẽ là nền tảng cho công nghệ thế hệ tiếp theo như ô tô tự lái, robot tự động và máy bay không người lái, bộ phận giả thông minh, bộ xương ngoài và thiết bị đeo được.

    Học tập suốt đời là một tập hợp các khả năng được truyền cảm hứng từ sinh học mà chúng ta coi đó là điều hiển nhiên, chẳng hạn như khả năng có được các kỹ năng mới mà không ảnh hưởng đến các kỹ năng cũ, thích ứng với những thay đổi và áp dụng kiến ​​thức đã học trước đó vào các nhiệm vụ mới.

    “Cách bạn và tôi học là thông qua trải nghiệm, bắt chước và tự khám phá và chỉ vì bạn học một nhiệm vụ mới, không có nghĩa là bạn quên nhiệm vụ trước đó,” Valero-Cuevas nói. "Con người học trong công việc. Chúng ta xuất hiện và bắt đầu học và sau đó chúng ta biết cách làm. Máy móc thì chưa."

    Valero-Cuevas cho biết máy móc có thể được lập trình thông qua một thuật toán. Ví dụ, một chiếc xe tự lái có thể sử dụng các thuật toán được cung cấp dữ liệu từ các phương tiện khác để nó có thể học cách vận hành, trước khi được triển khai trên toàn thế giới.

    "Nhưng có một sự khác biệt rất rõ ràng giữa đào tạo và triển khai. Khi một máy được triển khai, nó không nhất thiết phải học và nếu bạn muốn dạy nó điều gì đó mới, thông thường bạn phải xóa bộ nhớ và nó quên cách thực hiện điều trước, "Valero-Cuevas nói.

    Đây là một vấn đề được gọi là "sự lãng quên thảm khốc", là một trong những thiếu sót quan trọng của các hệ thống AI hiện tại mà bản thiết kế mới nêu bật.

    "Là một con người, bạn có thể chỉ cho tôi cách chơi bóng bàn, sau đó tôi có thể sử dụng kỹ năng đó và chuyển nó để học cách chơi quần vợt hoặc cầu lông." Valero-Cuevas nói. "Hiện tại, một chiếc máy sẽ chỉ có thể được dạy cách chơi một môn thể thao dùng vợt, như bóng bàn. Nếu bạn muốn, chẳng hạn, chơi quần vợt đòi hỏi bạn phải sử dụng cơ thể của mình theo cách khác, bạn phải thay đổi chương trình. "

    Cùng với việc khắc phục yếu tố lãng quên thảm khốc, bản thiết kế của các nhà nghiên cứu đã phác thảo một loạt các năng lực khác cần thiết cho các hệ thống nhân tạo để đạt được khả năng học tập suốt đời giống như cách mà các sinh vật sống có thể làm được. Bao gồm các:

    Chuyển giao và thích ứng - khả năng chuyển giao và tái sử dụng kiến ​​thức cũng như thích ứng với môi trường mới.

    Khai thác tính tương đồng của nhiệm vụ — khả năng học nhiều nhiệm vụ và chuyển giao kiến ​​thức đó giữa chúng.

    Học theo Nhiệm vụ-Bất khả tri — hiểu khi nào trong quá trình đào tạo chuyển từ nhiệm vụ này sang nhiệm vụ khác mà không được yêu cầu.

    Khả năng chịu tiếng ồn — có thể hoàn thành nhiệm vụ tương tự trong tình huống thực tế khi các điều kiện khác với thời gian đào tạo (chẳng hạn như hoạt động vào ban đêm thay vì ban ngày).

    Hiệu quả và Bền vững của Nguồn lực — đảm bảo rằng không tác động tiêu cực đến dung lượng lưu trữ và làm chậm thời gian phản hồi của nó.

    Là một chuyên gia trong lĩnh vực mạch điện sinh học, Parker có lịch sử nghiên cứu lâu dài về việc nhìn vào não người để hiểu cách thức hoạt động của nó và kiến ​​thức này có thể được áp dụng vào các hệ thống nhân tạo như thế nào. Đối với bài báo mới nhất này, Parker đã đóng góp sự hiểu biết trong lĩnh vực điều hòa thần kinh: hệ thống trong não của sinh vật sống giúp cải thiện khả năng học tập, khắc phục chứng hay quên, thích nghi với môi trường không chắc chắn và hiểu được những thay đổi trong ngữ cảnh. Parker tập trung vào việc xây dựng các cấu trúc điện tử hỗ trợ các mạch thần kinh (điện tử mô phỏng bộ não) bằng cách bổ sung các đặc điểm sinh học không có trong phần cứng mạng thần kinh hiện có, nhưng hỗ trợ học tập suốt đời. Các tính năng này bao gồm tế bào hình sao — các tế bào não khác tương tác với các tế bào thần kinh để hỗ trợ học tập — và mã thần kinh — tăng đột biến và bùng phát truyền tải thông tin ở dạng mã hóa.

    Valero-Cuevas cho biết sự hợp tác này nhằm trở thành một nguồn tài nguyên toàn diện cho các nghiên cứu trong tương lai về học máy và AI.

    "Sinh học là nguồn cảm hứng. Ví dụ cuối cùng của việc học tập suốt đời là một hệ thống sinh học", Valero-Cuevas nói. "Những gì chúng tôi đang làm là xem xét tất cả những thứ mà các hệ thống sinh học có thể làm, mà chúng tôi vô cùng ghen tị và hỏi máy móc sẽ cần những gì để làm được điều đó."

    Ông nói: “Chúng tôi nghĩ rằng ít nhất một số cơ chế từ sinh học - những bài học kinh nghiệm qua hàng triệu năm tiến hóa - có thể được dịch và áp dụng bởi AI.

    Zalo
    Hotline