Sidste år slog den kunstige intelligens AlphaGo verdensmesteren i spillet for første gang. Denne sejr var hidtil uset og uventet i betragtning af den store vanskelighed ved det kinesiske brætspil. Mens AlphaGos sejr bestemt var imponerende, betragtes denne AI, der har slået andre mestre af Go siden da, stadig som en "smal" type AI - en, der kun kan overgå mennesker inden for et begrænset felt af opgaver.
Så selvom vi næppe vil være i stand til at slå en computer i Go eller skak uden at ty til hjælp fra en anden computer, kan vi heller ikke stole på dem til rutinemæssige opgaver. AI vil ikke lave dig te eller planlægge MOT til din bil.
I modsætning hertil fremstilles AI ofte i science fiction som "generel" kunstig intelligens. Det vil sige kunstig intelligens med samme niveau og variation som et menneske. Selvom vi allerede har forskellige typer kunstig intelligens, der kan gøre alt fra at diagnosticere sygdomme til at køre vores biler, har vi endnu ikke været i stand til at finde ud af, hvordan vi kan integrere dem på et mere generelt niveau.
Sidste uge præsenterede DeepMind-forskere flere artikler, der hævder at lægge grundlaget for generel kunstig intelligens. Selvom der endnu ikke er nogen konklusioner, er de første resultater opmuntrende: På nogle områder har AI allerede overgået mennesker med evner.
Begge DeepMinds arbejde fokuserer på relativ ræsonnement, en kritisk kognitiv evne, der giver folk mulighed for at sammenligne mellem forskellige objekter eller ideer. For at sammenligne, hvilket objekt der er større eller mindre, hvilket er til venstre og hvilket er til højre. Folk bruger relativ (eller relationelt) resonnement hver gang de prøver at løse et problem, men forskere har endnu ikke fundet ud af, hvordan man giver AI denne vildledende enkle evne.
DeepMind-forskere har valgt to forskellige ruter. Nogle trænede et neuralt netværk - en type AI-arkitektur modelleret efter en menneskelig hjerne - ved hjælp af en database med enkle, statiske 3D-objekter kaldet CLEVR. Et andet neuralt netværk blev lært at forstå, hvordan et todimensionalt objekt ændrer sig over tid.
I CLEVR blev et neuralt netværk repræsenteret af et sæt enkle design såsom pyramider, terninger og kugler. Videnskabsmænd stillede derefter spørgsmål om kunstig intelligens på naturligt sprog, såsom "er en terning lavet af det samme materiale som en cylinder?" Forbløffende var det neurale netværk i stand til korrekt at estimere de relationelle egenskaber ved CLEVR i 95,5% af tilfældene og overgå endda et menneske med dens 92,6% nøjagtighed i denne parameter.
I den anden test skabte DeepMind-forskere et neuralt netværk af Visual Interaction Network (VIN), der blev trænet til at forudsige fremtidens tilstande for et objekt på video, afhængigt af dets tidligere bevægelser. For at gøre dette fodrede forskerne først VIN tre på hinanden følgende videorammer, som netværket oversatte til kode. I denne kode var der en liste over vektorer - hastighed eller placering af et objekt - for hvert objekt i rammen. VIN'en blev derefter fodret med en sekvens af andre koder, der kombinerede for at forudsige koden for den næste ramme.
Salgsfremmende video:
For at træne VIN anvendte forskere fem forskellige typer fysiksystemer, hvor 2D-genstande bevægede sig på baggrund af "naturlige billeder" og kolliderede med forskellige kræfter. For eksempel interagerede de simulerede objekter i et fysisk system med hinanden i overensstemmelse med Newtons gravitation. I et andet blev et neuralt netværk præsenteret for billard og lavet til at forudsige boligens fremtidige placering. Ifølge forskere har VIN-netværket succes med at forudsige objekterne i videoen.
Dette arbejde repræsenterer et vigtigt skridt mod generel AI, men der er stadig meget, der skal gøres, før kunstig intelligens kan overtage verden. Desuden indebærer overmenneskelig præstation ikke overmenneskelig intelligens.
Ikke endnu, alligevel.
ILYA KHEL
