A. I. Može se sjetiti, ali još uvijek bi ga slomila u Magic: The Gathering

Neuronske mreže su ključne za budućnost A.I. i, prema Elonu Musku, budućnost cijelog čovječanstva. Srećom, Googleov DeepMind je upravo razbio kôd kako bi neuronske mreže učinio mnogo pametnijim tako što im je dao internu memoriju.

U studiji objavljenoj u Priroda 12. listopada, DeepMind je pokazao kako se neuronske mreže i memorijski sustavi mogu kombinirati kako bi se stvorilo strojno učenje koje ne samo da pohranjuje znanje, nego ga brzo koristi i za utemeljenje na okolnostima. Jedan od najvećih izazova s ​​A.I. je zapamtiti stvari. Čini se da smo korak bliže tome.

Nazvani diferencijalni živčani računala (DNC), poboljšane neuronske mreže funkcioniraju slično računalu. Računalo ima procesor za izvršavanje zadataka (neuronska mreža), ali je potrebno da memorijski sustav za procesor izvodi algoritme iz različitih točaka podataka (DNC).

Prije DeepMindove inovacije, neuronske mreže morale su se oslanjati na vanjsku memoriju kako ne bi ometale neuronsku aktivnost mreže.

Bez ikakve vanjske memorije, neuronske mreže mogu samo zaključiti rješenje temeljeno na poznatim informacijama. Oni trebaju velike količine podataka i praksu kako bi postali točniji. Poput čovjeka koji uči novi jezik, zapravo je potrebno vrijeme da neuronske mreže postanu pametne. To je isti razlog zbog kojeg je neuronska mreža tvrtke DeepMind odlična u igri Go, ali užasna u strategiji zasnovanoj na igri Magic: Neuronske mreže jednostavno ne mogu obraditi dovoljno varijabli bez memorije.

Memorija omogućuje neuronskim mrežama da inkorporiraju varijable i brzo analiziraju podatke tako da mogu grafički prikazati nešto tako složeno kao londonski Underground i biti u mogućnosti donositi zaključke na temelju određenih točaka podataka. U DeepMindovoj studiji otkrili su da bi DNC mogao samostalno naučiti odgovoriti na pitanja o najbržim rutama između odredišta i na kojem bi se mjestu putovanje završilo samo pomoću novo predstavljenog grafikona i poznavanja drugih transportnih sustava. Također može zaključiti odnose s obiteljskog stabla bez prikazanih informacija osim stabla. DNC je bio u mogućnosti dovršiti cilj zadanom zadatku, a da nije dobio dodatne točke podataka koje bi trebala tradicionalna neuronska mreža.

Iako se to možda ne čini strašno impresivnim (Google Maps je već prilično dobar u izračunavanju najučinkovitijeg puta negdje), tehnologija je veliki korak za budućnost A.I. Ako mislite da je prediktivno pretraživanje učinkovito (ili jezivo), zamislite kako bi to moglo biti dobro u memoriji neuronske mreže. Kada pretražujete Facebook za ime Ben, to će znati po tome što ste upravo bili na stranici zajedničkog prijatelja gledajući njegovu sliku da misliš na Bena s ulice, a ne na Ben iz osnovne škole.

Učenje prirodnog jezika A.I. konačno imati dovoljno konteksta da djeluje na oba jezika Wall Street Journal i moći razumjeti Crni Twitter. Siri je mogla shvatiti da je Pepe the Frog više od običnog lika iz stripa jer je čitala svaki Inverzan članak o tome.

"Najviše me se dojmila sposobnost mreže da nauči" algoritme "iz primjera," rekla je Brenden Lake, kognitivni znanstvenik na Sveučilištu New York, Pregled tehnologije, „Algoritmi, kao što su sortiranje ili pronalaženje najkraćih putova, su kruh i maslac klasične računalne znanosti. Oni tradicionalno zahtijevaju programera da dizajnira i implementira. ”

Davanje A.I. mogućnost razumijevanja konteksta omogućuje joj da preskoči potrebu za programiranim algoritmima.

Dok DeepMind DNC nije prvi eksperiment u živčanom pamćenju, on je najsofisticiraniji. Međutim, neuronska mreža je još uvijek u ranim fazama i još je dug put prije nego što je na razini ljudskih znanja. Istraživači još uvijek moraju shvatiti kako povećati procesiranje sustava kako bi mogli skenirati i izračunati koristeći svaki dio memorije brzo.

Za sada, ljudi dobivaju da postanu vrhovni neurološki.