DeepMind навчає ШІ думати по-людськи.

У минулому році штучний інтелект AlphaGo вперше переміг чемпіона світу в грі го. Ця перемога стала безпрецедентною і несподіваною, з огляду на високу складність китайської настільної гри. Хоча перемога AlphaGo була виразно вражаючою, цей штучний інтелект, що з тих пір обіграв й інших чемпіонів го, все ще вважається «вузьким» типом ШІ – який може здолати людину лише в обмеженому полі завдань. 

Так що хоча ми вже навряд чи зможемо обіграти комп’ютер в го або шахи, не вдаючись до допомоги іншого комп’ютера, покластися на них в рутинних завданнях ми теж поки не можемо. ШІ зробить вам чай і не запланує ТО для вашого авто.

Попри це, ШІ часто зображується в науковій фантастиці як «загальний» штучний інтелект. Тобто штучний інтелект з тим же рівнем і різноманітністю, що і людина. Хоча у нас вже є штучні інтелекти різного типу, які можуть робити все, від діагностики хвороб до управління нашими автомобілями, з’ясувати, як інтегрувати їх на більш загальному рівні, ми поки не змогли.

Минулого тижня дослідники DeepMind представили кілька робіт, в яких заклали, як стверджують, основи для загального штучного інтелекту. Хоча висновків поки ніяких немає, перші результати обнадіюють: в деяких сферах ШІ вже перевершив людину за здібностями.

Предметом обох робіт DeepMind стало відносне міркування, критична когнітивна здатність, що дозволяє людям проводити порівняння між різними об’єктами або ідеями. Наприклад, порівнювати, який об’єкт більший або менший, який знаходиться зліва, а який – праворуч. Люди вдаються до відносного (або реляційного) міркування кожного разу, коли намагаються вирішити проблему, але вчені поки не з’ясували, як наділити ШІ цією оманливою простою здатністю.

Вчені з DeepMind вибрали два різні маршрути. Одні навчали нейронну мережу – типу архітектури ШІ, змодельованої за типом мозку людини – взявши за основу базу даних з простих, статичних 3D-об’єктів, під назвою CLEVR. Іншу нейронну мережу вчили розуміти, як змінюється двомірний об’єкт з часом.

У CLEVR нейронній мережі представляли набір прості проекти, такі як піраміди, куби і сфери. Вчені потім задавали питання природною мовою штучного інтелекту, такі як «чи складається куб з того ж матеріалу, що і циліндр?». Вражаюче, але нейронна мережа змогла правильно оцінити реляційні атрибути CLEVR в 95,5% випадків, перевершивши за цим параметром навіть людини з його 92,6% точності.

У другому випробуванні дослідники DeepMind створили нейронну мережу Visual Interaction Network (VIN), яку навчили передбачати майбутній стан об’єкту на відео, в залежності від його попередніх рухів. Для цього вчені спершу згодували VIN три послідовні кадри відео, які мережа перевела в код. У цьому коді був список векторів – швидкість або положення об’єкта – для кожного об’єкта в кадрі. Потім VIN згодували послідовність інших кодів, які в поєднанні дозволили спрогнозувати код для наступного кадру.

Для навчання VIN вчені використовували п’ять різних типів фізичних систем, в яких 2D-об’єкти рухалися на тлі «природних зображень» і стикалися з різними силами. Наприклад, в одній фізичній системі моделюючі об’єкти взаємодіяли між собою відповідно до закону тяжіння Ньютона. В іншій – нейронній мережі представили більярд і змусили передбачити майбутнє положення куль. За даними вчених, мережа VIN успішно впоралася з прогнозуванням поведінки об’єктів на відео.

Ця робота є важливим кроком у напрямку до загального ШІ, але ще багато роботи необхідно виконати, перш ніж штучний інтелект зможе захопити світ. І крім того, надлюдська продуктивність не має на увазі надлюдського інтелекту. Поки немає, в усякому разі.

• Автор: Оксана Максименко