Pētnieki iemāca mākslīgajam intelektam domāt kā zīdainim, un rezultāti ir aizraujoši
Foto: Shelby Miller / cc

Pasaulē, kurā čum un mudž krasi pretēji viedokļi, pievērsīsim uzmanību kaut kam, par ko visi varam vienoties. Ja es tev parādu pildspalvu, bet pēc tam to paslēpju sev aiz muguras, pildspalva aizvien eksistē. Pat, ja tu to vairs nevari saskatīt. Mēs visi esam vienisprātis, ka tā nepārstāja eksistēt, turklāt tai droši vien nav mainījusies nedz forma, nedz krāsa. Tas vienkārši ir veselais saprāts.

close-ad
Saturs turpināsies pēc reklāmas
Reklāma

Šādi universāli veselā saprāta principi par fizisko pasauli cilvēkiem ir universāli saprotami. Pat divus mēnešus veciem zīdaiņiem piemīt šī spēja. Taču zinātnieki aizvien lauza galvu par dažiem aspektiem, kā mēs līdz šādai fundamentālai lietu izpratnei nonākam. Turklāt mums vēl nav izdevies uzbūvēt tādu datoru, kas varētu turēt līdzi zīdaiņa veselā saprāta spējām.

Jaunā pētījumā, ko veicis Luiss Piloto un kolēģi no Prinstonas Universitātes un kuru es recenzēju publikācijai žurnālā "Nature Human Behaviour", sperts solis pretī šīs nepilnības risināšanai. Pētnieki izstrādāja dziļās mašīnmācīšanās mākslīgā intelekta sistēmu, kas spēja apgūt dažas veselā saprāta diktētas likumsakarības par fizisko pasauli. Šie atklājumi ļaus izstrādāt labākus datormodeļus – pieejot uzdevumam ar tiem pašiem sākotnējiem pieņēmumiem, kā to darītu zīdainis, var labāk simulēt cilvēka prāta darbību.

Bērnišķīga uzvedība

Ierasti mākslīgā intelekta modeļi sāk "no baltas lapas" un tiek apmācīti ar milzīgām datu kopām, izmantojot daudz un dažādus piemērus, no kuriem modelis būvē savu zināšanu bāzi. Taču zīdaiņu uzvedības pētījumi liecina, ka bērni gluži šādi nepieiet problēmu risināšanai. Tā vietā, lai apgūtu pilnīgi visu no nulles, zīdaiņiem jau ir vairākas principiālas ekspektācijas par pasauli un objektiem.

Piemēram, ja bērni pievērš uzmanību objektam, kas pēc tam tiek paslēpts aiz cita objekta, tad bērni sagaida, ka šis objekts tomēr turpina eksistēt. Tas ir viens no pamata pieņēmumiem, kas mudina domāt pareizajā virzienā. Ar laiku un pieredzi šīs zināšanas uzlabojas. Piloto un kolēģu aizraujošais atklājums ir – mākslīgā intelekta sistēma, kas ir modelēta pēc bērnu pasaules uztveres (proti, tai ir zināmas ekspektācijas), ir spējīgāka par sistēmām, kas sāk "no baltas lapas" un mācās tikai no pieredzēm.

Slīdoši kubiņi

Pētnieki salīdzināja abas pieejas. Mākslīgā intelekta modeļa apmācīšanas datu kopa bija dažādas animācijas ar objektiem. Daļā piemēru pa slīpumu lejā slīdēja kubiņš. Citos piemēros pret sienu atsitās bumba. Modelis, kas sāka mācīties no nulles, reģistrēja objektu stāvokļa izmaiņas šo mijiedarbību laikā un tad, balstoties uz iepriekšējiem piemēriem, prognozēja, kā noteiktas formas objekti uzvedīsies vizualizācijās, ar kurām algoritms iepriekš nebija saskāries. Tad rezultāti tika salīdzināti ar algoritmu, kurā jau sākumā bija iestrādātas ekspektācijas par to, kā pēc veselā saprāta principiem objektiem būtu jākustas.

Šīs ekspektācijas tika aizgūtas no zīdaiņu izpratnes par objektiem un to mijiedarbību. Piemēram, zīdaiņi arī bez iepriekšējas pieredzes sagaida, ka divi objekti cits citam nevar tā vienkārši iziet cauri. Ja mazulim parāda veiklu burvju triku, kur šis princips šķietami tiek pārkāpts, bērni labi saprot, ka kaut kas nav īsti pareizi. Pētnieki to ir noskaidrojuši, vērojot zīdaiņu reakciju šādos gadījumos. Kad darbības iznākums nesakrīt ar bērna ekspektācijām, viņi darbībai pievērš uzmanību daudz ilgāk nekā tad, ja iznākums pēc veselā saprāta ir sagaidāms (piemēram, divi klucīši viens ar otru saskaras, nevis iziet viens otram cauri).

Tāpat zīdaiņi arī saprot, ka objekti nevar tā vienkārši uzrasties no nekurienes vai pēkšņi pārstāt eksistēt. Līdzīgi kā augstāk minētajā piemērā, ja "kaut kas īsti neštimmē", bērni reaģē citādāk, jo viņu ekspektācijas nesakrīt ar redzēto.

Piloto un kolēģi secināja, ka mākslīgā intelekta modelis, kas sāka mācīties bez iepriekšējiem pieņēmumiem, arī ar prognozēm tika galā labi, taču modelis, kurā bija iestrādātas zīdaiņa uztverei līdzīgas ekspektācijas, bija daudz spējīgāks. Tas spēja precīzāk prognozēt objektu kustību pēc mijiedarbības, precīzāk noteikt, kā iepriekš neredzētajās animācijās "uzvedīsies" kubi un bumbas, kā arī spēja šīs prasmes apgūt daudz ātrāk un ar mazāku paraugdatu kopu.

Iedzimta izpratne?

Ir skaidrs, ka mācīties laika gaitā un no iepriekšējām pieredzēm ir ļoti svarīgi, taču tas nav viss stāsts. Pilato ar kolēģiem sniedz labu ieskatu mūžsenajā jautājumā par to, ko cilvēki iemācās dzīves laikā un kas cilvēkiem ir iedzimtas zināšanas.

Tas arī paplašina apvāršņus izpratnē par to, kā šāda pieeja var noderēt mašīnmācīšanās sistēmu izstrādē un kā šķietami tik nesaistītas lietas kā zīdaiņu uzvedības izzināšana var palīdzēt radīt mākslīgā intelekta sistēmas, kas precīzāk simulēs cilvēka prāta darbību.

--

Šis raksts ir pārpublicēts no "The Conversation" saskaņā ar "Creative Commons" licenci un autores atļauju. Visu rakstu oriģinālvalodā var lasīt vietnē "The Conversation".

Raksta autore ir Ziemeļrietumu Universitātes (ASV) Psiholoģijas departamenta profesore Sūzena Hesposa (Susan Hespos).

Ja esi ISIC vai ITIC kartes īpašnieks, iegādājies "Delfi Abonementu" par īpašu cenu – 1 eiro uz 4 nedēļām. Vairāk par piedāvājumu uzzini šeit.

Tags

Datorzinātne Neirozinātne Mašīnmācīšanās Informācijas tehnoloģijas Mākslīgais intelekts Prāts Psiholoģija
53545769
Tehnoloģijas
Publikācijas saturs vai tās jebkāda apjoma daļa ir aizsargāts autortiesību objekts Autortiesību likuma izpratnē, un tā izmantošana bez izdevēja atļaujas ir aizliegta. Vairāk lasi šeit.
Lasi vēl
 

Comment Form