Splošno

Umetna inteligenca za reševanje labirinta se uči uporabljati bližnjice

Umetna inteligenca za reševanje labirinta se uči uporabljati bližnjice



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Večina ljudi seveda išče najkrajšo pot med dvema točkama. Prihrani čas, energijo in pogosto glavobole, da najde najhitrejšo in najučinkovitejšo pot od točke A do točke B. Vendar ta spretnost ni več značilna za živa bitja. Skupina inženirjev je razvila program za umetno inteligenco, ki se je naučil iskati bližnjice skozi zapleten labirint.

Medtem ko so inženirji postavili temelje iskanju bližnjic AI, se je program učinkovito poučeval - razvijal je strukture in metode, podobne temu, kako ljudje razvijajo bližnjice pri lastnem reševanju problemov.

Študija je bila objavljena v najnovejši izdaji revije Nature, prihaja pa od raziskovalcev, povezanih s skupino DeepMind. To ime bi moralo zveneti ljubiteljem umetne inteligence. DeepMind je britansko podjetje za umetno inteligenco, odgovorno za AlphaGo - samouki računalniški sistem, ki je premagal nekatere najboljše svetovne igralce Go.

Ta posebna študija za umetno inteligenco pomeni nekaj več kot odličnost v igri. Raziskovalci DeepMind so odkrili, da je II, ko so trenirali gibanje skozi labirint, spontano spodbudil električno aktivnost, podobno tisti, ki jo najdemo v človeških možganih. Pri ljudeh ta dejavnost poteka v tako imenovanih „mrežnih celicah“. (Identifikacija teh celic je pred nekaj leti pripeljala do Nobelove nagrade.) Ta preboj bi lahko privedel do vse večjega potenciala sistemov umetne inteligence, da delujejo bistveno bolj "človeško".

"Dela na vrste stvari, ki jih počnejo živali, in sicer po neposrednih poteh, kjer je to mogoče, in po bližnjicah, ko so na voljo," je dejal Dharshan Kumaran, višji raziskovalec pri DeepMind. "Z mrežnimi celicami je njegova zmogljivost občutno izboljšana do te mere, da presega strokovnega človeškega igralca."

Nevroznanstvenik z univerze Johns Hopkins Francesco Savelli je razložil več o "možganih" umetne inteligence in njihovi arhitekturi. Savelli v tem članku ni sodeloval, ima pa obširno znanje o sistemih umetne inteligence. Ti sistemi nimajo povsem vsega, kar je potrebno za posnemanje raznolikosti resničnih nevronov, je v intervjuju za Phys.org povedal Savelli.

"Večina učenja naj bi se zgodila s krepitvijo in oslabitvijo teh sinaps," je v intervjuju dejal Savelli o povezavah med nevroni. "In to velja tudi za te sisteme umetne inteligence - toda natančno kako to počnete in pravila, ki urejajo tovrstno učenje, so lahko v možganih in teh sistemih zelo različna."

Ljudje (in večina drugih živali) nimajo težav s premikanjem, zahvaljujoč mrežnim celicam. Te celice telesu natančno povedo, kje je in kam gre. Raziskovalci DeepMind so se spraševali, ali bi lahko razvili umetno inteligenco, ki bi lahko ponovila ta postopek. Uporabljali so podgane, ki so iskale hrano v labirintu, da bi učili mrežo AI. Skupina je celo dodala sistemske podatke o tem, kako se je podgana gibala in kako hitro se je premikala, poleg vseh usmerjevalnih informacij o njenih poteh.

Skupina je opazila, da je simulirani glodalec, ki ga nadzoruje umetna inteligenca, razvil tiste mreže podobne celice - kljub temu, da mrežnih celic nikoli ni vključil v program.

"Pojav mrežam podobnih enot je impresiven primer poglobljenega učenja, ki dela tisto, kar najbolje uspeva: izumiti izvirno, pogosto nepredvidljivo notranjo predstavitev, ki bo pomagala rešiti nalogo," sta Savelli in sodelavec raziskovalec James Knierim povedala v komentarju na DeepMind paper .


Poglej si posnetek: Mentalno zdravje, digitalne odvisnosti in marihuana Matija Klasinc, dr. med. AIDEA Podkast #7 (Avgust 2022).