Alternativa hlubokého učení může pomoci agentům AI hrát skutečný svět

Nový stroj Přístup k učení, který vyvolává inspiraci z toho, jak se zdá, že lidský mozek modeluje a dozví se o světě, se ukázal jako schopný zvládnout řadu jednoduchých videoher s působivou efektivitou.

Nový systém zvaný Axiom nabízí alternativu k umělým neuronovým sítím, které jsou v moderní AI dominantní. Axiom, vyvinutá softwarovou společností s názvem Verse AI, je vybavena předchozími znalostmi o způsobu, jakým objekty fyzicky vzájemně interagují ve světě her. Poté použije algoritmus k modelování toho, jak očekává, že hra bude působit v reakci na vstup, která je aktualizována na základě toho, co pozoruje – proces nazývaný aktivní odvození.

Tento přístup čerpá inspiraci z principu volné energie, teorie, která se snaží vysvětlit inteligenci pomocí principů čerpaných z matematiky, fyziky a teorie informací a biologie. Princip volné energie vyvinul Karl Friston, renomovaný neurovědec, který je hlavním vědcem ve verších „kognitivních výpočetních“ společnosti.

Friston mi řekl video z jeho domova v Londýně, že přístup může být zvláště důležitý pro budování agentů AI. „Musí podporovat druh poznání, které vidíme ve skutečných mozcích,“ řekl. „To vyžaduje zvážení, nejen o schopnosti učit se věci, ale ve skutečnosti se naučit, jak jednáte ve světě.“

Konvenční přístup k učení herní hry zahrnuje trénink neuronových sítí prostřednictvím toho, co se nazývá Deep Enforcement Learning, které zahrnuje experimentování a vyladění jejich parametrů v reakci na pozitivní nebo negativní zpětnou vazbu. Tento přístup může vytvořit algoritmy hrajícího nadlidské hry, ale vyžaduje to, aby fungovalo velké množství experimentování. Axiom Masters různé zjednodušené verze populárních videoher s názvem Drive, Bounce, Hunt a Jump pomocí mnohem méně příkladů a méně výpočetního výkonu.

„Obecné cíle přístupu a některé z jeho klíčových rysů sledují to, co považuji za nejdůležitější problémy, na které se musíme zaměřit na AGI,“ říká François Chollet, výzkumný pracovník AI, který vyvinul ARC 3, měřítko navrženou tak, aby otestovalo schopnosti moderních algoritmů AI. Chollet také zkoumá nové přístupy ke strojovému učení a využívá svůj benchmark k testování schopností modelů, aby se naučil, jak řešit neznámé problémy, spíše než jednoduše napodobit předchozí příklady.

„Práce mě zasáhne jako velmi originální, což je skvělé,“ říká. „Potřebujeme více lidí, kteří zkoušejí nové nápady daleko od zbité cesty velkých jazykových modelů a jazykových modelů.“

Moderní AI se spoléhá na umělé neuronové sítě, které jsou zhruba inspirovány zapojením mozku, ale fungují zásadně odlišným způsobem. Během posledního desetiletí a trochu hlubokého učení, přístup, který používá neuronové sítě, umožnil počítačům dělat nejrůznější věci, včetně přepisu řeči, rozpoznávání tváří a generování obrázků. Naposledy samozřejmě hluboké učení vedlo k velkým jazykovým modelům, které pohánějí chatboty a stále více schopné chatboty.

Axiom teoreticky slibuje efektivnější přístup k budování AI od nuly. Může to být zvláště efektivní pro vytváření agentů, kteří se musí ze zkušeností efektivně učit, říká Gabe René, generální ředitel veršů. René říká, že jedna finanční společnost začala experimentovat s technologií společnosti jako způsob modelování trhu. „Je to nová architektura pro agenty AI, které se mohou učit v reálném čase a je přesnější, efektivnější a mnohem menší,“ říká René. „Jsou doslova navrženy jako digitální mozek.“

Je ironií, že vzhledem k tomu, že Axiom nabízí alternativu k modernímu AI a hlubokému učení, byl princip volné energie původně ovlivněn prací britského kanadského počítačového vědce Geoffrey Hintona, který získal Turingovu cenu i Nobelovu cenu za jeho průkopnickou práci. Hinton byl po celá léta kolegou Fristona na University College London.

Pro více informací o Fristonu a principu bezplatné energie vřele doporučuji tento článek z kabelového celovečerního filmu z roku 2018. Fristonova práce také ovlivnila vzrušující novou teorii vědomí, popsanou v knize kabelové recenze v roce 2021.