Contents
Deze blogpost is oorspronkelijk gepubliceerd door Bitfury. Het is hier herdrukt met toestemming van Bitfury.
AI heeft een aanzienlijke en ongelooflijke impact op de wereld om ons heen. Onlangs heeft een onderzoekscentrum kunstmatige intelligentie toegepast op röntgenfoto's van longen om kanker en COVID-19 nog eerder op te sporen, worden er serieuze stappen gezet in volledig autonome rijsystemen en gebruiken verschillende farmaceutische bedrijven AI om de ontwikkeling van geneesmiddelen en vaccins te versnellen. Alleen al uit deze voorbeelden is het duidelijk dat AI ons leven sneller verbetert dan welke eerdere technologie dan ook.
Als je echter beter kijkt naar de staat van AI op dit moment, zijn er twee grote obstakels voor de grotere adoptie:
- Reikwijdte: AI-toepassingen zijn momenteel erg smal – ze zijn geoptimaliseerd om specifieke taken op te lossen, in specifieke scenario's, maar kunnen niet worden gebruikt in algemene taken
- Leren: de AI van vandaag heeft een enorme hoeveelheid gegevens nodig om te worden getraind en moet in veel gevallen worden gecontroleerd om ervoor te zorgen dat ze correct presteren.
Om deze redenen zijn we ver verwijderd van wijdverbreid en holistisch gebruik van kunstmatige intelligentie. Helaas zijn deze systemen gewoon niet in staat om algemene taken uit te voeren, en in veel opzichten overtreffen mensen AI nog steeds bij het oplossen van complexe puzzels die gezond verstand en abstractie vereisen. Door slechts een paar pixels in een foto te veranderen of “ruis” in de afbeelding in te voegen, kunnen we een AI-toepassing zelfs volledig stopzetten.
Over het algemeen komen de meeste technieken die voor AI zijn ontwikkeld voort uit het observeren van het menselijk brein. De neurale netwerken die door AI worden gebruikt, zijn een vereenvoudigd model van onze geest. En toch kunnen AI-toepassingen niet werken zoals onze hersenen dat kunnen. Onderzoekers Yann LeCun en Yousha Bengio, medewinnaars van de Turing Award met Hinton voor hun bijdrage aan deep learning, zijn van mening dat we moeten observeren hoe onze hersenen werken op de hogere abstractieniveaus. Ze veronderstellen dat er misschien een paar eenvoudige regels zijn die intelligentie mogelijk maken, net zoals hoe de regels van de natuurkunde de fysieke wereld om ons heen definiëren. Als we deze regels zouden kunnen ontdekken, zouden we ze kunnen gebruiken om de volledige kracht van AI te ontketenen om abstracte taken aan te pakken.
Abstracte AI
Bengio onderzoekt de creatie van een “System 2” voor AI. Systeem 2 is gebaseerd op het idee dat ons brein is opgesplitst in 2 subsystemen: een autonoom systeem en een bewust systeem. Deze theorie (gepopulariseerd door Daniel Kahneman en Amos Tversky in hun boek, “Thinking Fast & Slow”) zegt dat systeem 1 ons helpt te lopen, bewegen, rijden en reageren op de wereld bij snelle beslissingen, terwijl systeem 2 ons helpt te communiceren, plannen en redeneren bij “langzamere” besluitvorming. Als we AI en neurale netwerken meer volgens dit ontwerp zouden kunnen ontwerpen, is het mogelijk dat ze concepten zouden kunnen 'leren', ze veralgemenen, ze overbrengen naar andere applicaties en zichzelf zelfs ontwikkelen om effectiever te zijn.
Om dit mogelijk te maken, moeten we een beter model van de wereld om ons heen bouwen en de taal die we gebruiken upgraden. De huidige AI-toepassingen herkennen een stoel door gelabelde afbeeldingen van stoelen te bestuderen; maar wat als we de AI konden leren dat een stoel alles is waar ik op zit? Dit betekent dat we in de AI de mogelijkheid moeten inbedden om een context en een grotere reikwijdte van de actie en betekenis van het concept te begrijpen. Dit soort ontwerp zou onze AI-systemen helpen bij het ontwikkelen van wat we 'gezond verstand' noemen, het hoge abstractieniveau dat we gedurende ons hele leven ontwikkelen. Op dit abstractieniveau kunnen we basisfeiten, variaties/specifieke situaties ontwarren en al deze informatie in één keer gebruiken om gemakkelijk het antwoord op meerdere problemen in vergelijkbare maar verschillende contexten te bepalen.
Een goed voorbeeld hiervan is een kind dat zijn hand aan het fornuis brandt. Bij het aanraken van een hete kachel realiseert het kind zich onmiddellijk/'abstracteert' dat de oorzaak van de pijn niet de kachel zelf is, maar de warmte die door de kachel wordt gegenereerd. Vanaf dat moment kan hij leren om niets warms aan te raken, waardoor hij de les die hij heeft geleerd overbrengt naar een nieuwe context.
Om dit soort denken in AI in te bouwen, moeten we betere leermodellen ontwerpen en geheugenontwikkeling; en AI-bewustzijn opbouwen.
Betere gegevens en geheugen
AI moet in staat zijn om de wereld eromheen ruimtelijk te verkennen en acties tijdelijk te evalueren, net zoals we doen wanneer we de wereld waarin we leven verkennen. Bij het verkennen van de wereld heeft AI om het vermogen te ontwikkelen om zich alleen op specifieke elementen van een grotere set gegevens te concentreren en andere informatie te negeren. Op dit moment zijn de beschikbare modellen extreem smal, afhankelijk van de trainingsgegevens en niet in staat om dit te doen.
We moeten ook een goed model ontwikkelen van associatieve en episodische herinneringen die we vervolgens kunnen repliceren in AI, maar dit is tot nu toe niet gelukt.
Bewustzijn
Het andere kritische aspect hier bewustzijn is. Bewustzijn is wat mensen het vermogen geeft om concepten te ontleden, complexe onderwerpen te begrijpen en selectieve aandacht te hebben. Bewustzijn geeft ons het vermogen om achtereenvolgens op verschillende aspecten te focussen en ons bewust te zijn van de juiste dingen op de precies juiste momenten, waarbij alle andere “ruis” wordt geëlimineerd.
Als we bewustzijn opsplitsen in 3 computationele hoofdaspecten, zien we dat:
- Onze bewuste aandacht stelt ons in staat, terwijl we ons bewust zijn, ons te concentreren op specifieke elementen die onze planning, de acties bepalen we nemen en bouwen aan onze verbeelding;
- Ons zelfbewustzijn bepaalt de beslissingen die we nemen;
- En we hebben subjectieve waarneming, dat is de focus van onze bewuste aandacht en stelt ons in staat aanwezig te zijn in de abstractieruimte op hoog niveau die is ontwikkeld vanuit onze ervaringen, doelen en emoties
De implementatie van deze facetten binnen AI-systemen zou ons moeten helpen een bewust systeem te ontwikkelen met een hoog abstractieniveau dat goed is in generalisatie en snel in het leren van nieuwe concepten. Het stelt AI in staat om 'on the fly' te beslissen en reeksen acties te definiëren die dynamisch worden geconstrueerd (allemaal gebaseerd op de aandachtstrigger die de AI ontvangt en het geheugen waartoe het toegang heeft.)
Volgende stappen
Om deze modellen voor AI te bouwen om van te leren, moeten we eerst de representaties die we van onze wereld maken drastisch vereenvoudigen. We moeten kennis ontleden in kleine stukjes en deze vervolgens weer bij elkaar brengen zodat een AI deze kan analyseren en gebruiken om doelen te bereiken. De sleutel hiervoor zal volgens Bengio zijn:
- Verdere ontwikkeling in meta-learning, dat leert van metadata vanaf een hoger abstractieniveau en snellere aanpassing aan nieuwe scenario's mogelijk maakt< /li>
- Implementatie van interactiemechanisme op een hoger abstractieniveau
- Introductie van causale variabelen op hoog niveau en hun afhankelijkheden
Elk van deze zal ons helpen de complexiteit te verminderen van hoe we de wereld om ons heen, die ons (in theorie) zou moeten helpen een veel krachtigere AI te ontketenen die abstract kan denken en algemene taken kan uitvoeren. Dit zal leiden tot een geheel nieuwe golf van ontdekkingen die onze werelden het komende decennium en daarna zullen vormen.
Machines zullen intelligenter worden naarmate we een manier vinden om zowel systeem 1-probleemoplossing als systeem 2-bewustzijn, redeneren en abstractie te integreren. Ze zullen bredere doelen hebben, hun actieterreinen uitbreiden en de mensheid helpen de wereld om ons heen te verbeteren. Het is nu aan regeringen en instellingen om er zeker van te zijn dat kunstmatige intelligentie eerlijk, toegankelijk voor iedereen en gunstig voor elk mens zal zijn. Echte vooruitgang vindt plaats wanneer AI kan worden gebruikt om het leven van iedereen ten goede te komen.
Referenties & Meer informatie
Over abstract leren:
YouTube: deze natuurlijke beelden bedriegen neurale netwerken
YouTube: Tesla on Autopilot Crash: belangrijk om te begrijpen hoe we dit gaan onderzoeken oorzaken van dergelijke crashes in de toekomst
Over de onderzoekers:
Talks door Yann Lecun — zijn openbare Google Drive
Presentaties door Yoshua Bengio
Voorwaarden:
Metadata voor dummies
Definitie van metadata (Wikipedia)
Over meta-leren
Fabrizio Del Maffeo
Hoofd Kunstmatige Intelligentie, Bitfury
