Egy mesterséges intelligencia, amelyet most tanult meg egy kisgyermek szemével és fülével

Egy mesterséges intelligencia, amelyet most tanult meg egy kisgyermek szemével és fülével

Időbélyeg: 1. február 2024. 3:30
Egy mesterséges intelligencia, amelyet most tanult meg egy kisgyermek szemével és fülével PlatoBlockchain adatintelligencia. Függőleges keresés. Ai.

Sam hat hónapos volt, amikor először szíjazott a homlokára egy könnyű kamerát.

A következő másfél évben a kamera töredékeket örökített meg életéből. Kúszott a család háziállatai körül, nézte a szüleit, ahogy főznek, és sírt a verandán a nagymamával. Mindeközben a kamera mindent rögzített, amit hallott.

Ami úgy hangzik, mint egy aranyos kisgyermekes otthoni videó, az valójában egy merész ötlet: Az AI megtanulhatja a nyelvet, mint egy gyerek? Az eredmények azt is feltárhatják, hogy a gyerekek milyen gyorsan sajátítják el a nyelvet és a fogalmakat korán.

Egy új tanulmány in Tudomány leírja, hogyan használták fel a kutatók Sam felvételeit arra, hogy egy mesterséges intelligenciát megtanítsanak a nyelv megértésére. Egy gyermek egy éven keresztüli élettapasztalatának csak egy kis részével az AI képes volt megragadni az alapvető fogalmakat – például a labda, a pillangó vagy a vödör.

Az AI, az úgynevezett Child's View for Contrastive Learning (CVCL), nagyjából azt utánozza, hogyan tanulunk kisgyermekként a látás és a hang párosításával. Ez egy egészen más megközelítés, mint az olyan nagy nyelvi modellek, mint a mostaniak a ChatGPT vagy a Bard mögött. Ezeknek a modelleknek az esszék, költészet vagy akár podcast-szkriptek megalkotására való elképesztő képessége lenyűgözte a világot. De sok billió szót kell megemészteniük a legkülönfélébb hírekből, forgatókönyvekből és könyvekből, hogy fejlesszék ezeket a képességeiket.

Ezzel szemben a gyerekek sokkal kevesebb hozzájárulással tanulnak, és növekedésük során gyorsan általánosítják a tanulást. A tudósok régóta azon töprengenek, hogy a mesterséges intelligencia képes-e megragadni ezeket a képességeket pusztán a mindennapi tapasztalatokkal.

„Első alkalommal mutatjuk meg, hogy egy neurális hálózat, amelyet egyetlen gyermektől kapott, erre a fejlődési szempontból valósághű bemenetre kiképzett, képes megtanulni szavakat összekapcsolni vizuális megfelelőikkel” – a tanulmány szerzője, Dr. Wai Keen Vong, a New York-i Egyetem Adattudományi Központjának munkatársa. mondta egy sajtóközleményben a kutatásról.

Gyermekjáték

A gyerekek könnyen magukba szívják a szavakat és azok jelentését a mindennapi tapasztalatokból.

Mindössze hat hónapos korukban elkezdik összekapcsolni a szavakat a látottakkal – például egy kerek pattogó dolog „labda”. Két éves korukra nagyjából 300 szót és azok fogalmát ismerik.

A tudósok régóta vitáznak arról, hogy ez hogyan történik. Az egyik elmélet szerint a gyerekek megtanulják összeegyeztetni azt, amit látnak, és amit hallanak. Egy másik szerint a nyelvtanulás a világ szélesebb körű megtapasztalását igényli, mint például a társas interakció és az érvelési képesség.

Ezeket a gondolatokat nehéz szétszedni a kisgyermekek hagyományos kognitív tesztjeivel. De választ kaphatunk, ha egy MI-t egy gyermek szemén és fülén keresztül tanítunk.

M3GAN?

Az új tanulmány egy gazdag videoforrást használt SAYCam, amely három, 6 és 32 hónapos kor közötti gyerektől gyűjtött adatokat tartalmaz GoPro-szerű kamerák segítségével a homlokukra rögzítve.

A kamerák hetente kétszer körülbelül egy órányi felvételt és hangot rögzítettek, miközben szoptattak, kúsztak és játszottak. Az összes hallható párbeszédet „megszólításokká” írták át – olyan szavakká vagy mondatokká, amelyeket azelőtt mondanak el, hogy a beszélő vagy a beszélgetés megváltozna. Az eredmény rengeteg multimédiás adat a csecsemők és kisgyermekek szemszögéből.

Az új rendszerhez a csapat két neurális hálózatot tervezett egy „bíró” koordinálásával. Az egyik az első személyű látványelemeket a kinek és minek a jelenetévé fordította – vajon egy anya főz? A többiek a hangfelvételekből fejtették meg a szavakat és a jelentéseket.

A két rendszert azután időben korrelálta, így az AI megtanulta a helyes vizuális elemeket szavakkal társítani. Például a mesterséges intelligencia megtanult egy baba képét a „Nézd, ott van egy baba” szavakkal párosítani, vagy egy jógalabdát a „Hú, ez egy nagy labda” szavakkal. Az edzéssel fokozatosan megtanulta elválasztani a jógalabda fogalmát a babától.

"Ez a modellnek támpontot ad arra vonatkozóan, hogy mely szavakat milyen objektumokhoz kell társítani" - mondta Vong.

A csapat ezután kiképezte az AI-t Sam életének nagyjából másfél éves videóin. Ez együtt több mint 600,000 37,500 videokockát tett ki, XNUMX XNUMX átírt megnyilatkozással párosítva. Bár a számok nagynak tűnnek, Sam napi ébren töltött életének nagyjából egy százalékát teszik ki, a nagy nyelvi modellek betanításához felhasznált adatmennyiséghez képest.

Baby AI feljövőben

A rendszer tesztelésére a csapat adaptált egy közös kognitív tesztet, amelyet a gyerekek nyelvi képességeinek mérésére használnak. Négy új képet mutattak az MI-nek – egy macskát, egy kiságyat, egy labdát és egy pázsitot –, és megkérdezték, melyik a labda.

Összességében az AI az esetek 62 százalékában a megfelelő képet választotta ki. A teljesítmény majdnem megegyezett a legkorszerűbb algoritmussal, amelyet 400 millió kép- és szövegpárra tanítottak az internetről – ez nagyságrendekkel több adatot tartalmazott, mint amennyi az MI betanításához használt a tanulmányban. Úgy találták, hogy kulcsfontosságú a videoképek hanggal való összekapcsolása. Amikor a csapat összekeverte a videókockákat és a hozzájuk tartozó kijelentéseket, a modell teljesen összeomlott.

A mesterséges intelligencia is képes „gondolkodni” kívülről, és általánosítani az új helyzetekre.

Egy másik tesztben Sam szemszögéből képezték ki a képeskönyvet, ahogy a szülei azt mondták: „Ez egy kacsa és egy pillangó.” Később felemelt egy játékpillangót, amikor megkérdezték tőle: „Tudsz megcsinálni a pillangót?” Amikor sokszínű pillangóképekkel – amilyeneket a mesterséges intelligencia még soha nem látott – kihívás elé állítottuk, négyből hármat 80 százalék feletti pontossággal észlelt a „pillangóra”.

Nem minden szófogalom kapott azonos pontszámot. Például a „kanál” küzdelem volt. De érdemes rámutatni, hogy mint egy kemény reCAPTCHA, az edzésképeket még az ember számára is nehéz volt megfejteni.

Növekvő fájdalmak

A Az AI a multimodális gépi tanulás legújabb eredményeire épít, amely szöveget, képeket, hangot vagy videót kombinál a gépi agy képzéséhez.

Egyetlen gyermek tapasztalatából származó bemenettel az algoritmus képes volt rögzíteni, hogy a szavak hogyan kapcsolódnak egymáshoz, és a szavakat képekhez és fogalmakhoz kapcsolta. Azt sugallja, hogy a kisgyermekek számára, ha hallanak szavakat, és hozzáigazítják azokat ahhoz, amit látnak, segít a szókincsük fejlesztésében.

Ez nem azt jelenti, hogy más agyi folyamatok, például a szociális jelzések és az érvelés ne lépnének be. A szerzők írták, hogy ezeknek az összetevőknek az algoritmushoz való hozzáadása potenciálisan javíthatja azt.

A csapat a kísérlet folytatását tervezi. A „baby” mesterséges intelligencia egyelőre csak állóképkeretekből tanul, és szókincse többnyire főnevekből áll. A videószegmensek beépítése a képzésbe segíthet az MI-nek megtanulni az igéket, mivel a videó mozgást is tartalmaz.

Az intonáció hozzáadása a beszédadatokhoz szintén segíthet. A gyerekek korán megtanulják, hogy egy anya „hmm”-je hangnemtől függően nagyon eltérő jelentéssel bírhat.

Összességében azonban a mesterséges intelligencia és az élettapasztalatok kombinálása új, erőteljes módszer a gépi és az emberi agy tanulmányozására. Segíthet olyan új mesterséges intelligencia-modellek kidolgozásában, amelyek úgy tanulnak, mint a gyerekek, és potenciálisan átformálja az agyunk nyelv- és fogalmi tanulásának megértését.

A kép forrása: Wai Keen Vong

Időbélyeg:

Még több Singularity Hub