Dzieci są przyrodnikami. Obserwują świat, stawiają hipotezy i je testują. W końcu uczą się wyjaśniać swoje (czasami ujmująco zabawne) rozumowanie.
AI, nie za bardzo. Nie ma wątpliwości, że głębokie uczenie się – rodzaj uczenia maszynowego luźno opartego na mózgu – radykalnie zmienia technologię. Od przewidywania ekstremalnych warunków pogodowych po projektowanie nowych leków lub diagnozowanie śmiertelnych nowotworów – sztuczna inteligencja jest coraz częściej integrowana w granice nauki.
Jednak głębokie uczenie się ma ogromną wadę: algorytmy nie potrafią uzasadnić swoich odpowiedzi. Często nazywany problemem „czarnej skrzynki”, ta nieprzezroczystość utrudnia ich użycie w sytuacjach wysokiego ryzyka, np. w medycynie. Pacjenci chcą wyjaśnień, gdy zdiagnozowano u nich chorobę zmieniającą życie. Na razie algorytmy oparte na głębokim uczeniu się – nawet jeśli charakteryzują się dużą dokładnością diagnostyczną – nie są w stanie dostarczyć takich informacji.
Aby otworzyć czarną skrzynkę, zespół z Southwestern Medical Center Uniwersytetu Teksasu w poszukiwaniu inspiracji wykorzystał ludzki umysł. W badanie in Nauka o przyrodziepołączyli zasady badania sieci mózgowych z bardziej tradycyjnym podejściem do sztucznej inteligencji, które opiera się na możliwych do wyjaśnienia elementach składowych.
Powstała sztuczna inteligencja zachowuje się trochę jak dziecko. Kondensuje różne typy informacji w „centrach”. Każde centrum jest następnie przepisywane na wytyczne dotyczące kodowania, które ludzie mogą przeczytać – CliffsNotes dla programistów, które w prostym języku angielskim wyjaśniają wnioski algorytmu na temat wzorców znalezionych w danych. Może także wygenerować w pełni wykonywalny kod programowania do wypróbowania.
Sztuczna inteligencja, nazywana „głęboką destylacją”, działa jak naukowiec, gdy stawia przed nią różnorodne zadania, takie jak trudne problemy matematyczne i rozpoznawanie obrazów. Szperając w danych, sztuczna inteligencja przekształca je w algorytmy krok po kroku, które mogą przewyższać algorytmy zaprojektowane przez człowieka.
„Głęboka destylacja pozwala odkryć możliwe do uogólnienia zasady, uzupełniające wiedzę człowieka” napisał zespół w swoim artykule.
Cienki papier
Sztuczna inteligencja czasami popełnia błędy w prawdziwym świecie. Weź robotaxis. W ubiegłym roku niektórzy wielokrotnie utknęli w dzielnicy San Francisco, co było uciążliwe dla mieszkańców, ale mimo to chichotali. Co gorsza, pojazdy autonomiczne zablokowały ruch i karetki pogotowia, a w jednym przypadku poważnie skrzywdziły pieszego.
W opiece zdrowotnej i badaniach naukowych zagrożenia mogą być również wysokie.
Jeśli chodzi o domeny wysokiego ryzyka, algorytmy „wymagają niskiej tolerancji na błędy” – zauważa dr Joseph Bakarji z Amerykańskiego Uniwersytetu w Bejrucie, który nie był zaangażowany w badanie: napisał w towarzyszącym artykule na temat pracy.
Barierą dla większości algorytmów głębokiego uczenia się jest ich niewytłumaczalność. Mają strukturę sieci wielowarstwowych. Zbierając tony surowych informacji i otrzymując niezliczone rundy informacji zwrotnych, sieć dostosowuje swoje połączenia, aby ostatecznie uzyskać dokładne odpowiedzi.
Proces ten leży u podstaw głębokiego uczenia się. Problem pojawia się jednak, gdy nie ma wystarczającej ilości danych lub gdy zadanie jest zbyt złożone.
W 2021 roku zespół opracował sztuczną inteligencję to wymagało innego podejścia. Sieć neuronowa, zwana rozumowaniem „symbolicznym”, koduje wyraźne reguły i doświadczenia poprzez obserwację danych.
W porównaniu z głębokim uczeniem się, modele symboliczne są łatwiejsze do interpretacji. Pomyśl o sztucznej inteligencji jak o zestawie klocków Lego, z których każdy reprezentuje inny obiekt lub koncepcję. Można je łączyć w kreatywny sposób, ale połączenia podlegają jasnemu zestawowi zasad.
Sama sztuczna inteligencja jest potężna, ale krucha. Znalezienie elementów składowych w dużej mierze opiera się na wcześniejszej wiedzy. Kiedy staje przed wyzwaniem nowa sytuacja bez wcześniejszego doświadczenia, nie potrafi myśleć nieszablonowo i załamuje się.
I tu wkracza neuronauka. Inspiracją dla zespołu były konektomy, czyli modele współpracy różnych obszarów mózgu. Łącząc tę łączność z symbolicznym rozumowaniem, stworzyli sztuczną inteligencję, która ma solidne i zrozumiałe podstawy, ale może również elastycznie dostosowywać się w obliczu nowych problemów.
W kilku testach model „neurokognitywny” pokonał inne głębokie sieci neuronowe w zadaniach wymagających rozumowania.
Ale czy można sensownie wykorzystać dane i opracować algorytmy, aby je wyjaśnić?
Ludzki dotyk
Jedną z najtrudniejszych części odkryć naukowych jest obserwacja zaszumionych danych i wyciągnięcie wniosków. Proces ten prowadzi do nowych materiałów i leków, głębszego zrozumienia biologii i wglądu w nasz świat fizyczny. Często jest to proces powtarzalny i trwający latami.
Sztuczna inteligencja może przyspieszyć działanie i potencjalnie znaleźć wzorce, które umknęły ludzkiemu umysłowi. Na przykład głębokie uczenie się jest szczególnie przydatne w przewidywaniu struktur białek, ale jego uzasadnienie przewidywania tych struktur jest trudne do zrozumienia.
„Czy możemy zaprojektować algorytmy uczenia się, które przekształcają obserwacje w proste, kompleksowe reguły, tak jak to zwykle robią ludzie?” napisał Bakarji.
W nowym badaniu wykorzystano istniejący model neurokognitywny zespołu i zapewniono mu dodatkowy talent: umiejętność pisania kodu.
Sztuczna inteligencja, zwana głęboką destylacją, grupuje podobne koncepcje, przy czym każdy sztuczny neuron koduje konkretną koncepcję i jej powiązanie z innymi. Na przykład jeden neuron może nauczyć się pojęcia kota i wiedzieć, że różni się od psa. Inny typ radzi sobie ze zmiennością, gdy rzuca mu wyzwanie nowe zdjęcie – powiedzmy tygrys – aby określić, czy bardziej przypomina kota, czy psa.
Te sztuczne neurony są następnie układane w hierarchię. Z każdą warstwą system coraz bardziej różnicuje koncepcje i ostatecznie znajduje rozwiązanie.
Zamiast wymagać, aby sztuczna inteligencja przetwarzała jak najwięcej danych, szkolenie odbywa się krok po kroku — prawie jak uczenie małego dziecka. Dzięki temu możliwa jest ocena rozumowania sztucznej inteligencji, która stopniowo rozwiązuje nowe problemy.
W porównaniu ze standardowym szkoleniem w zakresie sieci neuronowych, sztuczna inteligencja jest oczywista – wyjaśnił Bakarji.
W teście zespół rzucił wyzwanie sztucznej inteligencji za pomocą klasycznej gry wideo – Conway's Game of Life. Gra, stworzona po raz pierwszy w latach 1970. XX wieku, polega na hodowaniu cyfrowej komórki w różne wzory, zgodnie z określonym zestawem zasad (spróbuj sam tutaj). Wyszkolona na danych z symulowanej rozgrywki sztuczna inteligencja była w stanie przewidzieć potencjalne wyniki i przekształcić swoje rozumowanie w czytelne dla człowieka wytyczne lub kod programowania komputerowego.
Sztuczna inteligencja sprawdziła się również w wielu innych zadaniach, takich jak wykrywanie linii na obrazach i rozwiązywanie trudnych problemów matematycznych. W niektórych przypadkach generował kreatywny kod komputerowy, który przewyższał ustalone metody i był w stanie wyjaśnić dlaczego.
Głęboka destylacja może być impulsem dla nauk fizycznych i biologicznych, w których proste części dają początek niezwykle złożonym systemom. Jednym z potencjalnych zastosowań tej metody jest praca jako współnaukowiec dla badaczy dekodujących funkcje DNA. Duża część naszego DNA to „ciemna materia” w tym sensie, że nie wiemy, jaką – jeśli w ogóle – rolę pełni. Wyjaśnialna sztuczna inteligencja mogłaby potencjalnie rozbić sekwencje genetyczne i pomóc genetykom zidentyfikować rzadkie mutacje powodujące wyniszczające choroby dziedziczne.
Poza badaniami zespół jest podekscytowany perspektywą ściślejszej współpracy między sztuczną inteligencją a człowiekiem.
"Podejścia neurosymboliczne mogłoby potencjalnie zapewnić możliwości uczenia maszynowego bardziej zbliżone do ludzkich” – napisał zespół.
Bakarji zgadza się. Nowe badanie wykracza „wykraczając poza postęp techniczny i dotyka wyzwań etycznych i społecznych, przed którymi stoimy dzisiaj”. Wyjaśnialność może działać jako poręcz, pomagając systemom AI w synchronizacji z wartościami ludzkimi podczas szkolenia. W zastosowaniach wysokiego ryzyka, takich jak opieka medyczna, może to budować zaufanie.
Na razie algorytm najlepiej sprawdza się przy rozwiązywaniu problemów, które można rozbić na pojęcia. Nie radzi sobie z ciągłymi danymi, takimi jak strumienie wideo.
To kolejny krok w głębokiej destylacji, napisał Bakarji. „Otworzyłoby to nowe możliwości w obliczeniach naukowych i badaniach teoretycznych”.
Kredytowych Image: 7AV 7AV / Unsplash
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://singularityhub.com/2024/02/22/like-a-child-this-brain-inspired-ai-can-explain-its-reasoning/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 2021
- a
- zdolność
- Zdolny
- O nas
- dokładny
- Dzieje Apostolskie
- przystosować
- Dodatkowy
- dostosowuje się
- postępy
- Zgadza się
- AI
- Systemy SI
- algorytm
- Algorytmy
- dopuszczać
- również
- amerykański
- an
- i
- Inne
- odpowiedzi
- Zastosowanie
- aplikacje
- podejście
- SĄ
- sztuczny
- AS
- aspekt
- At
- bariera
- na podstawie
- BE
- bić
- być
- jest
- BEST
- biologia
- Bit
- Czarny
- zablokowany
- Bloki
- podnieść
- Pudełko
- Mózg
- przerwy
- Złamany
- budować
- budować zaufanie
- Budowanie
- wybudowany
- ale
- by
- nazywa
- CAN
- możliwości
- który
- walizka
- Etui
- CAT
- Spowodować
- komórka
- Centrum
- zakwestionowany
- wyzwania
- wymiana pieniędzy
- dziecko
- klasyczny
- jasny
- kod
- Kodowanie
- współpraca
- połączony
- byliśmy spójni, od początku
- towarzysz
- uzupełniający
- kompleks
- wszechstronny
- obliczeniowy
- komputer
- computing
- pojęcie
- Koncepcje
- konkluzja
- wnioski
- połączenie
- połączenia
- Łączność
- ciągły
- mógłby
- Twórczy
- kredyt
- schrupać
- Niebezpieczeństwa
- dane
- sprawa
- Rozszyfrowanie
- głęboko
- głęboka nauka
- głębiej
- Wnętrze
- projektowanie
- Ustalać
- niszczycielski
- rozwinięty
- diagnozowanie
- diagnostyczny
- różne
- trudny
- cyfrowy
- odkryj
- odkrycie
- choroba
- choroby
- DNA
- do
- Pies
- domeny
- nie
- wątpić
- na dół
- dr
- dramatycznie
- każdy
- łatwiej
- kodowanie
- inżynier
- Angielski
- dość
- błąd
- szczególnie
- ustanowiony
- etyczny
- oceniać
- ostatecznie
- przykład
- podniecony
- Przede wszystkim system został opracowany
- doświadczenie
- Doświadczenia
- ekspertyza
- Wyjaśniać
- wyjaśnione
- wyjaśnienie
- skrajny
- niezwykle
- w obliczu
- okładzina
- informacja zwrotna
- Znajdź
- znajduje
- i terminów, a
- dopasować
- elastycznie
- obserwuj
- W razie zamówieenia projektu
- Nasz formularz
- znaleziono
- Fundamenty
- Francisco
- od
- w pełni
- Funkcje
- gra
- dał
- Generować
- wygenerowane
- genetyczny
- Dać
- dany
- Goes
- got
- stopniowo
- Grupy
- Rozwój
- wytyczne
- Uchwyty
- Have
- mający
- opieki zdrowotnej
- Serce
- ciężko
- pomoc
- pomoc
- hierarchia
- Wysoki
- wysokie ryzyko
- W jaki sposób
- HTTPS
- Piasta
- człowiek
- czytelne dla człowieka
- Ludzie
- zidentyfikować
- if
- obraz
- Rozpoznawanie obrazu
- zdjęcia
- in
- coraz bardziej
- Informacja
- spostrzeżenia
- Inspiracja
- inspirowane
- zintegrowany
- najnowszych
- zaangażowany
- IT
- JEGO
- samo
- Wiedzieć
- wiedza
- Nazwisko
- Ostatni rok
- warstwa
- Wyprowadzenia
- UCZYĆ SIĘ
- nauka
- życie
- lubić
- linie
- niski
- maszyna
- uczenie maszynowe
- zrobiony
- robić
- WYKONUJE
- masywny
- materiały
- matematyka
- Materia
- Może..
- medyczny
- opieka medyczna
- leki
- lekarstwo
- metoda
- może
- nic
- model
- modele
- jeszcze
- większość
- dużo
- wielowarstwowy
- Naturalny
- Natura
- sieć
- sieci
- nerwowy
- sieci neuronowe
- sieci neuronowe
- Neurony
- Neuroscience
- Nowości
- Następny
- Nie
- już dziś
- przedmiot
- obserwować
- of
- często
- on
- ONE
- te
- koncepcja
- or
- Inne
- Pozostałe
- ludzkiej,
- na zewnątrz
- wyniki
- Przewyższają
- przewyższył
- Papier
- strony
- pacjenci
- wzory
- Ludzie
- fizyczny
- kawałek
- Równina
- plato
- Analiza danych Platona
- PlatoDane
- możliwości
- możliwy
- potencjał
- potencjalnie
- mocny
- przewidzieć
- przewidywanie
- przepowiednia
- poprzedni
- Zasady
- Wcześniejszy
- Problem
- problemy
- wygląda tak
- produkować
- Programiści
- Programowanie
- Perspektywa
- Białko
- zapewniać
- RZADKO SPOTYKANY
- Surowy
- real
- Prawdziwy świat
- odbieranie
- uznanie
- regiony
- WIELOKROTNIE
- powtarzalne
- reprezentowanie
- wymagany
- Badania naukowe
- Badacze
- wynikły
- Rosnąć
- robotoś
- rundy
- reguły
- San
- San Francisco
- NAUKI
- naukowy
- Naukowiec
- Naukowcy
- samodzielna jazda
- rozsądek
- poważnie
- zestaw
- kilka
- podobny
- Prosty
- sytuacja
- sytuacje
- So
- społeczne
- solidny
- rozwiązanie
- Rozwiązuje
- Rozwiązywanie
- kilka
- czasami
- specyficzny
- prędkość
- ułożone w stos
- standard
- Ewolucja krok po kroku
- Nadal
- Strumienie
- silniejszy
- zbudowany
- Struktury
- Zmagania
- Badanie
- taki
- symboliczny
- synchronizacja
- system
- systemy
- Brać
- trwa
- biorąc
- Talent
- Podsłuchu
- Zadanie
- zadania
- Nauczanie
- zespół
- Techniczny
- Technologia
- test
- Testy
- texas
- niż
- że
- Połączenia
- świat
- ich
- Im
- następnie
- teoretyczny
- Tam.
- Te
- one
- rzeczy
- myśleć
- to
- tych
- Przez
- do
- już dziś
- razem
- tolerancja
- Ton
- także
- wziął
- dotykając
- tradycyjny
- ruch drogowy
- przeszkolony
- Trening
- Przekształcać
- Zaufaj
- próbować
- rodzaj
- typy
- zazwyczaj
- zrozumieć
- zrozumienie
- uniwersytet
- posługiwać się
- użyteczny
- Wartości
- różnorodność
- różnorodny
- Pojazdy
- Wideo
- chcieć
- była
- sposoby
- we
- Pogoda
- DOBRZE
- Co
- jeśli chodzi o komunikację i motywację
- który
- KIM
- dlaczego
- w
- bez
- Praca
- pracować razem
- pracował
- działa
- świat
- napisać
- pisać kod
- napisał
- rok
- lat
- siebie
- zefirnet