A.I. Kan komma ihåg, men du skulle fortfarande krossa den på magi: Samlingen

Neurala nätverk är avgörande för framtiden för A.I. och enligt Elon Musk, hela mänsklighetens framtid. Lyckligtvis har Googles DeepMind knäckt koden för att göra neurala nätverk mycket smartare genom att ge dem internt minne.

I en studie som släpptes i Natur Den 12 oktober visade DeepMind hur neurala nätverk och minnessystem kan kombineras för att skapa maskininlärning som inte bara lagrar kunskap utan använder sig snabbt av skäl som grundar sig på omständigheterna. En av de största utmaningarna med A.I. får det att komma ihåg saker. Det ser ut att vi är ett steg närmare att uppnå det.

Kallade differentierbara neurala datorer (DNC), de förbättrade neurala nätverken fungerar som en dator. En dator har en processor för att slutföra uppgifter (ett neuralt nätverk) men det tar ett minnesystem för processorn att utföra algoritmer från olika datapunkter (DNC).

Innan DeepMinds innovation har neurala nätverk måste förlita sig på externt minne för att inte störa nätets neuronaktivitet.

Utan externt minne kan neurala nätverk bara redogöra för en lösning baserad på känd information. De behöver massiva mängder data och övning för att bli mer exakt. Som en människa som lär sig ett nytt språk tar det faktiskt dags att neurala nätverk blir smarta. Det är samma orsak DeepMinds neurala nätverk är bra på Go men fruktansvärt i det strategibaserade spelet Magic: Neural networks kan bara inte bearbeta tillräckligt många variabler utan minne.

Minne gör det möjligt för neurala nätverk att integrera variabler och snabbt analysera data så att den kan gradera något så komplicerat som Londons underground och kunna göra slutsatser baserade på specifika datapunkter. I DeepMinds studie fann de att en DNC kunde själv lära sig att svara på frågor om de snabbaste vägarna mellan destinationer och på vilken destination en resa skulle sluta med bara genom att använda den nyligen presenterade grafen och kunskapen om andra transportsystem. Det kan också härleda relationer från ett släktträd med ingen information som presenteras utom trädet. DNC kunde slutföra ett mål till en given uppgift utan att mata de ytterligare datapunkter som skulle behövas av ett traditionellt neuralt nätverk.

Medan det inte kan tyckas hemskt imponerande (Google Maps är redan ganska bra för att beräkna den mest effektiva rutten någonstans), är tekniken ett stort steg för framtiden för A.I. Om du tror att prediktiv sökning är effektiv (eller obehaglig), tänk dig hur bra det kan vara med neuralt nätverk minne. När du söker Facebook för namnet Ben, kommer det att veta av det faktum att du bara var på en gemensam väns sida och tittade på en bild av honom som du menar Ben från gatan inte Ben från grundskolan.

Naturlig språkinlärning A.I. skulle äntligen ha tillräckligt med kontext för att fungera på båda språkens språk Wall Street Journal och kunna förstå svart Twitter. Siri kunde förstå att Pepe the Frog är mer än bara en karaktär från en serietidning eftersom hon läses varje Omvänd artikel om det.

"Jag är mest imponerad av nätverkets förmåga att lära" algoritmer "från exempel" berättade Brenden Lake, en kognitiv forskare vid New York University, Teknisk granskning. "Algoritmer, som sortering eller hitta kortaste vägar, är bröd och smör av klassisk datavetenskap. De kräver traditionellt en programmerare att utforma och genomföra."

Ge A.I. förmågan att förstå kontext gör det möjligt att hoppa över behovet av programmerade algoritmer.

Medan DeepMinds DNC inte är det första experimentet i neuralt minne är det den mest sofistikerade. Det sagt är det neurala nätverket fortfarande i sina tidiga stadier och det har en lång väg att gå innan det är på mänskliga nivåer av lärande. Forskare behöver fortfarande räkna hur man kan skala upp systembehandlingen så att den kan skanna och beräkna med varje minne snabbt.

För tillfället kommer människor att regera högsta neurologiskt.