А.И. Могу вспомнить, но ты бы все равно раздавил его в Magic: The Gathering

Нейронные сети имеют решающее значение для будущего А.И. и, по словам Элона Маск, будущее всего человечества. К счастью, Google DeepMind просто взломал код, сделав нейронные сети намного умнее, предоставив им внутреннюю память.

В исследовании, выпущенном в Природа 12 октября DeepMind продемонстрировал, как можно объединить нейронные сети и системы памяти для создания машинного обучения, которое не только хранит знания, но и быстро использует их для рассуждения в зависимости от обстоятельств. Одна из самых больших проблем с А.И. заставляет это вспомнить вещи. Похоже, мы на шаг ближе к достижению этого.

Названные дифференцированными нейронными компьютерами (DNC), усовершенствованные нейронные сети функционируют во многом как компьютер. Компьютер имеет процессор для выполнения задач (нейронная сеть), но ему требуется система памяти для процессора для выполнения алгоритмов из разных точек данных (DNC).

До инноваций DeepMind нейронные сети должны были полагаться на внешнюю память, чтобы не мешать нейронной активности сети.

Без какой-либо внешней памяти нейронные сети способны рассуждать только о решениях, основанных на известной информации. Им нужны огромные объемы данных и практики, чтобы стать более точными. Как человек, изучающий новый язык, на самом деле нейронным сетям требуется время, чтобы стать умными. По той же причине нейронная сеть DeepMind хороша в Go, но ужасна в основанной на стратегии игре Magic: нейронные сети просто не могут обрабатывать достаточное количество переменных без памяти.

Память позволяет нейронным сетям включать переменные и быстро анализировать данные, чтобы она могла составлять графики чего-то столь же сложного, как лондонское метро, ​​и иметь возможность делать выводы на основе конкретных точек данных. В исследовании DeepMind они обнаружили, что DNC может самостоятельно учиться отвечать на вопросы о самых быстрых маршрутах между пунктами назначения и тем, в каком пункте назначения поездка закончится, просто используя недавно представленный график и знания других транспортных систем. Это также может вывести отношения из родословной без информации, кроме дерева. DNC был в состоянии выполнить цель к данной задаче без подачи дополнительных точек данных, которые были бы необходимы традиционной нейронной сети.

Хотя это может показаться не очень впечатляющим (Google Maps уже довольно хорошо подсчитывает наиболее эффективный маршрут где-то), эта технология - огромный шаг в будущее A.I. Если вы считаете, что прогностический поиск эффективен (или жутковат), представьте, насколько он хорош с памятью нейронной сети. Когда вы будете искать по имени Бен в Facebook, он будет знать по тому факту, что вы были на странице общего друга и смотрели на его фотографию, что вы имеете в виду Бена с улицы, а не Бена из начальной школы.

Изучение естественного языка А.И. наконец-то будет достаточно контекста, чтобы оперировать языком Wall Street Journal и быть в состоянии понять черный Twitter. Сири могла понять, что Пепе-лягушка - это больше, чем просто персонаж из комикса, потому что она читала каждый обратный статья об этом.

«Меня больше всего впечатляет способность сети изучать« алгоритмы »на примерах», - сказал Бренден Лэйк, ученый из Нью-Йоркского университета. Обзор технологий, «Алгоритмы, такие как сортировка или поиск кратчайших путей, являются хлебом и маслом классической информатики. Они традиционно требуют программиста для разработки и реализации ».

Давая А.И. способность понимать контекст позволяет пропустить необходимость в программируемых алгоритмах.

Хотя DNC DeepMind не первый эксперимент с нейронной памятью, он самый сложный. Тем не менее, нейронная сеть все еще находится на ранних стадиях, и ей еще предстоит пройти долгий путь, прежде чем она достигнет уровня человеческого обучения. Исследователям по-прежнему необходимо выяснить, как увеличить масштаб обработки системы, чтобы она могла быстро сканировать и вычислять, используя каждый фрагмент памяти.

На данный момент, люди могут царить неврологически.