А.И. Може да запамти, али још увек си је сломио у Магиц: Тхе Гатхеринг

Неуронске мреже су кључне за будућност А.И. и, према Елону Муску, будућност читавог човечанства. Срећом, Гооглеов ДеепМинд је управо разбио код да би неуронске мреже учинио много паметнијим тако што би им дао интерну меморију.

У студији објављеној у Природа 12. октобра, ДеепМинд је показао како се неуронске мреже и системи меморије могу комбиновати да би створили машинско учење које не само да складишти знање, већ га брзо користи за разумевање на основу околности. Један од највећих изазова са А.И. то је да запамти ствари. Изгледа да смо корак ближе томе.

Названи диференцијални неуронски рачунари (ДНЦ), побољшане неуронске мреже функционишу слично компјутеру. Рачунар има процесор за извршавање задатака (неуронска мрежа), али је потребан меморијски систем да процесор изводи алгоритме из различитих тачака података (ДНЦ).

Пре ДеепМиндове иновације, неуронске мреже су морале да се ослањају на спољну меморију како не би ометале неуронску активност мреже.

Без икакве спољне меморије, неуронске мреже могу само да разумеју решење засновано на познатим информацијама. Њима су потребне огромне количине података и праксе да би постале прецизније. Попут људи који уче нови језик, заправо је потребно време да неуронске мреже постану паметне. Из истог разлога је и ДеепМиндова неуронска мрежа одлична у Го-у, али ужасна у стратегији заснованој на игри Магиц: Неуралне мреже једноставно не могу обрадити довољно варијабли без меморије.

Меморија омогућава неуронским мрежама да инкорпорирају варијабле и брзо анализирају податке тако да могу графички приказати нешто тако сложено као Лондонско подземље и бити у могућности да доносе закључке на основу специфичних тачака података. У ДеепМиндовој студији, открили су да би ДНЦ могао сам да научи да одговори на питања о најбржим рутама између одредишта и на којој дестинацији би путовање завршило само користећи ново представљени граф и знање о другим транспортним системима. Такође би могао закључити односе са породичног стабла без представљених информација осим дрвета. ДНЦ је био у могућности да доврши циљ задатог задатка без да се нахрани додатне тачке података које би било потребно традиционалној неуронској мрежи.

Иако то можда не изгледа страшно импресивно (Гоогле Мапс је већ прилично добар у израчунавању најефикасније руте негдје), технологија је велики корак за будућност А.И. Ако мислите да је предиктивно претраживање ефикасно (или језиво), замислите колико је добро то могло бити са неуралном мрежном меморијом. Када претражујете Фацебоок за име Бен, он ће знати по чињеници да сте били само на страници заједничког пријатеља и гледали његову слику да мислите на Бена са улице, а не на Бен из основне школе.

Учење природног језика А.И. Коначно би имали довољно контекста да раде на оба језика Вол Стрит новине и бити у стању да разумеју Црни Твиттер. Сири је могла да схвати да је Пепе Фрог више од лика из стрипа јер је читала сваки Инверсе чланак о томе.

„Највише ме импресионира способност мреже да научи“ алгоритме ”из примјера“, рекао је Бренден Лаке, когнитивни научник са Универзитета у Њујорку. Тецхнологи Ревиев. „Алгоритми, као што су сортирање или проналажење најкраћих путева, су хлеб и путер класичне рачунарске науке. Они традиционално захтевају да програмер дизајнира и имплементира. “

Давање А.И. способност разумевања контекста дозвољава јој да прескочи потребу за програмираним алгоритмима.

Док ДеепМинд ДНЦ није први експеримент у нервној меморији, он је најсофистициранији. С друге стране, неуронска мрежа је још увијек у својим раним фазама и има дуг пут прије него што је на људском нивоу учења. Истраживачи и даље морају да схвате како да увећају процесирање система тако да може да скенира и израчуна коришћење сваког дела меморије брзо.

За сада, људи добијају да постану врховни неуролошки.