Algoritmus ako vedecká metóda: Pohľad do budúcnosti AI

V posledných rokoch sme svedkami ohromujúceho pokroku v oblasti umelej inteligencie. Modely ako ChatGPT nám umožňujú komunikovať s počítačmi spôsobom, aký si dovtedy neboli schopní predstaviť. Ale kam vlastne smerujeme? Podľa matematika a výskumníka Jeffa Becka sme sa možno doteraz AI stavali „nesprávnym“ smerom. V tomto článku sa pozrieme na jeho fascinujúce myšlienky o tom, ako by mala fungovať skutočná inteligencia – nie ako obrovský predikčný stroj, ale ako vedecký experimentátor, ktorý neustále testuje svoje hypotézy a učí sa z okolitého sveta.

Kľúčové poznatky

• Bayesovská inferencia ako vedecká metóda: Beck tvrdí, že správny prístup k vedeckému výskumu, a teda aj k AI, je Bayesovská inferencia – explicitné testovanie hypotéz a budovanie generatívnych modelov.
• Mozog ako Bayesovský analyzátor: Výsledky experimentov naznačujú, že náš mozog funguje na základe Bayesovskej analýzy, efektívne kombinujúc informácie z rôznych zdrojov.
• Objektovo orientované modely: Namiesto obrovských jazykových modelov by mala AI budovať menšie, modulárne modely objektov, ktoré sa môžu vzájomne ovplyvňovať a učiť sa.
• Fyzický svet ako základ: Skutočné porozumenie vyžaduje zakotvenie AI v makroskopickom fyzickom svete, nielen v jazyku.

Prečo sme stavali AI „nesprávnym“ smerom?

Doteraz bol hlavný dôraz kladený na škálovanie modelov a zlepšovanie ich schopnosti aproximovať funkcie. To znamená, že sa snažíme naučiť počítače predikovať budúcnosť na základe minulých dát. Beck však argumentuje, že to nie je skutočná inteligencia. Skutočná inteligencia spočíva v porozumení príčin a následkov, v schopnosti identifikovať, kde zasiahnuť a zmeniť svet okolo seba.

Mozog: Najlepší príklad AI?

Beck sa inšpiroval prácou Zoubina Ghahramaniho o procese čínskej reštaurácie, ktorý ilustruje, ako dáta a teória spolupracujú pri budovaní vedeckých modelov. Podobne ako náš mozog, aj AI by mala byť schopná zoskupovať podobné dáta do skupín a vytvárať si tak komplexnejšie modely sveta.

Výskumy o fungovaní mozgu ukázali, že neustále spracováva oveľa viac informácií, ako sa nám na povrchu zdá. Neustále sa učí a udržiava si porozumenie nízkoúrovňovým štatistickým vzorom vo svete okolo nás.

Autograd: Revolúcia v AI

Beck pripisuje rozsiahly pokrok v AI hlavne vývoju Autogradu – automatickej diferenciácie, ktorá uľahčila experimentovanie a umožnila škálovanie modelov. Hoci sú transformátory populárne, Beck poukazuje na to, že modely stavového priestoru ako Mamba dokážu dosiahnuť podobné výsledky len prostredníctvom škálovania.

Od funkčnej aproximácie k porozumeniu sveta

Skutočná inteligencia vyžaduje modely, ktoré sú štruktúrované podobne ako náš mozog a spôsobom, akým chápeme svet – s dôrazom na príčinné vzťahy a chápanie objektov. Namiesto toho, aby sa AI len učila aproximovať funkcie, mala by byť schopná identifikovať, čo nevie, a aktívne hľadať informácie, ktoré jej chýbajú.

Problém so zakotvením v jazyku

Beck tvrdí, že zakotvenie AI do jazyka nie je ideálne. Jazyk môže byť nespoľahlivým zdrojom dát o myslených procesoch. Namiesto toho by mali byť modely zakorenené v makroskopickom fyzickom svete, pretože práve tam je zakorenené naše základné porozumenie.

Budúcnosť AI: Množstvo malých modelov

Namiesto jednej obrovskej neurónovej siete si Beck predstavuje AI systémy postavené ako herné enginy – tisíce malých, modulárnych objektových modelov, ktoré sa môžu kombinovať, vymieňať a aktualizovať nezávisle. Je to efektívnejšie, flexibilnejšie a oveľa bližšie k tomu, ako skutočne myslíme.

Záver: Čo nás čaká?

Beckova vízia AI je fascinujúca a ponúka alternatívny pohľad na to, kam by sme mali smerovať. Namiesto toho, aby sme sa snažili stavať stále väčšie modely, by sme sa mali zamerať na budovanie inteligentných systémov, ktoré dokážu sa učiť, adaptovať sa a chápať svet okolo seba spôsobom, ktorý je bližší fungovaniu nášho mozgu. Otázka, ktorú nakoniec Beck kladie, je jednoduchá: Aká bude naša úloha v svete, kde mnohé úlohy dokážu automatizovať roboty? Odpoveď na túto otázku nám môže pomôcť lepšie sa pripraviť na budúcnosť.

Zdroje

• Originálne video
• Produkčný | Ľahko získajte kvalitné dáta od skutočných ľudí
• MLST ReScript
• Príprava na stiahnutie …
• Mamba: Lineárne časové modelovanie sekvencií pomocou selektívnych stavových priestorov
• xLSTM: Rozšírená dlhá krátkodobá pamäť
• 3D Gaussovské splátky na vykresľovanie radiačných polí v reálnom čase
• Lenia - Biológia umelého života
• Rastúce neurónové buněčné automaty
• DreamCoder: Rastie generalizovateľné, interpretovateľné poznanie pomocou učenia sa Bayesiánskeho programu s bdelím-spiacim cyklom.
• Kritika čistého učenia a to, čo môžu zistiť umelé neurónové siete od mozgov živočíchov – Nature Communications
• How Your Brain Predicts Reality Prof. Karl Friston

Približne 251 gCO₂ bolo uvoľnených do atmosféry a na chladenie sa spotrebovalo 1.26 l vody za účelom vygenerovania tohoto článku.