Za boljšo umetno inteligenco bi morali bolj prisluhniti najmlajšim

Newyorški profesor psihologije, ki je obenem oče dvoletnega otroka, je prepričan, da je prav način učenja in razmišljanja, ki ga opazuje pri svojem sinu, zelo verjeten ključ, kako najti nove in boljše algoritme, da bi stroji in naprave postali še pametnejši. Napaka, ki odpira novo smer Marcus je za MIT Technology Review kot primer opisal izkušnjo, kako njegov otrok dojema dvomestna števila. "Že od prej je vedel, da je 33 thirty-three, 77 seventy-seven, ko je videl številko 11, pa me je vprašal, ali je to onety-one. To je seveda napačno, a ta napaka, pravzaprav preveliko posploševanje, je zelo sofisticirana."

To je samo en primer, kako Marcus zagovarja svoje prepričanje, da bi na poti do popolnejše umetne inteligence morali bolj prisluhniti namigom, ki jih najmlajši pošiljajo, ko se učijo novih znanj, kot sta jezik ali glasba. V obeh primerih gre namreč za učenje o svetu okrog sebe.

Globoko učenje V svetu, kjer vedno več velikih podjetij išče načine, kako komercializirati umetno inteligenco, prevladujejo algoritmi, ki sledijo spremembam nevronov in sinaps v možganih, ko so ti v stiku z novimi informacijami in izkušnjami. Ta trend globokega učenja se je v povezavi s strmin naraščanjem količine podatkov in lažjo dostopnostjo večje procesne zmogljivosti računalnikov izkazal za zelo uspešnega.

Tako zelo uspešnega, da so računalniki v nekaterih primerih uspešnejši od ljudi pri razpoznavanju obrazov na fotografijah ali pri razpoznavanju besed na zvočnih posnetkih. Globoko učenje daje odlične rezultate pravzaprav povsod, kjer je v množici podatkov treba razpoznati neki vzorec. Računalniki hitreje najdejo vzorec, a (še) ne znajo abstraktno razmišljati Toda Marcus je prepričan, da globoko učenje temelji na preveč preprostem modelu možganov in da znanstveniki z ignoriranjem podrobnosti in potankosti delovanja človeških možganov zapravljajo velikansko priložnost. Možgani namreč delajo veliko več, kot je iskanje vzorca, saj so zmožni iz razmeroma majhne količine podatkov doseči globlje abstrakcije. Če bi stroje znali naučiti vsaj nekaj od tega, bi to prineslo veliko napredka – samovozečemu vozilu na primer ne bi bilo treba prevoziti mnogo kilometrov, preden bi se naučil, kako ravnati pri drugačnih cestnih razmerah.

Preprosteje povedano, stroji bi "mislili" in "delovali" bolj podobno kot ljudje. Če želimo, da bi robot sam shodil, mu verjetno ne bi postregli milijona primerov padcev, nezgod in poškodovanj ob nepravilni hoji, kot bi narekoval koncept globokega učenja.

Pri negotovosti pomaga verjetnost Marcus se ni ustavil pri besedah. Vzel si je prosto leto na svoji univerzi NYU, ustanovil svoje mlado podjetje in skupaj s približno ducatom programerjev ustvaril algoritme v skladu s svojimi prepričanji. Pravi, da so se ti algoritmi marsikje že izkazali, tudi zato, ker so pri raznih negotovostih in novih okoliščinah upoštevali verjetnost.

Matematično je to zelo zapleteno, a je vendarle mogoče razložiti razmeroma preprosto na primeru: kako obravnavati ptice, ki ne letijo? Večina ptic namreč leti, zato je velika verjetnost, da vse ptice letijo. Ko sistem ugotovi, da je tudi noj ptica, mu sprva dodeli visoko verjetnost, da bi tudi on lahko letel, toda druge informacije to hitro spremenijo. Odrasli noj lahko tehta okrog sto kilogramov, zato ob tem postane verjetnost, da bi noj lahko letel, zelo blizu nič.