Questo sviluppo è probabilmente ciò che ha indotto il tecnocrate / transumano di Google Ray Kurzweil a dichiarare che la singolarità sarà raggiunta nel 2029 anziché nel 2045. Ricordare è un risultato pericoloso se sono inizialmente difettosi o, peggio, pregiudicati nei confronti degli input che li hanno creati. Sulla base dei "ricordi" dell'IA, l'apprendimento aumenterà sicuramente, ma l'apprendimento ulteriore sarà basato sulla realtà o solo su un modello di computer desideroso? ⁃ Editor TN
Mentre i sistemi di intelligenza artificiale possono eguagliare molte capacità umane, 10 impiega più tempo a imparare. Ora, copiando il modo in cui funziona il cervello, Google DeepMind ha creato una macchina che sta colmando il divario.
Le macchine intelligenti hanno gli umani in vista. Le macchine per l'apprendimento profondo hanno già capacità sovrumane quando si tratta di compiti come il riconoscimento facciale, i videogiochi e persino l'antico gioco cinese di Go. Quindi è facile pensare che gli umani siano già superati.
Ma non così in fretta. Le macchine intelligenti sono ancora in ritardo rispetto agli umani in un'area cruciale delle prestazioni: la velocità con cui apprendono. Quando si tratta di padroneggiare i videogiochi classici, ad esempio, le migliori macchine di deep learning impiegano circa 200 ore di gioco per raggiungere gli stessi livelli di abilità che gli umani raggiungono in sole due ore.
Quindi gli scienziati informatici adorerebbero avere un modo per accelerare la velocità con cui le macchine apprendono.
Oggi Alexander Pritzel e gli amici della filiale DeepMind di Google a Londra dichiarano di aver fatto proprio questo. Questi ragazzi hanno costruito una macchina per l'apprendimento profondo in grado di assimilare rapidamente nuove esperienze e quindi agire su di esse. Il risultato è una macchina che impara in modo significativamente più veloce degli altri e ha il potenziale per eguagliare gli umani in un futuro non troppo lontano.
Innanzitutto, alcuni retroscena. L'apprendimento profondo utilizza strati di reti neurali per cercare modelli nei dati. Quando un singolo livello individua un pattern che riconosce, invia queste informazioni al layer successivo, che cerca i pattern in questo segnale e così via.
Quindi, nel riconoscimento facciale, uno strato potrebbe cercare bordi in un'immagine, il livello successivo per motivi circolari di bordi (il tipo che fanno gli occhi e le bocche) e il successivo per motivi triangolari come quelli fatti da due occhi e una bocca. Quando tutto ciò accade, l'output finale indica che è stata individuata una faccia.
Certo, il diavolo è nei dettagli. Esistono vari sistemi di feedback per consentire al sistema di apprendere regolando vari parametri interni come la forza delle connessioni tra i livelli. Questi parametri devono cambiare lentamente, poiché un grande cambiamento in un livello può influire catastroficamente sull'apprendimento nei livelli successivi. Ecco perché le reti neurali profonde hanno bisogno di così tanta formazione e perché ci vuole così tanto tempo.
Pritzel e altri hanno affrontato questo problema con una tecnica che chiamano controllo episodico neurale. "Il controllo episodico neurale dimostra notevoli miglioramenti nella velocità di apprendimento in una vasta gamma di ambienti", affermano. "Criticamente, il nostro agente è in grado di agganciarsi rapidamente a strategie di grande successo non appena vengono sperimentate, invece di attendere molti passaggi di ottimizzazione."
L'idea di base dietro l'approccio di DeepMind è copiare il modo in cui gli esseri umani e gli animali imparano rapidamente. Il consenso generale è che gli esseri umani possono affrontare le situazioni in due modi diversi. Se la situazione è familiare, i nostri cervelli ne hanno già formato un modello, che usano per capire come comportarsi al meglio. Questo utilizza una parte del cervello chiamata corteccia prefrontale.
wpDiscuz