Deep-learning neurale netwerken hebben een lange weg afgelegd in de afgelopen jaren - we hebben nu systemen die in staat zijn om mensen te verslaan bij complexe spellen zoals shogi, Ga schaken. Maar wordt de voortgang van dergelijke systemen beperkt door hun basisarchitectuur? Shimon Ullman, met het Weizmann Instituut voor Wetenschap, gaat in op deze vraag in een Perspectives-stuk in het tijdschrift Wetenschap en suggereert enkele manieren waarop computerwetenschappers verder kunnen reiken dan eenvoudige AI-systemen om kunstmatige algemene intelligentie (AGI) -systemen te creëren.

Deep learning-netwerken kunnen leren omdat ze zijn geprogrammeerd om kunstmatige neuronen en de verbindingen daartussen te creëren. Als ze nieuwe gegevens tegenkomen, nieuwe neuronen en communicatiepaden daartussen worden gevormd - net zoals de manier waarop het menselijk brein werkt. Maar dergelijke systemen vereisen uitgebreide training (en een feedbacksysteem) voordat ze iets nuttigs kunnen doen, wat in schril contrast staat met de manier waarop mensen leren. We hoeven niet duizenden mensen in actie te zien om te leren iemands blik te volgen, bijvoorbeeld, of om erachter te komen dat een glimlach iets positiefs is.

Ullman suggereert dat dit komt omdat mensen worden geboren met wat hij beschrijft als reeds bestaande netwerkstructuren die zijn gecodeerd in onze neurale circuits. dergelijke structuren, hij legt uit, opgroeiende baby's inzicht geven in de fysieke wereld waarin ze bestaan ​​- een basis waarop ze complexere structuren kunnen bouwen die leiden tot algemene intelligentie. Als computers vergelijkbare structuren hadden, zij, te, kunnen fysieke en sociale vaardigheden ontwikkelen zonder dat er duizenden voorbeelden nodig zijn.

Maar er is een probleem:neurowetenschappers weten niet hoe of waar deze structuren in de hersenen bestaan. Dat maakt het moeilijk om kunstmatige versies te maken voor gebruik in computers. Ullman suggereert dat de weg naar het bouwen van meer geavanceerde AI-systemen ligt bij het leren van meer over het menselijk brein en hoe het leert - en hoe het gebruikt wat het leert om beslissingen te nemen over het dagelijks bestaan. Hij merkt ook op dat er eigenlijk een alternatieve benadering is:het bouwen van computationele leermethoden vanaf het begin. Maar als je dat doet, hij erkent, kan net zo moeilijk zijn als uitzoeken hoe onze eigen hersenen eigenlijk werken.

© 2019 Wetenschap X Netwerk