Cijfers staan ​​behoorlijk hoog op de lijst van wat een computer goed kan. Terwijl mensen vaak moeite hebben om een ​​restaurantrekening te splitsen, een moderne computer kan in slechts een seconde miljoenen berekeningen maken. mensen, echter, een aangeboren en intuïtief getalgevoel hebben dat ons heeft geholpen, onder andere, om computers te bouwen in de eerste plaats.

In tegenstelling tot een computer, een mens weet wanneer hij naar vier katten kijkt, vier appels en het symbool 4 dat ze allemaal één ding gemeen hebben - het abstracte begrip "vier" - zonder ze zelfs maar te hoeven tellen. Dit illustreert het verschil tussen de menselijke geest en de machine, en helpt verklaren waarom we niet eens in de buurt zijn van het ontwikkelen van AI's met de brede intelligentie die mensen bezitten. Maar nu een nieuwe studie, gepubliceerd in Science Advances, meldt dat een AI spontaan een mensachtig gevoel voor getallen heeft ontwikkeld.

Voor een computer om te tellen, we moeten duidelijk definiëren wat we willen tellen. Zodra we een beetje geheugen hebben toegewezen om de teller te onderhouden, we kunnen het op nul zetten en vervolgens een item toevoegen elke keer dat we iets vinden dat we willen opnemen. Dit betekent dat computers de tijd kunnen tellen (signalen van een elektronische klok), woorden (indien opgeslagen in het computergeheugen) en zelfs objecten in een digitaal beeld.

Deze laatste taak, echter, is een beetje uitdagend, omdat we de computer precies moeten vertellen hoe de objecten eruit zien voordat hij ze kan tellen. Maar objecten zien er niet altijd hetzelfde uit – variatie in verlichting, positie en pose hebben een impact, evenals eventuele verschillen in constructie tussen afzonderlijke voorbeelden.

Alle succesvolle computationele benaderingen voor het detecteren van objecten in afbeeldingen werken door een soort statistisch beeld van een object op te bouwen uit vele individuele voorbeelden - een soort leren. Hierdoor kan de computer met enige zekerheid nieuwe versies van objecten herkennen. De training omvat het aanbieden van voorbeelden die dat wel doen, of niet, het voorwerp bevatten. De computer maakt dan een inschatting of dit het geval is, en past zijn statistische model aan op basis van de nauwkeurigheid van de gok - zoals beoordeeld door een mens die toezicht houdt op het leren.

Moderne AI-systemen kunnen automatisch objecten detecteren wanneer ze worden voorzien van miljoenen trainingsbeelden van welke soort dan ook - net zoals mensen dat doen. Deze onbewaakte leersystemen merken geleidelijk aan delen van de elementen in de afbeeldingen op die vaak tegelijkertijd aanwezig zijn, en bouw laag op laag meer gecompliceerde overeenkomsten op.

Neem het herkennen van appels als voorbeeld. Omdat afbeeldingen met allerlei vormen aan het systeem worden gepresenteerd, het begint eerst groepen pixels op te merken die horizontale en verticale lijnen vormen, en links en rechts bochten. Ze zijn aanwezig in appels, gezichten, katten en auto's, dus de overeenkomsten, of abstracties, worden vroeg gevonden. Het realiseert zich uiteindelijk dat bepaalde rondingen en lijnen vaak samen aanwezig zijn in appels - en ontwikkelt een nieuwe, abstractie op een dieper niveau die een klasse van objecten vertegenwoordigt:appels, in dit geval.

Diep leren

Deze natuurlijke opkomst van abstracties op hoog niveau is een van de meest opwindende resultaten van de machine learning-techniek die diepe neurale netwerken wordt genoemd. die in zekere zin op dezelfde manier werken als het menselijk brein. De "diepte" komt van de vele lagen in het netwerk - naarmate de informatie dieper het netwerk ingaat, de gevonden overeenkomsten worden abstracter. Op deze manier, netwerken worden gecreëerd met elementen die sterk actief zijn wanneer de input vergelijkbaar is met wat het eerder heeft meegemaakt. De meest abstracte dingen verschijnen op de diepste niveaus - dit zijn katten, gezichten en appels in plaats van verticale lijnen of cirkels.

Wanneer een AI-systeem appels kan herkennen, je kunt het dan gebruiken om te tellen hoeveel het er zijn. Dat is geweldig, toch is het niet helemaal hoe jij of ik appels zouden tellen. We hebben een extreem diep concept van "aantal" - hoeveel van iets er is. In plaats van alleen actief te zijn wanneer een object aanwezig is, delen van onze hersenen worden geactiveerd afhankelijk van de hoeveelheid aanwezige objecten. Het betekent dat we naar een bos appels kunnen kijken en weten dat het er vier zijn zonder ze allemaal te tellen.

In feite, veel dieren kunnen dit ook. Dat komt omdat dit gevoel van numerositeit een nuttige eigenschap is voor overleving en voortplanting in veel verschillende situaties - neem bijvoorbeeld het beoordelen van de grootte van groepen rivalen of prooien.

Opkomende eigenschappen

In de nieuwe studie een diep neuraal netwerk dat was getraind voor eenvoudige visuele objectdetectie, ontwikkelde spontaan dit soort getalgevoel. De onderzoekers ontdekten dat specifieke eenheden binnen het netwerk plotseling "afstemden" op een abstract getal - net zoals echte neuronen in de hersenen zouden kunnen reageren. Het realiseerde zich dat een afbeelding van vier appels vergelijkbaar is met een afbeelding van vier katten - omdat ze "vier" gemeen hebben.

Een heel interessant aspect van dit onderzoek is dat het laat zien dat onze huidige leerprincipes vrij fundamenteel zijn. Enkele van de meest hoogstaande aspecten van denken die mensen en dieren demonstreren, houden nauw verband met de structuur van de wereld, en onze visuele ervaring daarvan.

Het geeft ook aan dat we misschien op de goede weg zijn om een ​​meer alomvattende, kunstmatige intelligentie op menselijk niveau. Het toepassen van dit soort leren op andere taken - misschien door het toe te passen op signalen die zich over een bepaalde tijdsperiode voordoen in plaats van over pixels in een afbeelding - zou machines kunnen opleveren met nog meer mensachtige eigenschappen. Dingen die we ooit fundamenteel vonden om mens te zijn - muzikaal ritme bijvoorbeeld, of zelfs een gevoel van causaliteit – worden nu vanuit dit nieuwe perspectief onderzocht.

Naarmate we meer ontdekken over het bouwen van kunstmatige leertechnieken, en nieuwe manieren vinden om de hersenen van levende organismen te begrijpen, we ontsluiten meer van de mysteries van intelligent, adaptief gedrag.

Er is nog een lange weg te gaan, en vele andere dimensies die we moeten onderzoeken, maar het is duidelijk dat het vermogen om naar de wereld te kijken en de structuur ervan op basis van ervaring uit te werken een belangrijk onderdeel is van wat mensen zo flexibel maakt. Het lijdt geen twijfel dat het een noodzakelijk onderdeel zal zijn van elk AI-systeem dat het potentieel heeft om de verscheidenheid en complexiteit van taken uit te voeren die mensen kunnen uitvoeren.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.