A.I. Lahko se spomniš, vendar bi jo še vedno zdrobil v Magic: The Gathering

Nevronske mreže so ključne za prihodnost A.I. in po Elonu Musku, prihodnost vsega človeštva. Na srečo je Googlova DeepMind pravkar naredila kodo, da bi bila nevronska omrežja precej pametnejša, če bi jim dala notranji spomin.

V študiji, objavljeni leta 2006. T Narava 12. oktobra je DeepMind pokazal, kako lahko kombiniramo nevronske mreže in pomnilniške sisteme, da bi ustvarili strojno učenje, ki ne samo shrani znanje, ampak ga hitro uporabi za utemeljitev na podlagi okoliščin. Eden največjih izzivov z A.I. je to, da se spomni stvari. Zdi se, da smo korak bližje doseganju tega.

Izboljšane nevronske mreže, imenovane različni nevralni računalniki (DNC), delujejo podobno kot računalnik. Računalnik ima procesor za opravljanje nalog (nevronske mreže), vendar potrebuje pomnilniški sistem, da procesor izvede algoritme iz različnih podatkovnih točk (DNC).

Pred inovacijami DeepMinda so se nevronske mreže morale zanašati na zunanji spomin, da ne bi vplivale na dejavnost mreže.

Brez zunanjega pomnilnika so nevronske mreže sposobne samo razložiti rešitev, ki temelji na znanih informacijah. Potrebujejo ogromne količine podatkov in prakso, da bi postali bolj natančni. Kot človek, ki uči nov jezik, je potreben čas, da nevronske mreže postanejo pametne. Iz istega razloga je nevronska mreža podjetja DeepMind odlična pri Go, vendar grozna v strategiji, ki temelji na igri Magic: Nevronske mreže preprosto ne morejo obdelati dovolj spremenljivk brez spomina.

Pomnilnik omogoča nevronske mreže, da vključijo spremenljivke in hitro analizirajo podatke, tako da lahko grafirajo tako zapleteno kot londonski Underground in da lahko sklepajo na podlagi posebnih podatkovnih točk. V študiji DeepMinda so ugotovili, da se je DNC lahko naučil samostojno odgovarjati na vprašanja o najhitrejših poteh med destinacijami in na katerem cilju bi se potovanje končalo samo z novo predstavljenim grafom in poznavanjem drugih transportnih sistemov. Prav tako bi lahko izpeljali povezave iz družinskega drevesa brez predstavljenih informacij, razen drevesa. DNC je lahko dokončal cilj za določeno nalogo, ne da bi dobil dodatne podatkovne točke, ki bi jih potrebovala tradicionalna nevronska mreža.

Čeprav se to morda ne zdi strašno impresivno (Google Zemljevidi že precej dobro izračunajo najučinkovitejšo pot nekje), je tehnologija velik korak za prihodnost A.I. Če mislite, da je napovedno iskanje učinkovito (ali grozljivo), si zamislite, kako dober je lahko pri nevronskem omrežnem spominu. Ko boste poiskali ime Ben za ime Ben, boste vedeli, da ste bili samo na strani skupnega prijatelja, ki je gledal njegovo sliko, ki pomeni Ben iz ceste in ne iz osnovne šole.

Učenje jezika A.I. končno imeli dovolj konteksta za delovanje na obeh jezikih Wall Street Journal in razumeli Črno Twitter. Siri je lahko razumela, da je Pepe the Frog več kot le lik iz stripa, ker je brala vsak Inverse o tem.

"Največji vtis imam nad sposobnostjo omrežja, da se nauči" algoritmov "iz primerov," je povedala Brenden Lake, kognitivni znanstvenik na Univerzi v New Yorku. Pregled tehnologije. »Algoritmi, kot so razvrščanje ali iskanje najkrajših poti, so kruh in maslo klasične računalniške znanosti. Tradicionalno potrebujejo programerja za načrtovanje in izvajanje."

Dajanje A.I. zmožnost razumevanja konteksta ji omogoča, da preskoči potrebo po programiranih algoritmih.

Čeprav DNC DeepMinda ni prvi poskus v živčnem spominu, je najbolj izpopolnjen. Sicer pa je nevronska mreža še v začetni fazi in je še dolga, preden je na ravni človeškega učenja. Raziskovalci morajo še vedno razbrati, kako povečati obdelavo sistemov, tako da lahko hitro skenira in izračuna vsak del pomnilnika.

Zaenkrat človek postane vladar nevrološko.