Et team av forskere fra MIT har utviklet en kunstig intelligens system som kan lure menneskelige dommerne til å tro at det er en person når det kommer til tegning ukjente brev-som tegn.
Du kan tenke av forsøket, detaljert i den nye utgaven av Science, som en slags visuell Turing Test. Programvaren og et menneske som er vist en ny karakter—noe som ser ut som et brev, men er ikke helt. (Du kan se noen eksempler i bildet over.) Deretter, begge ble bedt om å produsere små variasjoner på karakteren. I andre tester, mennesket og datamaskinen ble i stedet leveres med en rekke ukjente tegn, og ba om å produsere en ny en som passer med batch.
Et team av menneskelige dommere ble så bedt om å finne ut hvilke resultater ble produsert av datamaskinen, og som av mennesker. På tvers av alle oppgaver, dommerne bare kunne identifisere AI innsats med om lag 50 prosent nøyaktighet—Det er det samme som en tilfeldighet.
(Tror du kan gjøre bedre enn dommerne? I bildet på toppen, et panel av ni figurer ble produsert av enten AI eller et menneske, for hvert tegn. Kan du identifisere hvilke panelet ble generert av en maskin? Svarene er på bunnen av siden.)
Det kan virke som en underlig eksperiment, men det har noen dyptgripende konsekvenser. Vanligvis, du ser, AI-systemer har for å bli trent på massive datasett før de kan utføre en oppgave. I motsetning til datamaskiner, mennesker kan utføre hva forskerne refererer til som “one-shot læring” med komparative letthet.
Sponset
Forskerne tyder på at de har laget en AI som kan gjøre det samme, med en teknikk som kalles Bayesiansk Program for Læring. Det identifiserer og lærer tegn med en tilnærming som ligner på måten mennesker forstå begreper. Teamet forklarer hvordan programmet fungerer:
Mens en tradisjonell datamaskin program systematisk deler en høy-nivå oppgaven i sin mest grunnleggende beregninger, en probabilistisk programmet krever bare et svært mangelfull modell av data det skal operere på. Slutning algoritmer fyll i informasjon i modellen ved å analysere en rekke eksempler.
Her, at forskerne modellen er spesifisert som tegn på menneskelig å skrive systemer består av slag, avgrenset ved å løfte av pennen, og at det slag består av substrokes, avgrenset av de punkter hvor penn ‘ s hastighet er null.
Bevæpnet med at modell, system og deretter analysert hundrevis av motion-capture-opptak av mennesker tegning tegn i flere forskjellige skriftsystemer, læring statistikk om forholdet mellom påfølgende slag og substrokes så vel som på variasjon tolerert i utførelsen av et enkelt slag.
Resultatene synes å tale for seg selv—og forskere ikke er altfor sjenert om å skjule sin begeistring. “I dagens AI landskapet, har det vært mye fokus på å klassifisere mønstre,” sier Josh Tenenbaum, en av forskerne, i en pressemelding. “Men hva er det som er tapt, er at intelligens handler ikke bare om å klassifisere eller gjenkjenne; det handler om å tro. Dette er delvis derfor, selv om vi studerer hånd-skrevet tegn, vi er ikke sjenert om å bruke et ord som ” konsept.’ Fordi det er en haug med ting som vi gjør med enda mye rikere, mer komplekse begreper som vi kan gjøre med disse tegnene. Vi kan forstå hva de er bygd opp av. Vi kan forstå delene.”
[ Vitenskap, MIT, New York Times]
Svar: De nettene er produsert av AI ble, av raden: 1,2,1;2,1,1.