Et team af forskere fra MIT har udviklet en kunstig intelligens, der kan narre menneskelige dommere til at tro, at det er en person, når det kommer til tegning af ukendt brev-lignende figurer.
Du kan tænke på det eksperiment, der er beskrevet i det nye nummer af Science, som en slags visuel Turing-Test. Den software og et menneske er vist en ny karakter—noget, der ligner et brev, men ikke helt. (Du kan se nogle eksempler på billedet ovenfor.) Så, de blev begge bedt om at producere subtile variationer i karakter. I andre tests, menneske og computer i stedet blev leveret med en række ukendte tegn og bedt om at producere en ny, der passer med partiet.
Et team af menneskelige dommere blev derefter bedt om at finde ud af, hvilke resultater, der blev produceret af computer, og som af mennesker. På tværs af alle de opgaver, som dommerne kunne kun identificere AI ‘ s indsats med cirka 50 procent nøjagtighed—det er det samme som en tilfældighed.
(Tror du, du kan gøre det bedre end de dommere? På billedet øverst, et panel af ni figurer blev fremstillet af enten AI eller et menneske for hver karakter. Kan du identificere, hvilke panel blev genereret af en maskine? Svarene er i bunden af siden.)
Det kan virke, som en mærkelig eksperiment, men det har nogle vidtrækkende konsekvenser. Normalt, du ser, AI systemer er nødt til at være uddannet på massive datasæt, før de kan udføre en opgave. I modsætning til computere, mennesker kan udføre, hvad forskere kalder “one-shot-læring” med sammenlignende lethed.
Sponsoreret
Forskerne foreslår, at de har oprettet en AI, der kan gøre det samme, ved hjælp af en teknik kaldet Bayesian Program Læring. Der identificerer og lærer tegn, med en tilgang, der ligner den måde, mennesker forstår begreber. Holdet forklarer, hvordan softwaren virker:
Der henviser til, at en konventionel computer program systematisk nedbrydes et højt niveau opgave i dens mest grundlæggende beregninger, en probabilistisk program kræver kun et meget overfladisk model for de data, som det vil operere på. Inferens algoritmer, så udfyld detaljerne i den model, ved at analysere en lang række eksempler.
Her, forskernes model er angivet, at tegnene i menneskelige skriftligt systemer, der består af slag, der er afgrænset af ophævelsen af pennen, og at den slag består af substrokes, der er afgrænset af de punkter, hvor pen ‘ s hastighed er nul.
Bevæbnet med denne model, systemet derefter analyseret hundredvis af motion-capture-optagelser af mennesker tegning tegn på flere forskellige skriftsystemer, læring statistik på relationer mellem hinanden følgende streger, og substrokes samt på variation tolereres i udførelsen af et enkelt slag.
De resultater, der synes at tale for sig selv—og de forskere, der ikke er alt for genert om at skjule deres begejstring. “I den aktuelle AI-landskab, der har været meget fokus på klassificering af mønstre,” siger Josh Tenenbaum, en af forskerne i en pressemeddelelse. “Men hvad der er blevet tabt, er, at intelligens ikke kun om klassificering eller anerkendelse; det handler om at tænke. Dette er til dels derfor, selv om vi studerer håndskrevne tegn, vi er ikke genert om at bruge et ord som ‘koncept.’ Fordi der er en masse ting, som vi gør med selv meget rigere, mere komplekse begreber, som vi kan gøre med disse tegn. Vi kan forstå, hvad de er bygget af. Vi kan forstå de enkelte dele.”
[ Videnskab, MIT, New York Times]
Svar: Det net, der produceres af AI blev, af rækken,: 1,2,1;2,1,1.