Forskare har skapat en beräkningsmodell som gör det möjligt för artificiell intelligens för att lära sig de sätt som människor gör, enligt en artikel som publicerades förra veckan i tidskriften Science.
Modellen ger AI förmågan att känna igen handskrivna bokstäver så fort som människor kan.
Medan AI-system har kunnat lära sig att upptäcka mönster och dra slutsatser från bilder och ljud, de har i allmänhet kunnat göra så först efter att ha gett tusentals exempel. Människor behöver vanligtvis bara en handfull exempel innan de lär sig saker.
Forskare från New York University, Massachusetts Institute of Technology och University of Toronto omvänd konstruerad för människors sätt att hantera problem och byggt en AI algoritm för detta synsätt.
Deras arbete har gett tyngd åt vissa lovande metoder för att sätta maskinen lärande i paritet med människors förståelse, enligt tidningen huvudförfattare, Brenden Sjön, en Moore-Sloan Data Vetenskap Fellow vid
New York University.
“Jämfört med våra bästa maskinlärande algoritmer, människor kan lära sig ett nytt koncept från mindre data och generalisera i rikare och mer kraftfullt sätt”, sade han TechNewsWorld. “Vi kunde fånga dessa människors lärande förmågor för en stor klass av enkla visuella koncept — handskrivna tecken från världens alfabet.”
National Science Foundation, Army Research Office, Office of Naval Research och Moore-Sloan Data Vetenskap Miljö vid New York University stödde AI-forskning.
Löftet om AI
Det tar inte mycket fantasi för att koka upp användningsfall för de mänskliga-liknande intelligens inom den högteknologiska sektorn, men även andra branscher också kunde dra nytta av maskininlärning.
Online-kurser på universitet skulle ha stor nytta av automatiserade processer som levereras av AI, säger Susan Eustis, senior forskare och en av grundarna på
WinterGreen Research. Det skulle hjälpa professorer ytterligare anpassa innehåll för eleverna och göra det möjligt för dem att uppdatera läroböcker med den senaste forskningen på ett givet ämne.
“Medicinsk marknader står att vinna diagnostiska flexibilitet, hög grad påskynda den tid för att uppnå en korrekt diagnos och hänvisa patienter till en lämplig behandling,” sade hon till TechNewsWorld.
“Supply chain modernisering kommer också att dra nytta av möjligheten att hantera tusentals olika ingångar och snabbt informera alla lämpliga lednings-slutpunkter som att staten transporter och lager i tid,” Eustis läggas till.
Potentialen för Fara
Medan ökningen av AI över människor är en gemensam domedagsscenario, Eustis inte se en punkt där biologiska hjärnor falla bakom robotar i intelligens.
“Tänk på en delfin som är verkligen smart, men det är ingen fara att delfinen kommer att bli smartare än det mänskliga”, sade hon. “Det samma gäller för AI. Det finns inga förutsägbara punkt där maskinerna få smartare än den mänskliga. De bara fortsätter att bli riktigt bra på särskilt uppdrag, bättre och bättre.”
Det finns ingen anledning att oroa sig för att den algoritm som en dag kommer att ge maskiner för att överträffa människor, Lake sa.
“Jag tror att detta arbete representerar ett verkligt framsteg inom ett begränsat område, men det belyser också de utmaningar och stora luckor som finns kvar mellan människa och maskin lärande när alla kognitivt naturliga domäner anses vara”, sade han. “Människor är fortfarande mycket bättre elever.”
