Vi kan redan se exempel på hur artificiell intelligens är att kunna visa några som verkar vid första anblicken, kännetecknande enbart för mänskliga drag. Vi skapar humanoida robotar, åtminstone mycket liknande till oss, några är engagerade i att skapa algoritmer för att kunna prestera något som oftast bara människor som kan skriva musik, målningar eller undervisning.
Med utvecklingen av denna sektor av företag och utvecklare börjar leta efter en möjlighet att ändra mycket grund på vilken vi skapar artificiell intelligens algoritmer och har godkänts för studier av verklig intelligens, och hur man kan simulera det inom verkstads-och mjukvaruutveckling för en ny generation. Ett sådant företag är IBM, som har satt ett ambitiöst mål att lära AI att bete sig (mer korrekt att säga att arbete) mer som den mänskliga hjärnan, inte som en uppsättning av programmerade algoritmer.
De flesta av de befintliga systemen för maskininlärning är uppbyggd kring behovet av att använda stora mängder av data. Det kan vara en dator, som syftar till att hitta sätt att vinna spelet, eller systemet, byggd för att upptäcka tecken på hudcancer på grundval av digitala bilder – denna regel fungerar alltid. Men en sådan grund för arbetet ser mycket begränsade och kortfattade, och det är naturligtvis vad som skiljer dessa system från hur den mänskliga hjärnan fungerar.
IBM vill ändra på det. Forskargruppen från DeepMind har skapat en syntetisk neurala nätverk, som bygger på rationellt beslutsfattande när man arbetar på en viss uppgift.
Rationell maskin
“Ge artificiell intelligens en uppsättning av objekt och en viss uppgift, vi kraft i nätverket för att upptäcka befintliga efterlevnad,” kommentarer på de sidor i Tidskriften Science Timothy Lillicrap, dator specialist DeepMind team.
I tester av de nätverk som genomfördes i juni, systemet, i närvaro av en mängd olika faktorer som fick olika uppgifter i samband med en digital bild. Till exempel: “den blå sak på bilden är objekt. Det har samma form som den lilla blåa saken är den till höger om den grå metall boll?”
I detta test, artificiella neurala nätverk kunde identifiera en önskad mål i 96% av fallen, medan konventionella modeller för att kunna klara uppgiften i 42-77% av fallen.
Nyligen konstgjorda neutron nätverk att fortsätta att förbättra förståelsen av det mänskliga språket. Forskarna vill också att förutom ljud beslutsfattande, sådant system skulle kunna visa och upprätthålla uppmärksamhet, och för att lagra minnen.
Ord Irina Rish, IBM forskare, utveckling av artificiell intelligens kan avsevärt påskynda och utvidga användningen av sådan taktik.
“Att förbättra neurala nätverk är fortfarande en fråga om teknik vanligtvis kräver en enorm mängd tid att komma till rätt arkitektur som fungerar bäst. I själva verket är den mänskliga metod av trial and error. Det skulle vara bra om nätverk kan själva skapa och förbättra”.
Naturligtvis vissa kan skrämma en tanke om AI nätverk har möjlighet att skapa och förbättra, men om du hittar ett kompetent sätt att övervaka, kontrollera och hantera denna process, det kommer att tillåta oss att gå bortom dagens begränsningar. Trots den växande rädsla om revolutionen robotar som förslava oss alla, utveckling av AI, förutsäga tusentals sparade liv i medicin, öppna för oss möjligheter att besöka och även att leva på Mars och mycket mer.
IBM ser artificiell intelligens som en uppsättning gemensamma algoritmer
Nikolai Khizhnyak