Forskere har laget en beregningsorientert modell som gjør det mulig for kunstig intelligens til å lære måten mennesker gjør, ifølge en artikkel publisert i forrige uke i tidsskriftet Science.
Modellen gir AI evnen til å gjenkjenne håndskrevne alfabetisk tegn så fort som mennesker kan.
Mens systemer for kunstig INTELLIGENS har vært i stand til å lære å oppdage mønstre og gjøre slutninger fra bilder og lyder, de generelt har vært i stand til å gjøre det etter å ha blitt gitt tusenvis av eksempler. Mennesker vanligvis trenger bare en håndfull eksempler før de lærer ting.
Forskere fra New York University, Massachusetts Institute of Technology og University of Toronto reversert konstruert måten folk adresse problemer og bygget en AI algoritme for at tilnærmingen.
Deres arbeid har gitt vekt, og noen lovende tilnærminger til å sette maskinen læring på nivå med menneskelig forståelse, i henhold til papiret som er hovedforfatter, Brenden Lake, en Moore-Sloan Data Science-Stipendiat ved
New York University.
“I forhold til vårt beste for maskinlæring algoritmer, kan folk lære et nytt konsept fra mindre data og generalisere i rikere og mer effektive måter,” sa han til TechNewsWorld. “Vi var i stand til å fange opp slike menneskelig læring evner for en stor klasse av enkle visuelle konsepter — håndskrevne bokstaver fra verdens alfabeter.”
The National Science Foundation, the Army Research Office, Office of Naval Research og Moore-Sloan Data Science Miljø ved New York University støttet AI-forskning.
Løftet av AI
Det tar ikke mye fantasi til å koke opp bruksområdene for menneske-som AI i high-tech sektor, men i andre bransjer også kunne dra nytte av maskinen læring.
Internett universitetet kurs ville ha stor nytte av automatiserte prosesser levert av AI, sa Susan Eustis, forsker og gründer ved
WinterGreen Forskning. Det ville hjelpe professorer ytterligere tilpasse innhold for elevene, og gjøre dem i stand til å oppdatere lærebøker med den nyeste forskningen på et gitt tema.
“Medisinsk markeder står å få diagnostiske fleksibilitet, stor fart på tide å oppnå en nøyaktig diagnose og henvise pasienter til en passende behandling regime”, sa hun TechNewsWorld.
“Supply chain modernisering vil også dra nytte av muligheten til å administrere tusenvis av varierende innganger og raskt varsle alle passende administrative endepunkter som til staten av forsendelser og inventar på en riktig måte,” Eustis lagt til.
Potensialet for Fare
Mens fremveksten av AI over mennesker er en vanlig dommedag scenario, Eustis ikke se et punkt der biologiske hjerner falle bak roboter i intelligens.
“Tenk på en delfin som er veldig smart, men det er ingen fare for at dolphin vil få smartere enn det menneskelige,” sa hun. “Det samme gjelder for AI. Det er ingen forutsigbar punktet der maskiner får smartere enn den menneskelige. De bare til å fortsette å bli virkelig god på angitte oppgaver, bedre og bedre.”
Det er ingen grunn til å bekymre deg for at algoritmen en dag vil styrke maskiner for å gjøre det bedre enn mennesker, Lake sa.
“Jeg tror dette arbeidet representerer ekte fremgang i et begrenset domene, men det er også understreker de utfordringer og store hull som blir liggende igjen mellom menneske og maskin læring når alle kognitivt naturlig domener er vurdert,” sa han. “Folk er fortsatt mye bedre elever.”
