Forskere har skabt en numerisk model, der gør det muligt for kunstig intelligens til at lære på den måde, mennesker gør, ifølge en artikel offentliggjort i sidste uge i tidsskriftet Science.
Modellen giver AI evnen til at genkende håndskrevne alfabetiske tegn, som hurtigt som mennesker kan.
Mens AI-system har været i stand til at lære at spotte mønstre og foretage slutninger ud fra billeder og lyde, de generelt har været i stand til at gøre det efter at have fået tusindvis af eksempler. Mennesker skal typisk kun en håndfuld eksempler, før de lærer ting.
Forskere fra New York University, Massachusetts Institute of Technology og University of Toronto vendt udviklet den måde, folk håndtere problemer og bygget en AI-algoritme for denne tilgang.
Deres arbejde har givet vægt, at nogle lovende metoder til at sætte machine learning på lige fod med menneskelige forståelse, i henhold til det papir, der er hovedforfatter, Brenden Sø, en Moore-Sloan Data Science-Stipendiat ved
New York University.
“I forhold til vores bedste machine learning algoritmer, folk kan lære et nyt koncept fra mindre data og generalisere i rigere og mere magtfulde måder,” fortalte han TechNewsWorld. “Vi var i stand til at fange disse menneskers læring evner for en stor klasse af simple visuelle koncepter-håndskrevne tegn fra verdens alfabeter.”
National Science Foundation, Army Research Office, Office of Naval Research og Moore-Sloan Data Videnskab Miljø ved New York University, der understøttes AI forskning.
Løftet om AI
Det tager ikke megen fantasi til at lave mad op use cases for human-lignende AI i den højteknologiske sektor, men andre brancher kan også drage fordel af machine learning.
Online university kurser, som ville have stor gavn af automatiserede processer, der leveres af AI, sagde Susan Eustis, senior forsker og medstifter på
WinterGreen Forskning. Det ville hjælpe professorer yderligere tilpasse indhold til de studerende og give dem mulighed for at opdatere lærebøger med den nyeste forskning på et givet emne.
“Medicinsk markeder står til at vinde diagnostiske fleksibilitet, i høj grad fremskynde den tid, for at opnå en præcis diagnose og henvise patienter til en passende behandling regime,” fortalte hun TechNewsWorld.
“Supply chain modernisering vil også drage fordel af evnen til at håndtere tusindvis af forskellige indgange og hurtigt at underrette alle relevante ledelsesmæssige endpoints som til staten af forsendelser og opgørelse i tide,” Eustis tilføjet.
Potentialet for Fare
Mens stigningen i AI over mennesker er en fælles dommedags scenario, Eustis ikke se et punkt, hvor den biologiske hjerner falder bag robotter i intelligens.
“Tænk på en delfin, der er rigtig smart, men der er ingen fare for, at delfinen vil blive klogere end mennesket,” sagde hun. “Det samme gælder for AI. Der er ingen forudsigelig punkt, hvor maskinerne bliver mere intelligente end mennesket. De skal bare fortsætte med at blive rigtig god på de anviste opgaver, bedre og bedre.”
Der er ingen grund til at bekymre sig, at den algoritme, der en dag vil sætte maskiner til at overgå mennesker sagde Sø.
“Jeg tror, at dette arbejde repræsenterer et ægte fremskridt i et begrænset domæne, men det sætter også fokus på de udfordringer og store mangler, der fortsat er mellem menneske og maskine at lære, når alle kognitivt naturlige domæner betragtes,” sagde han. “Folk er stadig meget bedre elever.”
