А.С. Може да си спомня, но все пак ще го смажеш в Magic: The Gathering

Невронните мрежи са ключови за бъдещето на A.I. и според Елон Муск, бъдещето на цялото човечество. За щастие, DeepMind на Google просто пропусна кода, за да направи невронните мрежи много по-умни, като им даде вътрешна памет.

В проучване, публикувано в природа на 12 октомври DeepMind показа как невронните мрежи и системите с памет могат да бъдат комбинирани, за да създадат машинно обучение, което не само съхранява знанието, но и бързо го използва, за да се основава на обстоятелства. Едно от най-големите предизвикателства с A.I. го кара да си спомня неща. Изглежда, че сме една крачка по-близо до това.

Наричани диференцирани невронни компютри (DNC), подобрените невронни мрежи функционират много подобно на компютър. Компютърът има процесор за изпълнение на задачи (невронна мрежа), но е необходима система за памет, за да може процесорът да изпълнява алгоритми от различни точки от данни (DNC).

Преди иновациите на DeepMind невронните мрежи трябваше да разчитат на външна памет, за да не пречат на дейността на мрежата.

Без никаква външна памет, невронните мрежи могат да обосноват решение, основано на позната информация. Те се нуждаят от огромни количества данни и практика, за да станат по-точни. Подобно на човек, който изучава нов език, всъщност отнема време, за да станат умни невронни мрежи. По същата причина невронната мрежа на DeepMind е страхотна в Go, но ужасна при стратегическата игра Magic: Невронните мрежи просто не могат да обработват достатъчно променливи без памет.

Паметта позволява на невронните мрежи да включват променливи и бързо да анализират данните, така че да могат да графират нещо толкова сложно като лондонското метро и да могат да правят заключения въз основа на конкретни данни. В проучването на DeepMind те открили, че един DNC може сам да се научи да отговаря на въпросите за най-бързите маршрути между дестинациите и в коя дестинация пътуването ще приключи само с помощта на ново представената графика и познанията за други транспортни системи. Тя може също да изведе отношения от родословно дърво без представена информация освен дървото. DNC успя да завърши целта на дадена задача, без да бъде захранена с допълнителни данни, които биха били необходими за традиционната невронна мрежа.

Макар това да не изглежда ужасно впечатляващо (Google Maps вече е доста добър в изчисляването на най-ефективния маршрут някъде), технологията е огромна стъпка за бъдещето на A.I. Ако смятате, че прогнозното търсене е ефикасно (или зловещо), си представете колко добре може да бъде с невронна мрежова памет. Когато търсите във Фейсбук името Бен, то ще разберете от факта, че просто сте били на страницата на един общ приятел, разглеждайки негова снимка, която означава Бен от улицата, а не Бен от началното училище.

Учене по естествен език A.I. накрая ще има достатъчно контекст, за да функционира и на езика на Wall Street Journal и да разбирате Черния Twitter. Сири можеше да разбере, че Пепе Жабата е нещо повече от герой от комикс, защото чете всеки обратен статия за него.

„Най-силно съм впечатлен от способността на мрежата да научи„ алгоритми ”от примери,“ каза Брендън Лейк, когнитивен учен в Нюйоркския университет. Преглед на технологиите, „Алгоритми като сортиране или намиране на най-кратки пътеки са хлябът и маслото на класическата компютърна наука. Те традиционно изискват програмист да проектира и внедри.

Даване на A.I. способността за разбиране на контекста му позволява да пропусне нуждата от програмирани алгоритми.

Въпреки че DNC на DeepMind не е първият експеримент в нервната памет, той е най-сложният. Въпреки това, невронната мрежа е все още в началните си етапи и трябва да извърви дълъг път, преди да е на ниво човешко обучение. Изследователите все още трябва да разберат как да увеличат скоростта на обработката на системите, така че да могат да сканират и изчисляват бързо всяка част от паметта.

Засега хората се оказват неврологични.