A.I. Пам'ятаєте, але ви все одно роздавите її в Magic: The Gathering

Нейронні мережі мають вирішальне значення для майбутнього А.І. і, за словами Елона Маска, майбутнє всього людства. На щастя, DeepMind від Google просто розібрав код, щоб зробити нейронні мережі набагато розумнішими, надавши їм внутрішню пам'ять.

У дослідженні випущено в Природа 12 жовтня DeepMind показав, як нейронні мережі і системи пам'яті можуть бути об'єднані, щоб створити машинне навчання, яке не тільки зберігає знання, але й швидко використовує його для обґрунтування на основі обставин. Один з найбільших викликів з A.I. отримує це, щоб запам'ятати речі. Схоже, ми наблизилися до досягнення цього.

Називаються диференційованими нейронними комп'ютерами (DNC), розширені нейронні мережі функціонують так само, як комп'ютер. Комп'ютер має процесор для виконання завдань (нейронна мережа), але для роботи процесора потрібна система пам'яті для виконання алгоритмів з різних точок даних (DNC).

До інновацій DeepMind нейронні мережі повинні були покладатися на зовнішню пам'ять, щоб не заважати діяльності нейронів мережі.

Без будь-якої зовнішньої пам'яті нейронні мережі здатні лише обґрунтовувати рішення на основі відомої інформації. Вони потребують величезної кількості даних і практики, щоб стати більш точними. Як і людина, яка вивчає нову мову, фактично потрібен час для того, щоб нейронні мережі стали розумними. З цієї ж причини нейронна мережа DeepMind відмінно працює в Go, але страшна на стратегічній грі Magic: нейронні мережі просто не можуть обробляти достатньо змінних без пам'яті.

Пам'ять дозволяє нейронним мережам включати змінні і швидко аналізувати дані, щоб вона могла графікувати щось таке складне, як лондонське підпілля, і мати можливість робити висновки на основі конкретних точок даних. У дослідженні DeepMind вони виявили, що DNC може самостійно навчитися відповідати на запитання про найшвидші маршрути між пунктами призначення і в якому місці поїздка закінчиться, просто використовуючи новий графік і знання інших транспортних систем. Він також може виводити відносини з родового дерева без інформації, представленої за винятком дерева. DNC зміг виконати завдання до заданого завдання, не отримавши додаткових точок даних, які були б потрібні традиційній нейронній мережі.

Хоча це може здатися не дуже вражаючим (Google Maps вже досить добре обчислює найбільш ефективний маршрут), технологія є величезним кроком для майбутнього A.I. Якщо ви вважаєте, що інтелектуальний пошук ефективний (або моторошний), уявіть, наскільки добре це може бути з пам'яттю нейронної мережі. Коли ви шукаєте на імені Бен, ви знаєте, що ви знаходитесь на сторінці спільного друга, дивлячись на його фотографію, що ви маєте на увазі Бена з вулиці, а не Бен з початкової школи.

Навчання природним мовам А.І. нарешті, буде достатньо контексту для роботи на обох мовах Wall Street Journal і бути в змозі зрозуміти Чорний Twitter. Сірі може зрозуміти, що Пепе Жаба - це більше, ніж просто персонаж з коміксу, тому що читає кожен Обернено про неї.

«Мені найбільше вражає здатність мережі вивчати« алгоритми »з прикладів, - сказав Бренден Лейк, когнітивний вчений з Нью-Йоркського університету. Технологічний огляд. «Алгоритми, такі як сортування або пошук найкоротших шляхів, є хлібом і маслом класичної комп'ютерної науки. Вони традиційно вимагають від програміста розробляти і впроваджувати ».

Надання А.І. здатність розуміти контекст дозволяє йому пропускати необхідність запрограмованих алгоритмів.

Незважаючи на те, що DNC DeepMind не є першим експериментом у нейронній пам'яті, він є найскладнішим. Тим не менш, нейронна мережа все ще перебуває на ранніх стадіях, і їй потрібно пройти довгий шлях до того, як він вивчатиме людські рівні. Дослідники все ще повинні з'ясувати, як розширити обробку систем, щоб вона могла швидко сканувати та обчислити кожен фрагмент пам'яті.

На даний момент, люди отримують найбільше неврологічне панування.