Klára Ponczová, 16. 02. 21
Vědci neustále vyvíjí testy, které by dokázaly posoudit hlubší aspekty inteligence u AI jako je například schopnost konceptuálního myšlení nebo analogického uvažování. Cílem těchto testů je odhalit, co AI chybí a nasměrovat vývoj odvětví strojového učení tak, aby stroje dokázaly myslet stejně jako my.
Nejrozšířenějším lidským IQ testem jsou takzvané Ravenovy progresivní matice. U těch je třeba dokončit uspořádání devíti abstraktních kreseb dešifrováním základní struktury a výběrem chybějící kresby ze skupiny možností. V úkolech tohoto typu si AI dosud vedla velice dobře.
V prosinci však vědci na velké neuro-vědecké konferenci s názvem NeurIPS připravili pro AI novou, mnohem náročnější výzvu: Doplnění chybějícího vzoru do Ravenovy matice bez možnosti výběru ze skupiny. Jen tak lze totiž ověřit, že AI základnímu vzoru opravdu porozuměla: „Pokud například vyvíjíte systém počítačového vidění, dokáže obvykle velmi dobře rozpoznat, co je na scéně. A to bez toho, aby chápal, o co přesně jde,“ komentuje Lior Wolf, počítačový vědec z Tel Avivské univerzity. A „bez nápovědy“ oproti tomu vyžadujeme po stroji hlubší porozumění pravidlům a kompozici.
Jednoduché věci jsou pro AI složité
Na NeurIPS vědci dále představili softwarově generovaný datový soubor takzvaných Bongardových problémů. V jejich nové verzi s názvem Bongard-LOGO je vždy představeno několik abstraktních skic, které odpovídají nějakému principu, a několik, které ne. Dotazovaný musí následně určit, jestli nové skici splňují podmínky a danému principu odpovídají či nikoli. „Tyhle úlohy testují “kompozičnost“ a schopnost rozebrat vzor na jeho jednotlivé části, což je zásadní část inteligence,“ říká Anima Anandkumar, počítačová vědkyně z Kalifornského technologického institutu. A dodává, že lidé tento test vyřešili správně ve více než 90 % případů, nejmodernější algoritmy pak pouze v 65 % (přitom pravděpodobnost trefení správné odpovědi byla celých 50 %).
„Je vlastně fascinující, že něco tak pro nás jednoduchého může být pro AI stále tak složité,“ říká Anandkumarová, která v současné době vyvíjí novou verzi souboru Bongard-LOGO, tentokrát se skutečnými obrázky.
Koukat AI do karet
Pokročilé kompoziční myšlení by strojům v budoucnu umožnilo mnohem lepší fungování v reálném světě. Například autonomní vozidla musí dokázat rozčlenit objekty do obecných pojmů, jako jsou automobily a chodci, aby dokázala předpovědět, co se stane dál a adekvátně danou situaci vyhodnotila. Navíc by to vědcům umožnilo vytvořit mnohem snáze čitelnou AI. Dalo by se jí totiž koukat do karet a přesně vědět, jak shromažďuje důkazy.
Zapeklité mřížky
V soutěži jménem Kaggle byli účastníci pověření vytvořením systému AI, který by dokázal řešit úlohy systému jménem Corpus Abstraction and Reasoning Corpus (ARC), který v roce 2019 vytvořil François Chollet , výzkumný AI pracovník společnosti Google.
Jde o soubor vizuálních hádanek využívajících základní lidské znalosti geometrie, čísel a fyziky. Na každé hádance je vidět jeden nebo více párů mřížek naplněných barevnými čtverečky „před“ a „po“. Pak je zde jeden z páru nové mřížky, ke kterému je potřeba doplnit párovou mřížku na základě pravidla, které člověk/stroj z mřížek vyvodil.
Každá úloha systému ARC v soutěži obsahovala několik párů tréninkových vstupů (párových mřížek) a výstupů (párová mřížka k doplnění se správným řešením) a zcela nový testovací vstup, pro který umělá inteligence měla předpovědět odpovídající výstup.
Červená vlajka na poli vývoje AI
I ta nejšpičkovější AI však dosáhla v testu úspěšnosti sotva 20 %. "To je velká červená vlajka, která říká, že nám ve vývoji umělé inteligence něco zásadního uniká," říká Chollet.
Současná vlna pokroku v AI je poháněna převážně vícevrstvými neuronovými sítěmi, takzvanou metodou hlubokého učení. Jenže právě tyto neurální sítě při ARC testování v soutěži úplně propadly. Vítězové Kaggle soutěže oproti tomu použili metodu staré školy, tedy kombinace ručně psaných pravidel – namísto toho, aby AI učili vysbírávat vzory ze vstupních dat.
„Řešení bude pravděpodobně ležet v kombinaci obou přístupů,“ říká Chollet. Neuronová síť dokáže překládat chaotická vjemová data do strukturovanější formy, symbolického jazyka, kterou pak AI zvládne dále zpracovávat právě na základě symbolů.
Anandkumarová a Chollet považují za inteligenci schopnost snadno získávat nové dovednosti, což se AI dlouhodobě nedaří „naučit“. Jednoduše jí neumíme „naučit se učit“.
Současná AI obvykle vyžaduje spoustu vstupních dat k analýze a naučené principy není schopna zobecnit a převést na nové úkoly. Testy jako Bongard-LOGO a ARC však přesně tohle vyžadují: Rychlé řešení různých hádanek pouze na základě několika málo příkladů (datových vstupů). Možná je tak načase začít se ve vývoji umělé inteligence ubírat zcela novým směrem.
Tento článek je chráněn pomocí blockchainové služby Mytitle.