เนื้อหา
- นกใช้สมองอย่างไร
- ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
- การทดสอบการทดสอบ 1, 2, 3
- ความล้มเหลวเป็นตัวเลือก
ที่มา: Macrovector / Dreamstime.com
Takeaway:
ความก้าวหน้าของปัญญาประดิษฐ์จนถึงจุดที่คิดเหมือนมนุษย์ยังคงเป็นเพียงผลงานนิยายวิทยาศาสตร์ ในชีวิตจริงความซับซ้อนของความสามารถของมนุษย์นั้นยังห่างไกลจากความเข้าใจในนวัตกรรมทางเทคโนโลยีของเรา แต่นักวิจัยกำลังศึกษาว่า AI สามารถเรียนรู้ได้อย่างไร - ถ้าไม่ใช่อย่างที่มนุษย์ทำ
โดยปกติแล้ว AI จะพิสูจน์ว่าประสบความสำเร็จอย่างมากเมื่อเป้าหมายมุ่งเน้นที่งานเดียวเช่นการเล่นเกมที่มีกฎที่กำหนดไว้อย่างชัดเจน กำลังพยายามตั้งค่าระบบเพื่อจัดการกับความซับซ้อนที่มากขึ้นซึ่งพิสูจน์แล้วว่าเข้าใจยากสำหรับ AI นักวิจัยบางคนเชื่อว่าการเรียนรู้ว่าสัตว์เรียนรู้สามารถเปิดหนทางสู่ความเชี่ยวชาญที่ครอบคลุมมากขึ้นของ AI ได้อย่างไร
การแข็งค่าของความสามารถทางปัญญาที่แสดงโดยสัตว์เป็นแรงจูงใจสำหรับการแข่งขันกีฬาโอลิมปิกสัตว์ -I ตามที่อธิบายไว้ในวิดีโอ YouTube ของ“ แทนที่จะให้ปัญหาในการแก้ปัญหาเราจะจัดให้มีเวทีที่เราจะทดสอบรายการของคุณสำหรับความสามารถทางปัญญาที่เรียบง่ายมากมายโดยใช้วิธีการจากวรรณกรรมความรู้สัตว์” (เพื่อเรียนรู้เกี่ยวกับต้นกำเนิดของ AI ประวัติโดยย่อของ AI)
นกใช้สมองอย่างไร
“ เบิร์ดแบรน” เป็นที่เข้าใจกันโดยทั่วไปว่าเป็นการดูถูกที่ใช้กับคนที่ขาดสติปัญญาแต่ในความเป็นจริงแล้วนกใช้สมองอย่างมีประสิทธิภาพในการหาวิธีการแก้ปัญหาเช่นการเข้าถึงอาหารที่ไม่สามารถเข้าถึงได้ทันที
เมื่อวิดีโอด้านล่างแสดงให้เห็นว่านกค่อนข้างฉลาดในการแก้ปัญหาที่ใช้งานได้จริง
ความท้าทายในการเลี้ยงเศษอาหารโดยการขว้างก้อนกรวดลงในน้ำได้รับแรงบันดาลใจจากนิทานอีสปเรื่อง“ อีกาและเหยือก” หนึ่งในเรื่องราวของศีลธรรมคือ“ การใช้สติปัญญาอย่างชาญฉลาดอาจช่วยเราได้” มีตัวอย่างอื่น ๆ ของนกที่แสดงให้เห็นถึงความคิดที่เหนือกว่ามากดังนั้นวิดีโอนี้ยืนยันว่าเราควรคิดใหม่เกี่ยวกับการใช้“ นก”
เป้าหมายของการแข่งขันมีดังต่อไปนี้:
ไม่มีข้อบกพร่องไม่มีความเครียด - คู่มือแบบเป็นขั้นตอนเพื่อสร้างซอฟต์แวร์ที่เปลี่ยนแปลงชีวิตโดยไม่ทำลายชีวิตของคุณ
คุณไม่สามารถพัฒนาทักษะการเขียนโปรแกรมของคุณเมื่อไม่มีใครใส่ใจคุณภาพของซอฟต์แวร์
- เกณฑ์มาตรฐาน AI ปัจจุบันเทียบกับสัตว์หลายชนิดโดยใช้งานการรับรู้ของสัตว์ที่หลากหลาย
- นำเสนอการทดสอบเพื่อระบุความสามารถทางปัญญาของระบบ AI
- พิจารณาว่าแนวทางของ AI ใดที่มีแนวโน้มมากที่สุดสำหรับงานประเภทนี้
- สร้างเกณฑ์มาตรฐานและพื้นที่เก็บข้อมูลอย่างต่อเนื่องสำหรับการรับรู้เทียม
- พิจารณาว่าปัญญาด้านใดที่ท้าทายสำหรับ AI ปัจจุบันและ AI ใดที่เก่งกว่าอยู่แล้ว
- สร้างการทดลองใหม่เพื่อป้อนกลับเข้าไปในชุมชนการรับรู้ของสัตว์ที่สามารถทดสอบกับสัตว์ในภายหลัง
- รวบรวมสองสาขาวิชาที่แตกต่างกันเพื่อแบ่งปันวิธีการและการพัฒนา
การทดสอบการทดสอบ 1, 2, 3
การทดสอบ Matthew Crosby นักวิจัยหลังปริญญาเอกที่ Leverhulme Center ได้อธิบายไว้ในบล็อกของเขาโดยมีสามลักษณะที่สามารถ“ แปลเป็นระบบการเรียนรู้ของเครื่องจักรที่ทันสมัย” พวกเขาคือ:
- วิสัยทัศน์ (ความสามารถในการมองเห็นสภาพแวดล้อม)
- การนำทาง (ความสามารถในการย้าย - ในรูปแบบใดก็ตามที่ใช้)
- การดึงอาหาร (สัตว์นั้นได้รับรางวัลภายในเพื่อดึงอาหารเมื่อหิว)
ในการให้สัมภาษณ์กับ IEE Spectrum Crosby อธิบายว่าดังที่แสดงในวิดีโอด้านบนสัตว์มักจะสามารถคิดออกว่าพวกเขาต้องทำอะไรเพื่อให้ได้อาหาร คำถามคือพวกเขาวิเคราะห์สถานการณ์ที่จะใช้วิธีแก้ปัญหาหรือทำสิ่งที่พวกเขาจำได้ว่าเป็นงานจริง ๆ แล้ว“ แค่ทำซ้ำรูปแบบที่เรียนรู้ผ่านการลองผิดลองถูก” ความแตกต่างระหว่าง“ ความเข้าใจท่องจำท่องจำ” ที่แท้จริง
อ้างถึงวิธีแก้ปัญหาของอีกาเพื่อรับอาหาร แต่ก็ไม่ชัดเจนว่าอีกามาถึงวิธีแก้ปัญหาได้อย่างไร เป็นไปได้หรือไม่ที่มันมีพลศาสตร์ของการเคลื่อนที่ในน้ำ? หรือได้เรียนรู้จากประสบการณ์ของตนเองว่าก้อนกรวดจะยกระดับน้ำขึ้นมาหรือไม่?
วิดีโอแสดงตัวอย่างง่ายๆอย่างหนึ่งในการหาวิธีการติดที่เกินความกว้างของบ้านที่เปิดเข้าไปในบ้านแสดงให้เห็นด้วยสุนัขและจากนั้นมีรูปทรงกล่องหยิบมันขึ้นมาและตกปลาในแบบที่มันสามารถ ทำให้ผ่านการเปิด
“ ในแต่ละกรณีความคิดคือการพัฒนาแบบทดสอบที่จะแสดงให้เห็นว่าสมองสัตว์เข้าใจตีความและเหตุผลเกี่ยวกับโลก” Crosby กล่าวในบล็อกของเขา
เพิ่มการทดสอบได้มากถึง 100 รายการซึ่งประกอบด้วย 10 หมวดหมู่ที่แตกต่างกัน ในขณะที่ธรรมชาติที่แน่นอนของการทดสอบนั้นถูกเก็บเป็นความลับพวกเขาจะรวมถึงความเข้าใจเกี่ยวกับความคงทนของวัตถุและทักษะเชิงพื้นที่ ผู้ชนะจะต้องไม่เก่งในพื้นที่เดียว แต่ในทั้งหมด (ฟังสิ่งที่ผู้อื่นพูดเกี่ยวกับ AI ใน 11 คำคมเกี่ยวกับ AI ที่ทำให้คุณคิด)
ความล้มเหลวเป็นตัวเลือก
แน่นอนว่าแม้แต่ความล้มเหลวของตัวแทนก็ยังสามารถประสบความสำเร็จในการค้นพบ ตามที่ Crosby บอกกับรีวิวเทคโนโลยี“ สิ่งที่เราสนใจจริง ๆ คือการค้นพบวิธีการแปลระหว่างสติปัญญาประเภทต่าง ๆ ” หากการทดสอบแสดงว่า“ การแปลนี้ล้มเหลวนั่นเป็นความสำเร็จเท่าที่เรากังวล”
การส่งแบบออนไลน์จากการแข่งขันจะเริ่มตั้งแต่วันที่ 8 กรกฎาคมถึง 1 พฤศจิกายน 2019 รางวัลดั้งเดิมที่เสนอคือ $ 10,000 แต่ตอนนี้มีมากกว่าสามเท่าเป็น $ 32,000
ผลลัพธ์จะมีการประกาศในช่วงปลายปี แต่ยังมีแผนสำหรับปี 2020 และปีต่อ ๆ ไปเพื่อให้ข้อมูลและแพลตฟอร์มการทดสอบสำหรับผู้อื่นที่ทำการวิจัยในสาขาเพื่อใช้ในการเปรียบเทียบและเปรียบเทียบกับการวิเคราะห์ขนาดใหญ่เช่นกัน เป็นแผนสำหรับการแข่งขันในอนาคต