A equipe de inteligência artificial do Google DeepMind, juntamente com pesquisadores da Universidade da Califórnia, Berkeley, treinou máquinas de IA para interagir com objetos, a fim de avaliar suas propriedades sem qualquer conhecimento prévio de leis físicas. A equipe estabeleceu vários ensaios em diferentes ambientes virtuais em que a IA foi confrontada com uma série de blocos e encarregado de avaliar suas propriedades.
Avanços na inteligência artificial têm produzido máquinas inteligentes que podem alcançar desempenho sobre-humano em Go, Atari, processamento de linguagem natural e problemas de controle complexos, mas não está claro que esses sistemas possam rivalizar com a intuição científica de até mesmo uma criança pequena. O novo reserach abraçou a visão na ciência do desenvolvimento que os bebês humanos são dotados de um pequeno número de sistemas separáveis de conhecimento básico para raciocinar sobre objetos, ações, número, espaço e possivelmente interações sociais.
Ao encontrar um novo objeto, os seres humanos e outros animais são capazes de inferir uma vasta gama de propriedades físicas, tais como massa, atrito e deformabilidade, interagindo com eles de uma maneira orientada meta. Este processo de interação ativa está no mesmo espírito de um cientista realizando um experimento para descobrir fatos ocultos.
O estudo, intitulado Aprendendo a realizar experimentos de física através de aprendizado de reforço profundo, explicou que, embora os avanços recentes na IA tenham alcançado "desempenho sobre-humano" em complexos problemas de controle e outras tarefas de processamento, as máquinas ainda não têm um bom senso compreensão do nosso mundo físico - Não é claro que esses sistemas possam rivalizar com a intuição científica de uma criança até mesmo ".
"Nós descobrimos que os métodos de aprendizado de reforço profundo do estado da arte podem aprender a realizar as experiências necessárias para descobrir essas propriedades ocultas do mundo físico, manipulando sistematicamente a dificuldade do problema eo custo incorrido pelo agente de IA para Descobrimos que os agentes aprendem diferentes estratégias que equilibram o custo da coleta de informações contra o custo de cometer erros em diferentes situações ".
O Galaxy diário via arxiv.org e thestack.com
"Nós descobrimos que os métodos de aprendizado de reforço profundo do estado da arte podem aprender a realizar as experiências necessárias para descobrir essas propriedades ocultas do mundo físico, manipulando sistematicamente a dificuldade do problema eo custo incorrido pelo agente de IA para Descobrimos que os agentes aprendem diferentes estratégias que equilibram o custo da coleta de informações contra o custo de cometer erros em diferentes situações ".
O Galaxy diário via arxiv.org e thestack.com
Crédito da imagem: Com graças à tamaraberg.com
Nenhum comentário:
Postar um comentário