Chińscy badacze mają nadzieję stworzyć „prawdziwych naukowców zajmujących się sztuczną inteligencją” dzięki „oświeconemu uczeniu maszynowemu”

Sora jest szkolony przy użyciu dużych ilości danych wizualnych, co pozwala mu wychwytywać wzorce do tworzenia obrazów i filmów imitujących rzeczywistość. Nie został jednak przeszkolony w zakresie rozumienia praw fizycznych, takich jak grawitacja.

„Bez podstawowego zrozumienia świata model jest w zasadzie animacją, a nie symulacją” – powiedział Chen Yuntian, autor badania i profesor w Oriental Institute of Technology.

Przepaść w sztucznej inteligencji między Chinami a Stanami Zjednoczonymi powiększa się: „Wszyscy jesteśmy bardzo zaniepokojeni”

Jak wynika z artykułu, modele głębokiego uczenia się są zazwyczaj szkolone przy użyciu danych, a nie wcześniejszej wiedzy, która może obejmować na przykład prawa fizyki lub logikę matematyczną.

Jednak naukowcy z Uniwersytetu w Pekinie i Orientalnego Instytutu Technologii napisali, że podczas uczenia modeli można wykorzystać wcześniejszą wiedzę w połączeniu z danymi, aby uczynić je dokładniejszymi, tworząc modele „świadomego uczenia maszynowego”, które będą w stanie włączyć tę wiedzę do swoich wyników.

Zespół napisał, że zidentyfikowanie wcześniejszej wiedzy – która może obejmować takie rzeczy, jak zależności funkcjonalne, równania i logika – w celu włączenia jej do modelu „wcześniejszego uczenia się” było wyzwaniem, a włączenie wielu reguł mogło również prowadzić do załamania się modeli.

„W obliczu dużej ilości wiedzy i zasad – co często ma miejsce – istniejące oparte na wiedzy modele uczenia maszynowego zwykle mają problemy lub nawet zawodzą” – powiedział Chen.

Aby rozwiązać ten problem, badacze stworzyli ramy umożliwiające ocenę wartości reguł i określenie, które kombinacje prowadzą do najbardziej predykcyjnych modeli.

„Włączenie wiedzy ludzkiej do modeli sztucznej inteligencji może potencjalnie poprawić ich efektywność i zdolność do wyciągania wniosków, ale pytanie brzmi, jak zrównoważyć wpływ danych i wiedzy” – powiedział Xu Hao, pierwszy autor i badacz na Uniwersytecie w Pekinie na konferencji prasowej konferencja. komunikat prasowy.

03:48

Młodzi chińscy single zwracają się do partnerów AI

Młodzi chińscy single zwracają się do partnerów AI

„Nasze ramy można wykorzystać do oceny różnej wiedzy i zasad w celu zwiększenia zdolności predykcyjnej modeli głębokiego uczenia się”.

Jak wynika z artykułu, struktura oblicza „ważność reguły” i sprawdza, jak konkretna reguła, zestaw lub reguły wpływają na dokładność predykcyjną modelu.

Nauczanie modeli sztucznej inteligencji o takich zasadach – na przykład prawach fizyki – mogłoby sprawić, że „bardziej będą odzwierciedlały świat rzeczywisty, co sprawi, że będą bardziej przydatne w nauce i inżynierii” – stwierdził w oświadczeniu Chen z EIT.

Naukowcy przetestowali swoje ramy, wykorzystując je do ulepszenia modelu rozwiązywania równań wielowymiarowych oraz innego modelu wykorzystywanego do przewidywania wyników eksperymentu chemicznego.

Chen powiedział, że w perspektywie krótkoterminowej ramy te będą najbardziej przydatne w modelach naukowych, „w których spójność między modelem a zasadami fizyki ma kluczowe znaczenie dla uniknięcia potencjalnie katastrofalnych konsekwencji”.

Od sztucznej inteligencji po samochody elektryczne – jak przebiega konkurencja między Chinami a Stanami Zjednoczonymi w kluczowych obszarach zaawansowanych technologii?

Zespół ma nadzieję dalej rozwijać swoje ramy, aby umożliwić sztucznej inteligencji określanie własnej wiedzy i zasad bezpośrednio na podstawie danych, bez interwencji człowieka.

„Chcemy, aby była to pętla zamknięta, przekształcając model w prawdziwy świat sztucznej inteligencji” – stwierdził Chen w oświadczeniu. Zespół opracowuje wtyczkę typu open source dla programistów AI, która mogłaby im to umożliwić.

Zespół zidentyfikował już jednak co najmniej jeden problem.

05:03

W jaki sposób chińska sztuczna inteligencja konkuruje z ChatGPT?

W jaki sposób chińska sztuczna inteligencja konkuruje z ChatGPT?

W trakcie badania zespół odkrył, że w miarę dodawania do modelu większej ilości danych ogólne zasady stają się ważniejsze niż lokalne, szczegółowe zasady, ale nie pomaga to w takich dziedzinach jak biologia i chemia, ponieważ „często brakuje im łatwo dostępnych ogólnych zasad podobnych do do zasad ogólnych.” Równania rządzące.