ИИ учится мыслить логически и даже опережает в этом людей

Разработчики построили нейронную сеть, которая специализируется на абстрактном рассуждении.

Разработчики построили нейронную сеть, которая специализируется на абстрактном рассуждении.
Иллюстрация geralt/pixabay.com.

Специалисты компании DeepMind ещё на один шаг приблизили искусственный интеллект к его создателю. На этот раз нейросети освоили реляционное мышление: научились видеть связи и делать логические выводы. Причём только освоив новое умение, ИИ сразу обошёл человека в некоторых тестах.

Около трёх лет назад компания Google приобрела DeepMind ― компанию, которая занимается искусственным интеллектом. Специалисты тренируют его и развивают самые разные навыки. К примеру, они обучили роботов учиться друг у друга, осваивать видеоигры, играть с физическими объектами подобно маленьким детям.

Но если ИИ способен взять на себя некоторые обязанности человека, может ли он мыслить так же, как его создатель? Специалисты из DeepMind уверены, что да. По крайней мере, возможно обучить искусственный интеллект выстраивать реляционные рассуждения (то есть такие, где отрицается или утверждается отношение между некоторыми предметами).

Люди используют этот тип рассуждений в быту и в профессиональной деятельности: когда выбирают лучшую связку бананов в магазине или когда собирают улики на месте преступления. Возможность соотносить объекты, последовательности или факты дарит нам широчайший интеллектуальный инструментарий; это фундаментальная часть нашего интеллекта, говорит нейробиолог из Гарвардского университета Сэм Гершман (Sam Gershman).

Однако то, что интуитивно понимают люди, сложно для понимания машин. То есть ИИ, например, видит картину и распознаёт изображения, но не может понять, что хочет донести до зрителя эта картина. Системы, способные к подобному типу мышления, станут на шаг ближе к приобретению человеческого интеллекта, уверены эксперты.

Напомним, что сегодня существует два основных типа ИИ – статистический (машинное обучение) и символический (символьные вычисления). Первый тип быстро обучается, работает с большими объёмами информации и отлично подходит для распознавания образов, однако не умеет пользоваться логикой. Второй тип имеет "задатки" логическго мышления: он способен выявлять связи, но только с использованием заранее заданных шаблонов, а не с ноля, как это делает человек. К тому же, он плохо обучается, что называется, на лету.

Разработчики решили преодолеть этот разрыв. Они построили нейронную сеть, которая специализируется на абстрактном рассуждении и, более того, может подключаться к другим нейронным сетям и давать им реляционные обоснования для рассуждений.

Специалисты DeepMind сравнили систему с работой нейронов головного мозга: примерно так же нейронные сети объединяют короткие программы, которые совместно находят шаблоны в данных. Причём нейросеть может иметь специальные структуры для различных объектов – визуальных, звуковых или игровых. В каждом из случаев новая "сеть отношений" подключается для сравнения пары объектов в отдельном сценарии.

Чтобы проверить, насколько ИИ преуспел в обучении, его натренировали различать трёхмерные изображения предметов, различных по цвету и размеру. Затем нейросеть прошла экзамен: ей показали изображение с различными геометрическими фигурами и задали несколько вопросов (к примеру: "какого размера цилиндр, стоящий слева от коричневого металлического предмета, расположенного слева от большой сферы?" или "перед синим предметом есть ещё один; имеет ли он ту же форму, что и маленький голубой предмет, расположенный справа от серого металлического шара?").

Чтобы найти ответ, ИИ понадобилось скомбинировать работу нескольких нейросетей. Одна распознавала объект на изображении, другая интерпретировала вопрос, третья искала ответ. Обычные алгоритмы машинного обучения отвечают правильно на подобные вопросы в 42-77% случаев, человек справляется с теми же задачами в 92% случаев, а вот новый "комбо-алгоритм" показал ещё большую точность: 95,5%.

Команда DeepMind также протестировала нейросеть в языковых задачах на поиск логических заключений. Например, среди заданий было такое: "Лилли — лебедь. Лилли белая. Грег — лебедь. Какого цвета Грег?". В этих испытаниях ИИ ответил правильно в 98% случаев, в то время как алгоритм, не обученный реляционному мышлению, показал лишь 45% точных ответов.

Другие тесты включали анимированные изображения, с которыми нейросеть также поработала успешно (например, нашла невидимые связи между скачущими мячами).

"Одной из сильных сторон их подхода является то, что он концептуально прост. Каждая часть системы сосредотачивается на том, в чём она хороша, — отмечает Кейт Саенко (Kate Saenko) из Бостонского университета, которая также занимается разработкой различных алгоритмов, но не участвовала в этом исследовании. По её мнению, однажды подобные алгоритмы помогут изучать соцсети, анализировать видеозаписи с камер наблюдений, а также управлять беспилотными летательными аппаратами и совершенствовать компьютерное зрение.

Впрочем, чтобы сравниться в гибкости мышления с человеком, ИИ предстоит ещё много работы. Теперь исследователи хотят обучить его сопоставлять не только пары вещей, но и триплеты, пары пар и так далее. В итоге, как полагают разработчики, нейросети приблизятся к стратегическому мышлению.

Полный текст исследования доступен на сайте препринтов arxiv.org по этой ссылке.

Напомним, что стремительное развитие искусственного интеллекта многих пугает. Исследователи считают, что необходимо создать "красную кнопку", которая отключит искусственный интеллект, даже если он будет против.