ΟΙ ΗΛΕΚΤΡΟΝΙΚΟΙ ΥΠΟΛΟΓΙΣΤΕΣ ΑΡΧΙΖΟΥΝ ΝΑ ΣΚΕΦΤΟΝΤΑΙ ΟΠΩΣ ΟΙ ΑΝΘΡΩΠΟΙ
![ΟΙ ΗΛΕΚΤΡΟΝΙΚΟΙ ΥΠΟΛΟΓΙΣΤΕΣ ΑΡΧΙΖΟΥΝ ΝΑ ΣΚΕΦΤΟΝΤΑΙ ΟΠΩΣ ΟΙ ΑΝΘΡΩΠΟΙ ΟΙ ΗΛΕΚΤΡΟΝΙΚΟΙ ΥΠΟΛΟΓΙΣΤΕΣ ΑΡΧΙΖΟΥΝ ΝΑ ΣΚΕΦΤΟΝΤΑΙ ΟΠΩΣ ΟΙ ΑΝΘΡΩΠΟΙ](http://indeepanalysis.gr/sites/default/files/oi-hlektronikoi-ypologistes-archizoun-na-skeftontai-opws-oi-anthrwpoi.jpg)
«Πόσα πάρκα υπάρχουν κοντά στο νέο σπίτι, που σκέφτεστε να αγοράσετε;» «Ποιό είναι το καλύτερο κρασί, που θα ταιριάξει με το δείπνο σας σε ένα εστιατόριο;» Αυτές είναι καθημερινές ερωτήσεις που απαιτούν συσχετιστικό συλλογισμό, ένα σημαντικό στοιχείο ανώτερης σκέψης, που είναι δύσκολο να κατακτηθεί από την Τεχνητή Νοημοσύνη (ΤΝ). Ωστόσο, τώρα, ερευνητές του DeepMind της Google ανέπτυξαν έναν απλό αλγόριθμο, που χειρίζεται τέτοιου είδους συλλογισμό - και έχει ήδη νικήσει ανθρώπους σε ένα τεστ κατανόησης πολύπλοκων εικόνων.
Υπάρχουν δύο βασικοί τύποι συλλογισμού ΤΝ, ο στατιστικός και ο συμβολικός. Ο πρώτος αναγνωρίζει μοτίβα, ενώ ο δεύτερος μπορεί να αναπτύξει συλλογισμούς σχετικά με σχέσεις, χρησιμοποιώντας προκαθορισμένους κανόνες, αλλά δεν μπορεί να μαθαίνει γρήγορα.
Η νέα έρευνα προσφέρει έναν τρόπο γεφύρωσης του χάσματος αυτού: ένα τεχνητό νευρικό δίκτυο για συσχετιστικό συλλογισμό, όπου υπάρχουν συνδέσεις ανάλογες με τον τρόπο που οι νευρώνες συνδέονται στον εγκέφαλο. «Κάνουμε το δίκτυο να ανακαλύπτει τις σχέσεις που υπάρχουν μεταξύ των αντικειμένων», λέει ο Timothy Lillicrap, ένας από τους επιστήμονες ηλεκτρονικών υπολογιστών στο DeepMind στο Λονδίνο και από τους συγγραφείς της σχετικής μελέτης.
Αυτός και η ομάδα του υπέβαλαν το δίκτυο αυτό σε ορισμένες δοκιμασίες. Η πρώτη ήταν να απαντήσει σε ερωτήσεις για τις σχέσεις μεταξύ αντικειμένων σε μία εικόνα, όπως κύβοι, μπάλες και κύλινδροι. Για παράδειγμα: «Υπάρχει ένα αντικείμενο μπροστά από ένα μπλε αντικείμενο. Έχει το ίδιο σχήμα με αυτό το μικρό κυανό πράγμα, που βρίσκεται δεξιά της γκρίζας μεταλλικής μπάλας;»
Άλλες μηχανές με αλγόριθμους μάθησης σημείωσαν ποσοστά επιτυχίας 42% με 77%. Οι άνθρωποι φτάνουν το 92%. Το νέο αυτό δίκτυο είχε επιτυχία σε ποσοστό 96%, ένα υπεράνθρωπο σκορ, όπως ανέφεραν οι ερευνητές.
Επίσης, ελέγχθηκε σε δοκιμασίες γλωσσικού τύπου, όπου ορίστηκαν «σύνολα» όπως: «Η Σάντρα σήκωσε την μπάλα του ποδοσφαίρου» και «Η Σάντρα πήγε στο γραφείο». Στη συνέχεια, τέθηκαν ερωτήσεις όπως: «Πού είναι η μπάλα (ή το γραφείο);» Οι αποδόσεις ήταν σχεδόν το ίδιο καλές με αυτές των ανταγωνιστικών αλγορίθμων ΤΝ στους περισσότερους τύπους ερωτήσεων. Ωστόσο, σε άλλες ερωτήσεις που τέθηκαν, όπως «Η Λίλι είναι κύκνος. Η Λίλι είναι λευκή. Ο Γκρεγκ είναι κύκνος. Τι χρώμα είναι ο Γκρεγκ;» (λευκό), το νέο δίκτυο πέτυχε 98%, ενώ οι ανταγωνιστικοί αλγόριθμοι είχαν περίπου 45%.
Τέλος, ο αλγόριθμος αυτός ανέλυσε κινούμενες εικόνες, όπου 10 μπάλες αναπηδούσαν τριγύρω, ορισμένες συνδεδεμένες με αόρατα νήματα. Ο αλγόριθμος μπόρεσε να προσδιορίσει περισσότερο από το 90% των συνδέσεων. Με τον ίδιο τρόπο, εντόπισε ανθρώπινες μορφές, που αναπαριστάνονταν ως κινούμενες κουκίδες.
«Εντυπωσιάστηκα από τα αποτελέσματα», είπε ο Justin Johnson, επιστήμονας ηλεκτρονικών υπολογιστών στο Πανεπιστήμιο Stanford, της Καλιφόρνια. Ωστόσο, όπως επισημαίνει ο ίδιος επιστήμονας, για να πλησιάσει η ΤΝ μια ευελιξία συλλογισμού όμοια με την ανθρώπινη, θα χρειαστεί να απαντήσει πιο προκλητικές ερωτήσεις. Αυτό ενδέχεται να προϋποθέτει τη σύγκριση όχι μόνο ζευγών πραγμάτων, αλλά τριάδες πραγμάτων, ζεύγη ζευγαριών ή μόνο ζεύγη σε ένα ευρύτερο πλαίσιο. Ωστόσο, πρόκειται για ένα πάρα πολύ σημαντικό βήμα προς τη σωστή κατεύθυνση.
Πηγή: Matthew Hutson, Science