Förra året slog den konstgjorda intelligensen AlphaGo världsmästaren i spelet för första gången. Denna seger var enastående och oväntad med tanke på det kinesiska brädspelets stora svårigheter. Medan AlphaGos seger definitivt var imponerande, anses denna AI, som har slagit andra mästare i Go sedan dess, fortfarande vara en "smal" typ av AI - en som bara kan överträffa människor inom ett begränsat arbetsområde.
Så även om vi knappast kommer att kunna slå en dator i Go eller schack utan att använda hjälp av en annan dator, kan vi inte heller lita på dem för rutinmässiga uppgifter. AI kommer inte att göra dig te eller schemalägga MOT för din bil.
I motsats till detta framställs ofta AI i science fiction som "allmän" konstgjord intelligens. Det vill säga, konstgjord intelligens med samma nivå och variation som en människa. Även om vi redan har olika typer av konstgjord intelligens som kan göra allt från att diagnostisera sjukdomar till att köra våra bilar, har vi ännu inte lyckats ta reda på hur vi kan integrera dem på en mer allmän nivå.
Förra veckan presenterade DeepMind-forskare flera artiklar som hävdar att de grundar sig för allmän konstgjord intelligens. Även om det inte finns några slutsatser, är de första resultaten uppmuntrande: på vissa områden har AI redan överträffat människor med förmågor.
Både DeepMinds arbete fokuserar på relativ resonemang, en kritisk kognitiv förmåga som gör att människor kan jämföra olika objekt eller idéer. Till exempel att jämföra vilket objekt som är större eller mindre, vilket är till vänster och vilket är till höger. Människor använder relativa (eller relationella) resonemang när de försöker lösa ett problem, men forskare har ännu inte kommit fram till hur de kan ge AI denna bedrägliga enkla förmåga.
DeepMind-forskare har valt två olika rutter. Vissa utbildade ett neuralt nätverk - en typ av AI-arkitektur som modelleras efter en mänsklig hjärna - med hjälp av en databas med enkla, statiska 3D-objekt som kallas CLEVR. Ett annat neuralt nätverk lärdes att förstå hur ett tvådimensionellt objekt förändras över tid.
I CLEVR representerades ett neuralt nätverk av en uppsättning enkla mönster såsom pyramider, kuber och sfärer. Forskare ställde sedan konstgjorda intelligensfrågor på naturligt språk, till exempel "är en kub gjord av samma material som en cylinder?" Otroligt nog kunde det neurala nätverket korrekt uppskatta relationella attribut för CLEVR i 95,5% av fallen och överträffade även en människa med 92,6% noggrannhet i denna parameter.
I det andra testet skapade DeepMind-forskare ett VIN-nätverk (Visual Interaction Network) som utbildades för att förutsäga framtida tillstånd för ett objekt på video, beroende på dess tidigare rörelser. För att göra detta matade forskarna först VIN tre på varandra följande videoramar, som nätverket översatte till kod. I den här koden fanns det en lista över vektorer - hastighet eller position för ett objekt - för varje objekt i ramen. VIN matades sedan en sekvens av andra koder, som kombinerades för att förutsäga koden för nästa ram.
Kampanjvideo:
För att träna VIN använde forskare fem olika typer av fysiksystem, där 2D-objekt rörde sig mot "naturliga bilder" och kolliderade med olika krafter. I ett fysiskt system samverkade till exempel de simulerade föremålen med varandra i enlighet med Newtons gravitationlag. I ett annat presenterades ett neuralt nätverk med biljard och gjordes för att förutsäga bollarnas framtida position. Enligt forskare hanterade VIN-nätverket framgångsrikt med att förutsäga beteendet hos objekt i videon.
Detta arbete representerar ett viktigt steg mot allmän AI, men det krävs fortfarande mycket arbete innan konstgjord intelligens kan ta över världen. Och dessutom innebär överhumanistiska prestationer inte övernaturlig intelligens.
Inte ännu, ändå.
ILYA KHEL
