Mesterséges intelligencia készített 3D szimulációt az univerzumról, ami annyira élethű lett, hogy a kutatók nagyjából ugyanúgy nem értik, mint az eredetit. A cél az volt, hogy létrehozzák a kozmosz virtuális változatát, hogy azon szimulálhassák a világegyetem kezdetére vonatkozó különböző elméleteket, és mellesleg azt is, hogy miért működik ennyire jól a saját szimulációjuk.
Olyan, mintha egy képfelismerő algoritmust arra tanítanánk, hogy meg tudja különböztetni a macskákat és a kutyákat, majd egy ponton már elkezdené felismerni az elefántokat is. Senki sem tudja, hogyan csinálja, de meg kell oldani ezt a rejtélyt
– egyszerűsítette le Shirley Ho elméleti asztrofizikus, a tanulmány társszerzője, hogy miért is ennyire különleges a szimulációjuk.
Tekintettel arra, hogy az univerzum óriási és nagyon régi, a megértése is óriási kihívás. Ennek egyik eszköze a számítógépes modellezés. A hagyományos modellek azonban rendkívüli számítási teljesítményt és rengeteg időt igényelnek, mert a kutatóknak több ezer szimulációt kell lefuttatni úgy, hogy közben a paramétereken folyamatosan finomítanak, mert ezzel tudják meghatározni, hogy melyik a legvalószínűbb valós forgatókönyv.
Ho és kollégái egy olyan mélytanulással támogatott mesterséges neuárlis hálózatot hoztak létre, amivel ezek a folyamatok felgyorsíthatóak. A D ^ 3M (Deep Density Displacement Model) felismeri az adatok közös jellemzőit, és idővel megtanulja, hogyan kezelje azokat. A kutatók összesen 8000 nagy pontosságú adatot vittek be a világegyetem különböző modelljeiről. Miután a D ^ 3M megtanulta, hogy ezek hogyan működnek, egy teljesen új, eddig még nem látott szimulációt készítettek egy 600 millió fényévnyire található kocka alakú univerzumról.
A neurális hálózat képes volt ugyanúgy lefuttatni a szimulációkat ebben az új virtuális univerzumban, mint ahogy azt a 8000-es szimulációs adatállományban használták. Ezek a szimulációk egyébként a gravitációnak az univerzum képződésében betöltött szerepére összpontosítottak.
De most jön a csavar
Ho elmondta, hogy hogy amikor a kutatók vadonatúj paramétereket adtak meg és változtattak, mint például a virtuális univerzumban lévő sötét anyag mennyisége, a D ^ 3M még mindig képes volt kezelni a szimulációkat – annak ellenére, hogy soha nem képezték, hogyan kell kezelni a sötét anyag mennyiségének változását.
Ez az igazi rejtély a kutatóknak, és most azt kell megérteniük, hogyan lehetséges, hogy a mélytanulás és az összefüggések elemzésével ilyen összefüggésekre is rájöhetett a rendszer.
A kutatók most azt tervezik, hogy további paramétereket változtatnak az új neurális hálózaton, megvizsgálva, hogy a hidrodinamika, illetve a folyadékok és gázok mozgása hogyan alakíthatta az univerzum képződését.
Juhász Edina
Nagy lökést kaptak a mélytanuló és neurális hálózatokra alapuló rendszerek azoktól az elképesztő mennyiségű adatoktól, melyekkel mostanában etetik őket. Hasonlóan pozitív hozadéka van a számítási teljesítmény felfutásának is. A kettő együttesen sem hozza azonban el a fejlettebb mesterséges intelligenciák korát, állítja egy nemrég megjelent akadémiai kutatás.
Bizonyos tekintetben nagyon elmaradottak
Gary Marcus, az Uber MI-t kutató laboratóriumának volt igazgatója és a New York-i Egyetem pszichológiaprofesszora szerint számos kihívással kell szembenéznie a mélytanuló rendszereknek. Kezdetnek mindjárt ott az adat kérdése. Emberi ésszel felfoghatatlan mértékben kell információval ellátni ezeket a hálózatokat ahhoz, hogy az emberét megközelítő vagy annál jobb eredményeket mutathassanak fel bizonyos feladatokban.
Vegyük például a DeepMind AlphaZero-ját, ami ugyan képes lealázni a humán versenytársakat sakkban vagy góban, de csak azután, hogy előtte 68 millió játszmát lejátszva fejlesztette fel magát. Ez nagyságrendekkel több menet, mint amit egy emberi játékos teljes élete során végigvihet, mégis, a táblás játékok nagymesterei elképesztően ügyesen tudnak játszani.
Ráadásul az egyik feladatban megszerzett képességeket a neurális hálózatok többnyire képtelenek kamatoztatni más téren. Míg az emberek esetében például az énekelés vagy a tánctudás más kognitív agyi tevékenységek fejlődését is elősegíti, addig egy mélytanuló rendszer hiába vált sakknagymesterré, hasonló képesség góban való elsajátításához gyakorlatilag nulláról kell kezdenie a tanulást.
Ennek oka, hogy a mesterséges intelligencia számára tulajdonképpen nem is értelmezett, mit is csinál éppen. Azt ugyan meg tudja tanulni, hogy az egyes bábuk milyen képességekkel rendelkeznek, de a sakkban szerzett stratégiai “gondolkodást” képtelen átültetni góra. A játékot csupán szabályok és minták sorozatában tudja értelmezni.
Könnyen becsaphatók
Mindez odavezet, hogy a jelenlegi MI-k szenvednek a nyílt végű következtetésektől. Hiába a dinamikus teljesítménybeli fejlődés, ha közben nem tudnak apróságokat értelmezni, akkor azt sem tudják kikövetkeztetni, hogy mi fog történni, állítja Marcus. Ennek hiányában pedig nehéz valódi mesterséges intelligenciáról beszélni. Például egyáltalán nem mindegy, hogy John megígérte Marynek, hogy távozik (John promised Mary to leave) vagy John megígérte, hogy elhagyja Maryt (John promised to leave Mary).
Persze vannak ilyen irányú fejlesztési folyamatok, a Facebook rendelkezik a gépi érvelés teszteléséhez használható adatkészletekkel (bAbI), ám a jelenlegi modellek csupán akkor képesek kérdések megválaszolására, ha maga a válasz közvetlenül benne van a szövegben. Ezzel szemben az emberek olvasás közben gyakran vonnak le széleskörű következtetéseket, olyanokat, melyek pusztán az egymás után következő szavak összeolvasásából nem adódnak triviálisan. Például egy szereplő szándékát egy közvetett párbeszéden keresztül találják ki – erre a legjobb MI sem képes.
Mindemellett nagyon könnyen be is csapható a mesterséges intelligencia. Számos példával bizonyították már, hogy csupán pár pixel áthelyezésével rá lehet venni a gépi algoritmusokat, hogy az addig autónak hitt tárgyak kutyaként azonosítsák vagy egy macskát egy tányér avokádónak minősítsék (noha az MI nemrég beérte az emberi vizuális érzékelés szintjét).
Ez abból az egyszerű tényből fakad, hogy a mélytanuló rendszerek ugyan képesek összetett kapcsolatokat megtanulni a bejövő és a kimenő adatok között, de az ok-okozati összefüggést egyáltalán nem értik. Márpedig a kazualitás megértése alapvető fontossággal bír, ha a gépeket meg akarjuk tanítani helyesen (ember módra) érvelni.
Szilágyi Szabolcs
No! És ha most esetleg ott tartunk, hogy mindent értünk, következzen még egy értelmezés. Ragozni sem szeretném a fenti gondolatébresztő pro-kontra állításokat, illetve kutatásokat. A mélytanulás, mint egy méllyebb érzékelési lehetőség az embernek is ad feladatot rendesen.
Mert hát hol is vagyunk mi, – Önmagunkhoz képest! – Ide csak egy linket teszek, mert ha van még kapacitásod, akkor a mennyiségi szinten értelmezett mélységek után jöhet egy minőségi “mélység-skála”, ami a mi dolgunkat is előre vetítheti. https://charoninstitute.wordpress.com/2012/06/13/az-erzekeles-melysegi-fokozatai/ És, hogy egy kicsit “antik” a nyelvezete? Hát nem mostanában íródott és ez annál inkább elgondolkodtató. – Már egy jó ideje nem tudom, hogy szerencsés-e az ember, ha megérti.
/a szerkesztő/