Naukowcy uczą sztuczną inteligencję myśleć. Ma umieć wyobrażać sobie rzeczy, których nie widziała

Algorytmy sztucznej inteligencji są przeważnie trenowane na zbiorach danych po to, by samodzielnie były w stanie osiągnąć określony efekt. Maszynowe uczenie pozwala im na doskonalenie zapisanego programu tak, by przykładowo wygenerować fotorealistyczną grafikę ludzkiej twarzy. Innym przykładem jest tworzenie krajobrazów lub automatyczna obróbka zdjęć.

Wspomniane aspekty prowadzą nas w jednym kierunku. Naukowcy dążą do sprawienia, by sztuczna inteligencja była bliższa człowiekowi. Na bazie szkolenia algorytmów chcą sprawić, by program był w stanie niejako myśleć czy wyobrażać sobie coś, co nie zostało mu dotychczas przedstawione. Sposób wizualizacji, którym charakteryzuje się ludzkie myślenie, jest na tyle złożony, że maszyna nie potrafi go samodzielnie odtworzyć.

Yunhao Ge z Uniwersytetu Południowej Kalifornii wspomina, że praca jego zespołu opiera się na chęci przekroczenia kolejnej bariery; na stworzeniu myślącego komputera. Kluczem do tego jest rozpracowanie sposobu, w jaki pracuje ludzka świadomość. To, co znacznie nas różni od maszyn to umiejętność rozdzielenia wiedzy (tego, czego się nauczyliśmy) od myśli (tego, co przetwarzamy i tworzymy).

Naukowiec zwraca uwagę, że abstrakcyjne myślenie pozwala nam przypisać zaobserwowaną cechę do innego przedmiotu. Przykładowo – widząc idącego człowieka, potrafimy sobie wyobrazić inną osobą, która też idzie, chociaż nigdy nie widzieliśmy jej wykonującej tę czynność. Podobne działania może umożliwić maszynom ekstrapolacja, czyli zaimplementowanie im ogromnych baz danych, w których każde działanie jest wytłumaczone. Dzięki temu sztuczna inteligencja będzie w stanie przypisywać poznane zachowania różnym obiektom, o ile są one do tego zdolne, o czym też ma dowiedzieć się za pośrednictwem maszynowego uczenia.

Zalążkiem rozbudowanej sztucznej inteligencji są algorytmy tworzące deep fake’i. W przypadku takich programów zastosowane jest rozdzielenie czynności (mowa, mimika, mruganie, ruchy głową) od obiektu, czyli twarzy. Zarówno pierwszy jak i drugi element mogą być zmieniane niezależnie od siebie.

Badacze z Uniwersytetu Południowej Kalifornii pracują obecnie nad rozwojem technologii nadzorowanego uczenia grupowego (Group Supervised Learning). Ma ono umożliwić SI łączenie wątków i stosowanie reguły przy tworzeniu nowego obiektu. Podawanym przez nich przykładem jest to, że jeśli w bazie danych były 3 zdjęcia z różnych grup (kolor/ pozycja/ tło): czerwonego samochodu z tyłu, samochodu z przodu oraz samochodu na drodze szutrowej, SI utworzy obraz czerwonego samochodu jadącego przodem po szutrowej drodze. Jest to zasługa odpowiedniej semantyki, czyli w języku programistów rozumienia zależności między jednym, a drugim obiektem z różnych grup.

Powyższy przykład pokazuje, że sztuczna inteligencja coraz bardziej zbliża się do sposobu ludzkiego postrzegania świata, lecz jest na bardzo prymitywnym etapie, jak mówi Laurent Itti, współpracownik Yunhao Ge z USC. Po to, by przyspieszyć rozwój tej technologii, naukowcy udostępnili jej kod źródłowy dla innych programistów. W przyszłości, dzięki odpowiedniemu dopasowaniu różnych czynników, algorytmy mogą być w stanie realizować różne projekty z wykluczeniem wrażliwych tematów, przez co nie będzie można im zarzucić jakiejkolwiek dyskryminacji np. rasizmu czy seksizmu.

Obecnie najdalej w opracowaniu myślących maszyn jest firma Tesla, stworzona przez Elona Muska. Autonomiczne pojazdy w przyszłości muszą umieć przewidywać zdarzenia drogowe w oparciu o to, co widzą na drodze, w tym przypadkowe wyjście człowieka. Naukowcy z USC wspominają również o medycynie i możliwości wymyślenia przez maszyny nowych leków, mając cały wachlarz możliwości, dzięki rozbudowanej bazie danych chorób i działań poszczególnych związków na zdrowie człowieka.

Więcej informacji na temat rozwoju sztucznej inteligencji w kierunku myślenia abstrakcyjnego znajdziecie na specjalnej stronie internetowej.