Αν νομίζεις έτσι Τα μοντέλα τεχνητής νοημοσύνης που λειτουργούν με χιλιάδες τσιπ υπολογιστών αιχμής είναι έξυπνα. Παρουσιάστε την ιδέα στο παιδί σας 1 έτους.
Λοιπόν, τα μωρά μπορεί να μην μπορούν να γράψουν προγράμματα υπολογιστή, να λύσουν προχωρημένα μαθηματικά προβλήματα ή να συζητήσουν φιλοσοφικές ιδέες. Αλλά σε αντίθεση με τα σημερινά μοντέλα τεχνητής νοημοσύνης, που καταναλώνουν δεδομένα εκπαίδευσης αξίας ωκεανού και την ενέργεια μιας μικρής χώρας, τα μωρά μαθαίνουν να κατανοούν τον κόσμο με εκπληκτική αποτελεσματικότητα. Εντοπίζουν νέα αντικείμενα αφού τα δουν μία ή δύο φορές και μαθαίνουν μέσα από φευγαλέα παρατήρηση και φυσική αλληλεπίδραση.
Τα μωρά και οι δομές του εγκεφάλου τους μπορεί να έχουν σημαντικές γνώσεις όσον αφορά τη βελτίωση της τεχνητής νοημοσύνης. Η κατασκευή μιας έκδοσης της τεχνητής νοημοσύνης που μοιάζει με το μωρό θα μπορούσε να μειώσει το κόστος και την κατανάλωση ενέργειας των μοντέλων συνόρων. Θα μπορούσε επίσης να είναι πολύτιμο εάν τα ρομπότ εξοπλισμένα με AI μπορούν να μάθουν για το περιβάλλον τους με πιο φυσικό τρόπο.
Για να εξερευνήσουν αυτό το τολμηρό νέο σύνορο, η Mehta, ερευνητές από το Πανεπιστήμιο του Στάνφορντ, το Πανεπιστήμιο του Τόκιο και τη γαλλική Ecole Normale Supérieure, αναπτηγμένος Αυτό το νέο τεστ εστιάζει στις μαθησιακές δεξιότητες των μωρών και εμπνέει ερευνητές της τεχνητής νοημοσύνης να σχεδιάσουν αλγόριθμους που ταιριάζουν στα μωρά.
του Πρόκληση EgoBabyVLM Ένα οπτικό μοντέλο γλώσσας (VLM) που μαθαίνει τόσο από κείμενο όσο και από εικόνες καθορίζει πόσο καλά το μωρό σας μπορεί να κατανοήσει τον κόσμο που βλέπει. Χρειαζόμαστε ένα μοντέλο που να περιγράφει τον κόσμο μετά την κατάποση χιλιάδες ώρες βίντεο Συλλέγεται από κάμερες τοποθετημένες σε βρέφη και κεφάλια μικρών παιδιών. (Ναι, πραγματικά.)
Αποδεικνύεται ότι όταν τροφοδοτούνται με αυτό το ρεαλιστικό, ακατάστατο υλικό, τα μοντέλα τελευταίας τεχνολογίας αποτυγχάνουν παταγωδώς. Αυτό υποδηλώνει ότι μπορεί να υπάρχει κάτι διαφορετικό στον σχεδιασμό του εγκεφάλου των μωρών που τους επιτρέπει να μαθαίνουν πολύ γρήγορα από μικρές ποσότητες πληροφοριών.
Αντί για ένα προσεκτικά επιλεγμένο σύνολο δεδομένων, τα μωρά μαθαίνουν από μια καλειδοσκοπική άποψη των πραγμάτων. Δηλαδή, οι γονείς μιλούν για αντικείμενα που δεν είναι πλέον ορατά, υποδεικνύουν πράγματα με βλέμματα και χειρονομίες και συζητούν γεγονότα του παρελθόντος ή του μέλλοντος παρά για το τι συμβαίνει αυτή τη στιγμή. «Τα μωρά μαθαίνουν όχι μόνο από τη γλώσσα, αλλά και από μια πλούσια πολυτροπική εμπειρία αφής», δήλωσε ο Michael Frank, γνωστικός επιστήμονας στο Πανεπιστήμιο του Στάνφορντ που ειδικεύεται στην εκμάθηση γλωσσών και βοήθησε στην ανάπτυξη του EgoBabyVLM.
Αυτό το τεστ “δείχνει ξεκάθαρα ότι χρειαζόμαστε περισσότερα από απλή γλώσσα” όταν πρόκειται για τεχνητή νοημοσύνη, λέει ο Frank.
εκμάθηση γλωσσών
Το EgoBabyVLM είναι απλώς το πιο πρόσφατο παράδειγμα του πώς οι επιστήμονες χρησιμοποιούν την τεχνητή νοημοσύνη για να εξερευνήσουν την ανθρώπινη νοημοσύνη. Μια πρόκληση που ονομάζεται BabyLMεισήχθη το 2023 και ανέθεσε σε ένα μοντέλο τεχνητής νοημοσύνης να μάθει τη σύνταξη μιας γλώσσας χρησιμοποιώντας περίπου την ίδια ποσότητα δεδομένων που θα προσλάμβανε ένα 10χρονο παιδί (δεκάδες εκατομμύρια λέξεις σε σύγκριση με τρισεκατομμύρια για το μοντέλο AI). Παραδόξως, αποδεικνύεται ότι τα μοντέλα τεχνητής νοημοσύνης που βασίζονται σε μετασχηματιστές, τα οποία επεξεργάζονται τη γλώσσα δίνοντας προσοχή στις σχέσεις μεταξύ των λέξεων σε διαφορετικές προτάσεις, μπορούν να το κάνουν πολύ καλά. Οι ιδέες του Νόαμ Τσόμσκι Σχετικά με το πώς συνδέεται η σύνταξη στον ανθρώπινο εγκέφαλο.
Ο Ryan Cotterell, γλωσσολόγος στο ETH Zurich που ανέπτυξε αρχικά το BabyLM, λέει ότι η κατάσταση είναι διαφορετική όταν πρόκειται για την κατανόηση του φυσικού κόσμου. “Δεν πρόκειται να υπάρξει μια μεγάλη συλλογή ανθρώπινων αλληλεπιδράσεων. Δεν πρόκειται να υπάρξει ένα Διαδίκτυο ανθρώπινων αλληλεπιδράσεων”, λέει.
Ο Joshua Tenenbaum, γνωστικός επιστήμονας στο Ινστιτούτο Τεχνολογίας της Μασαχουσέτης, επισημαίνει ότι το μοντέλο του BabyLM δείχνει ότι δεν έχουμε αποκτήσει «κοινή λογική» για τον φυσικό κόσμο, την κοινωνική δυναμική ή τη θεωρία του νου.
«Οι μετασχηματιστές είναι πολύ καλοί στην εύρεση μοτίβων στα δεδομένα», λέει ο Tenenbaum. «Αλλά τα καθαρά συστήματα μάθησης προτύπων από μόνα τους δεν φαίνεται να μπορούν να λάβουν το είδος των δεδομένων που λαμβάνουν τα μωρά και τα παιδιά και να μαθαίνουν όλες τις συμπεριφορές τους».
