Een hybride AI-model laat het als een kind redeneren over de fysica van de wereld

Categorie: Kunstmatige intelligentie Geplaatst 06 maart

Een nieuwe dataset laat zien hoe slecht AI is in redeneren - en suggereert dat een nieuwe hybride benadering misschien wel de beste manier is om vooruit te komen.

Vragen, vragen: Bekend als CLEVRER, de dataset bestaat uit 20.000 korte synthetische videoclips en meer dan 300.000 vraag- en antwoordcombinaties die redeneren over de gebeurtenissen in de video's. Elke video toont een eenvoudige wereld van speelgoedobjecten die met elkaar in botsing komen volgens gesimuleerde fysica. In één raakt een rode rubberen bal een blauwe rubberen cilinder, die vervolgens een metalen cilinder raakt.

De vragen vallen in vier categorieën: beschrijvend (bijv. Welke vorm heeft het object dat botst met de cyaan cilinder?), verklarend (Wat is verantwoordelijk voor de botsing van de grijze cilinder met de kubus?), voorspellend (Welke gebeurtenis zal er daarna gebeuren?) , en counterfactual (welke gebeurtenis zal niet plaatsvinden zonder het grijze object?). De vragen weerspiegelen veel van de concepten die kinderen al vroeg leren als ze hun omgeving verkennen. Maar de laatste drie categorieën, die specifiek causaal redeneren vereisen om te beantwoorden, belemmeren vaak diepgaande leersystemen.

Mislukking: De dataset, gemaakt door onderzoekers van Harvard, DeepMind en MIT-IBM Watson AI Lab, is bedoeld om te helpen evalueren hoe goed AI-systemen kunnen redeneren. Wanneer de onderzoekers getest verschillende ultramoderne computervisie en natuurlijke taalmodellen met de dataset, ontdekten ze dat ze allemaal goed presteerden op de beschrijvende vragen, maar slecht op de andere.

Oud en nieuw mengen: Het team probeerde vervolgens een nieuw AI-systeem dat zowel deep learning als symbolische logica combineert. Symbolische systemen waren vroeger een rage voordat ze dat waren verduisterd door machine learning aan het eind van de jaren tachtig. Maar beide benaderingen hebben hun sterke punten: deep learning blinkt uit in schaalbaarheid en patroonherkenning; symbolische systemen zijn beter in abstractie en redeneren.

Het samengestelde systeem, bekend als een neuro-symbolisch model, maakt gebruik van beide: het gebruikt een neuraal netwerk om de kleuren, vormen en materialen van de objecten te herkennen en een symbolisch systeem om de fysica van hun bewegingen en de oorzakelijke relaties daartussen te begrijpen. Het presteerde beter dan bestaande modellen in alle categorieën vragen.

Waarom het uitmaakt: Als kinderen leren we de wereld om ons heen te observeren, af te leiden waarom dingen zijn gebeurd en voorspellingen te doen over wat er daarna zal gebeuren. Deze voorspellingen helpen ons betere beslissingen te nemen, door onze omgevingen te navigeren en veilig te blijven. Door dat soort causaal begrip in machines te repliceren, zullen ze op dezelfde manier in staat zijn om op een intelligentere manier met de wereld om te gaan.