2018年7月26日 星期四

科技創新(一百一十四):AIoT產業-deep mind的在人工智慧的仿人進展


[Google下的Deepmind測AI智商]
Google下的Deepmind最近幫他的AI測智商,結果發現AI只有三歲的智商,也測AI的針對沒見過的數據的泛化能力(指模型擬合以前未見過的新數據的能力,類似人類的聯想能力),結果AI在某些方面不錯,但是在其他方面就很糟糕。自Alpha Zero之後,Deepmind一直在往仿人類人工智慧的方面努力。

圖源:Youtube


[Deepmind 模擬海馬體與網格細胞]
Deepmind在去年10月就推出一篇論文,說明它以神經科學的角度展開的數學模型,已能用機器學習為學習與記憶的方向提出新見解,做到模擬海馬體使用「預測地圖」來達成未來目標的方式。也就是利用記住前往目的地過程已經做過的,基於此預測可以到達未來目標的方向可能的各種行動及相關獎勵權重,而在接近之前所預測行動時,系統給予對應獎勵,鼓勵其繼續往未來目標方向行動。這個系統,讓機器可以往想朝向的未來前進。而其中所提到的海馬體是人類與脊椎動物腦中的重要部分,位於大腦皮質下方,具備短期記憶、長期記憶與空間定位的作用。另外,這個做法跟AlphaGo Zero的部分做法很類似。

Deepmind今年五月十日的這篇論文,是去年十月那篇論文的更進一步發展,提到了他們的人工智慧程式,已經能夠做到2005年科學家發現的支持向量導航的特殊神經細胞「網格細胞」的大腦定位機制。透過網格細胞,大腦因此可以計算到達所需目的地的距離和方向。而依此設計的人工代理人(強化學習中的模擬主體),在前往目的地的過程中,透過強化學習優化導航的做法,最後達成自動選擇捷徑。

深度學習中的強化學習,現在發展上最大的瓶頸是獎勵函數的訂定:這個函數在每次系統嘗試中給予適當的獎勵,讓人工智慧透過回饋,逐次修正,以習得越來越好的結果。獎勵函數訂得越好,達成學習效果越快速。就如前面所說,Deepmind去年十月的論文跟這次發表論文所提到的進展,都是基於神經科學已知知識發展出來的作法,而以此設計適當的人工智慧強化學習的獎勵函數。

[神經科學很多未解之謎 還有很多空間可以努力]

不過神經科學到現在仍有很多未解的謎,而且人類有1500億個神經細胞。具有這樣龐大的神經細胞數量的系統,是現在的人工智慧深度學習系統所遠遠無法完全模擬的。而Deepmind這樣試圖以已經確認的神經學理論模型,利用強化學習逐步做到人類或生物已經可以做到的功能,也代表著未來人工智慧在這些方面可以做到越來越像人類及生物。

就如同今天Google做到Google助理訂位時跟人類做法類似而無法區別,而未來Deepmind的人工智慧發展,可以在機器的相關運作,透過學習人類神經科學找出的法則,加上強大運算能力,以在效率上超過人類。雖然神經元能力不如人類全面,但是因為效率較人類高,可能達成接近人類的結果。

[未來量子電腦將會加速人工智慧像人的速度]
尤其到了未來量子電腦的大量上線,將運算能力提高千倍以上,到時真正真假莫辨的打扮成人類的機器人可能到處都是,一如銀翼殺手小說中所描寫的場景一般,不過現在在泛化能力還有很多需要突破的地方。

沒有留言:

張貼留言

ESG綠色轉型實戰(十五):海洋大學林翰佳教授教農企業以天然成分的草本炭方替代抗生素強化魚蝦豬雞生長力

  YouTube 影片 Apple Podcasts Google Podcasts KKBox Podcasts Spotify Podcasts 文字稿摘要: