DeepMind'in en son makalesi: Yapay zeka, eski kavramlardan yeni kavramlar yaratabilir
Yaklaşık 2500 yıl önce Mezopotamyalı bir tüccar, çömlek, ağaç ürünleri ve sazları dolaşımda para birimi olarak kullandı ve bu da insanlığın ekonomik gelişim tarihini değiştirdi. Daha sonra Mezopotamya'daki işadamları metalarını kaydetmek için "abaküs" ü kullandılar ve maliye politikalarını ayarladılar, bu da gelişen ekonomiye katkıda bulundu.
Bu ilhamlar gün ışığına çıktığında, sadece insanların inanılmaz yeteneklerini yansıtıyor: Mevcut kavramları entegre edebilir ve bazı tamamen yeni konseptler tasarlayabilir . Birçok bilinmeyen mucit, hangi sorunu çözmek istediklerini, ne tür cihazlar yapabileceklerini ve bu cihazları inşa etmek için hangi hammaddelere ihtiyaç duyulduğunu düşünmek zorunda kalmıştır.Örneğin, kil bir kalıp ve bir yay aracılığıyla düz bir plakaya preslenebilir. Dilim, bir sayaç görevi görebilir. Bu nesneler benzer ancak benzersizdir, ancak yepyeni bir şekilde birleştirilirlerse, devrim niteliğinde bir şey oluşturabilirler.
"Kombinasyon" Düşünceleri, insan yaratıcılığının, hayal gücünün ve dil temelli iletişim yeteneklerinin merkezinde yer alır. Az sayıda temel kavramla, insanlar çok sayıda tamamen yeni kavramlar yaratabilir - hiyerarşinin farklı bölümlerini somuttan genel örneklere yeni bir şekilde yeniden düzenleriz ve bunu yapmak doğaldır.
Bununla birlikte, insanların doğal olarak yapabileceği şey, yapay zeka için bir meydan okumadır.
Ve Google'ın yan kuruluşu DeepMind'in en son makalesinde, bu sorunu çözmek için yeni bir teori önerdiler: yeni bir sinir ağı Sembol-Konsept İlişkilendirme Ağı İnsan vizyonunu ve metin edinme yöntemlerini taklit ederek vizyona dayalı kavramsal seviyeleri öğrenebilir ve dil talimatlarının yol açtığı yeni kavramları hayal edebilir.
Kavramsal hiyerarşi (Kavram Hiyerarşisi), çok sayıda kavramın hiyerarşik bir şekilde düzenlenmesini ifade eder, böylece alt kavramda yer alan anlam, orijinalden daha özeldir, ancak ana kavramla özetlenebilir.
DeepMind'ın yöntemleri şu şekilde özetlenmiştir:
Sembol-kavram ilişkilendirme ağ modelinin görsel dünyası, Birkaç aylık bebeğin yaşadığı görsel dünya aynısı. Yaşamın ilk birkaç ayında bebeğin gözleri kol uzunluğunu aşan nesneleri gözlemlemeye konsantre olamaz, bu süre zarfında bebek temel olarak görüş hattına giren nesneleri önündeki nesneleri hareket ettirerek ve döndürerek gözlemler.
Bu süreci simüle etmek için DeepMind Lab tarafından simüle edilen üç boyutlu dünya bu modeli kullanır.Burada bir yatakta bir bebek gibidir.Yatak hareket edemez, ancak farklı renk arkaplanları altında üç farklı nesneyi döndürebilir ve gözlemleyebilir. (Şapka, bavul veya buzlu şeker) bir. Bir bebeğin görsel sistemi gibi, model görsel dünyanın temel yapısını ve farklı nesneleri temsil etmek için yorumlanabilir görsel "unsurların" nasıl kullanılacağını öğrendi. Örneğin, Model, bir elmayı gözlemlerken onu renk, şekil, boyut, konum ve ışık yoğunluğuyla nasıl temsil edeceğini öğrenecektir. .
Şekil Sembol-Kavram İlişkilendirmesi Ağ Öğrenimi, görsel sahneyi temsil etmek için nesne tanımlama, renk, duvar rengi gibi yorumlanabilir görsel öğeler kullanır.
Modelimiz yorumlanabilir görsel unsurlara dayanarak dünyayı anlayabildiğinde, öğrenmeye giriyoruz Öğrenme sürecinin isimlendirme aşaması Bu, bebeğin kelime öğrenme aşamasına eşdeğerdir Bu aşamada, yetişkinler farklı görsel nesneler için sembolik kelime etiketleri sağlamaya başlar. Örneğin, bu aşamada, ebeveyn bir elmayı gösterebilir ve çocuğa "Bu bir 'elmadır" diyebilir. Bu sürece benzer şekilde, temel dil girdisi ile, sembol-kavram ilişkilendirme ağının görsel deneyimi geliştirilecektir. Bu nedenle, "sarı duvarda asılı kırmızı bir çanta" tasvir eden bir görüntü "kırmızı" olarak etiketlenebilir. Bavul, sarı duvar ".
Sembol-kavram ilişkilendirme ağı, önceki aşamada öğrenilen görsel unsurlara dayanarak yeni kavramların anlamını daha da öğrenir. Örneğin bir elma kavramı rengine, şekline ve boyutuna göre belirlenebilir, aynı zamanda konum ve ışık yoğunluğu gibi diğer görsel unsurların doğru bir şekilde tanımlanması ve elma kavramı ile hiçbir ilgisi olmaması gerekir.
Bu adlandırma süreci kavramsal hiyerarşideki görsel kavramları öğrenmek için kullanılabilir ve aynı süreç, modele "ve", "göz ardı etme" ve "ortak" gibi kavram yeniden düzenleme operatörlerinin anlamını anlamak için de kullanılabilir. Önemli olan, Bu, hedefe ulaşmak için yalnızca birkaç örnek gerektirir . Örneğin, sembol-kavram ilişkilendirme ağına "altın lezzetli sarı VE elma" sembolüyle "altın lezzetli" bir elma resmi girebilir ve "ve" nin anlamını öğrenebilir.
Sembol-kavram ilişkilendirme ağı, kelime dağarcığı kavramlarını ve bunları sembolik talimatlar yoluyla manipüle etmenin yolunu öğrendikten sonra, Geliştiriciler, tanıdık kavramları sözlü talimatlar aracılığıyla yeni kavramlara yeniden oluşturabilir , Giriş örnekleri olarak daha fazla resme ihtiyaç duymadan.
Bu talimatlar aracılığıyla, sembol-kavram ilişkilendirme ağı, bir elmanın rengi ("mavi elma", "mavi" ve "elma" iki niteliği anlamına gelir) veya elma türü gibi çok sayıda yeni görsel kavram hayal edebilir.
Şekil Sembol-kavram ilişkilendirme ağı, kavramsal hiyerarşiyi, "kırmızı zemin üzerinde mavi bir odada beyaz bir bavul" gibi belirli bir kavramdan daha genel bir "bavul" kavramına ve daha sonra daha spesifik bir konsepte geri dönerek, dil talimatlarıyla ilerler "Pembe zeminli sarı bir odada yeşil bir valiz var" konsepti. Her geçiş sürecinde, ilgili kavramı hayal etmek için sembol-kavram ilişkilendirme ağı gerekir. Son olarak, geliştirici, "takım elbise" kelimesinin kavramını anlamak için sembol-konsept ilişki ağına ihtiyaç duyar. Hiç bir takım elbise görmemiş olmasına rağmen, bir takım elbisenin neye benzediğini hayal edebilir.
Bu çalışma önceki çalışmadan farklıdır: Bu çalışma tamamen duyusal verilere dayanmaktadır ve çok az örnekten türetilebilir. (Resim-kelime çifti) öğrenme . Derin öğrenme kavramları öğrenebilse de binlerce görüntü örneği gerektirir.
Sembol-kavram ilişkilendirme ağı temel olarak görsel unsurları ve soyut kavramları denetimsiz gözlemden öğrenir; etiketli veriler için sadece ihtiyaç 5 örnek Bir kavram öğrenmek mümkün. Eğitim tamamlandıktan sonra, ağ belirli görüntülere karşılık gelen farklı konseptler üretebilir ve ayrıca daha önce bu kavramlara maruz kalmamış olsa bile belirli kavramlara karşılık gelen nesneleri hayal edebilir.
Şekil Sembol-kavram çağrışım ağı, "beyaz çantanın" olası görünümünü hayal ediyor; sağda: "turuncu zemin üzerinde pembe bir odada camgöbeği şapka" görüntüsünden oluşturulan konsept.
Mevcut kavramları yeniden düzenlemek ve yeni kavramlar oluşturmak için sembolik talimatlar kullanma yeteneği, makinelerin "evren", "hümanizm" ve "ekonomi" gibi soyut kavramları anlamasını sağlar Bu inanılmaz bir yetenek. DeepMindın algoritmasının önünde hâlâ uzun bir yol olsa da, bu çalışma büyük ölçüde Algoritmalar denetimsiz bir şekilde öğrenebilir ve insanlar tarafından kullanılanlara benzer soyut kavramlar hakkında düşünebilir. .
