Berta Sándor
Folyamatosan fejlődő mély tanulási rendszert fejlesztettek ki
A fejlesztés az evolúciós pszichológiát használja fel.
A Princeton és a Londoni Egyetem, valamint a DeepMind nevű cég kutatócsoportja bemutatta a Physics Learning Through Auto-encoding and Tracking Objects - PLATO nevű mély tanulási rendszert, amely az evolúciós pszichológiát használja fel a gyermekek oktatási folyamatához hasonlóan. A szakemberek tézise az volt, hogy a jelentős erőfeszítések ellenére a mesterséges intelligencia területén elért legújabb eredmények még nem eredményeztek olyan rendszert, amely a kisgyermekekéhez hasonló intuitív megértéssel rendelkezik a fizikáról.
A tudósok hangsúlyozták, hogy a mesterséges intelligencia rendszerek átfogóbb fizikai intuíciójának elérése érdekében a munkájuk több pontján a fejlődéslélektanból merítettek inspirációt, ahol az intuitív fizikai tudás elsajátítását széles körben tanulmányozták. Olyan mély tanulási rendszert építettek, amely integrálja a fejlődési szakirodalom egyik legfontosabb felismerését, nevezetesen azt, hogy a fizika a diszkrét objektumok és kölcsönhatásaik szintjén értendő. Egy másik vonatkozásban a fejlődéslélektanra is támaszkodtak, mégpedig annak viselkedéses tesztelésének problémájával kapcsolatban, hogy egy mesterséges intelligencia rendszer (vagy a fejlődéslélektan esetében egy csecsemő vagy gyermek) rendelkezik-e intuitív fizikai ismeretekkel.
A kutatók hozzátették, hogy az architektúrájukat a fejlődéslélektan meglátásai ihlették, amelyek feltételezik, hogy a gyermekek intuitív fizikai viselkedése mögött három tárgyközpontú folyamat áll. A mesterséges intelligencia legújabb vívmányait felhasználva ezeket a rendszereket a PLATO (Physics Learning through Auto-encoding and Tracking Objects) nevű modellben valósították meg. Az egyetemek és a DeepMind munkatársai feltételezték, hogy a mesterséges intelligenciában jelenleg vizsgált kapcsolati mechanizmusok hasznosak lehetnek az emberi tudás megértéséhez más, a fejlődéslélektanban vizsgált "alapvető" területeken, talán a legérdekesebbek az animált ágensekkel való interakciók.
A Princeton és a Londoni Egyetem, valamint a DeepMind nevű cég kutatócsoportja bemutatta a Physics Learning Through Auto-encoding and Tracking Objects - PLATO nevű mély tanulási rendszert, amely az evolúciós pszichológiát használja fel a gyermekek oktatási folyamatához hasonlóan. A szakemberek tézise az volt, hogy a jelentős erőfeszítések ellenére a mesterséges intelligencia területén elért legújabb eredmények még nem eredményeztek olyan rendszert, amely a kisgyermekekéhez hasonló intuitív megértéssel rendelkezik a fizikáról.
A tudósok hangsúlyozták, hogy a mesterséges intelligencia rendszerek átfogóbb fizikai intuíciójának elérése érdekében a munkájuk több pontján a fejlődéslélektanból merítettek inspirációt, ahol az intuitív fizikai tudás elsajátítását széles körben tanulmányozták. Olyan mély tanulási rendszert építettek, amely integrálja a fejlődési szakirodalom egyik legfontosabb felismerését, nevezetesen azt, hogy a fizika a diszkrét objektumok és kölcsönhatásaik szintjén értendő. Egy másik vonatkozásban a fejlődéslélektanra is támaszkodtak, mégpedig annak viselkedéses tesztelésének problémájával kapcsolatban, hogy egy mesterséges intelligencia rendszer (vagy a fejlődéslélektan esetében egy csecsemő vagy gyermek) rendelkezik-e intuitív fizikai ismeretekkel.
A kutatók hozzátették, hogy az architektúrájukat a fejlődéslélektan meglátásai ihlették, amelyek feltételezik, hogy a gyermekek intuitív fizikai viselkedése mögött három tárgyközpontú folyamat áll. A mesterséges intelligencia legújabb vívmányait felhasználva ezeket a rendszereket a PLATO (Physics Learning through Auto-encoding and Tracking Objects) nevű modellben valósították meg. Az egyetemek és a DeepMind munkatársai feltételezték, hogy a mesterséges intelligenciában jelenleg vizsgált kapcsolati mechanizmusok hasznosak lehetnek az emberi tudás megértéséhez más, a fejlődéslélektanban vizsgált "alapvető" területeken, talán a legérdekesebbek az animált ágensekkel való interakciók.