(ValeryBrozhinsky / iStock)
Números figuram bem no topo da lista do que um computador pode fazer bem. Enquanto os humanos muitas vezes lutam para dividir uma conta de restaurante, um computador moderno pode fazer milhões de cálculos em um mero segundo.
Os seres humanos, no entanto, têm um senso numérico intuitivo e intuitivo que nos ajudou, entre outras coisas, a construir computadores em primeiro lugar.
Ao contrário de um computador, um humano sabe, ao olhar para quatro gatos, quatro maçãs e o símbolo 4, que todos eles têm uma coisa em comum - o conceito abstrato de "quatro" - sem sequer precisar contá-los.
Isso ilustra a diferença entre a mente humana e a máquina, e ajuda a explicar por que não estamos nem perto de desenvolver AIs com a ampla inteligência que os humanos possuem. Mas agora um novo estudo, publicado na revista Science Advances , relata que uma IA desenvolveu espontaneamente um senso numérico semelhante ao humano.
Para um computador contar, devemos definir claramente o que queremos contar. Uma vez que alocamos um pouco de memória para manter o contador, podemos configurá-lo para zero e, em seguida, adicionar um item toda vez que encontrarmos algo que desejamos gravar. Isso significa que os computadores podem contar o tempo (sinais de um relógio eletrônico), palavras (se armazenadas na memória do computador) e até mesmo objetos em uma imagem digital.
Essa última tarefa, no entanto, é um pouco desafiadora, já que temos que dizer ao computador exatamente como os objetos se parecem antes que eles possam contá-los. Mas os objetos nem sempre parecem iguais - variações de iluminação, posição e pose têm impacto, assim como qualquer diferença na construção entre os exemplos individuais.
Todas as abordagens computacionais bem-sucedidas para detectar objetos em imagens funcionam construindo um tipo de imagem estatística de um objeto a partir de muitos exemplos individuais - um tipo de aprendizado.
Isso permite que o computador reconheça novas versões de objetos com algum grau de confiança. O treinamento envolve a oferta de exemplos que contêm ou não o objeto. O computador, então, faz uma suposição sobre o que faz, e ajusta seu modelo estatístico de acordo com a precisão do palpite - como julgado por um ser humano supervisionando o aprendizado .
Os sistemas modernos de IA começam automaticamente a detectar objetos quando fornecidos com milhões de imagens de treinamento de qualquer tipo - assim como os humanos. Esses sistemas de aprendizado não supervisionados observam gradualmente partes dos elementos nas imagens que estão frequentemente presentes ao mesmo tempo e criam camada sobre camada de semelhanças mais complexas.
Tome reconhecendo maçãs como um exemplo. À medida que imagens contendo todos os tipos de formas são apresentadas ao sistema, ele começa a notar grupos de pixels que compõem linhas horizontais e verticais e curvas esquerda e direita. Eles estão presentes em maçãs, rostos, gatos e carros, por isso os pontos em comum, ou abstrações, são encontrados no início.
Eventualmente, percebe que certas curvas e linhas estão freqüentemente presentes juntas em maçãs - e desenvolve uma nova abstração de nível mais profundo que representa uma classe de objetos: maçãs, neste caso.
Aprendizagem Profunda
Esse surgimento natural de abstrações de alto nível é um dos resultados mais empolgantes da técnica de aprendizado de máquina denominada redes neurais profundas , que, de alguma forma, funcionam de maneira semelhante ao cérebro humano. A "profundidade" vem das muitas camadas da rede - à medida que a informação penetra na rede, as semelhanças encontradas tornam-se mais abstratas.
Dessa forma, as redes são criadas com elementos que são fortemente ativos quando a entrada é semelhante ao que ela já experimentou antes. As coisas mais abstratas aparecem nos níveis mais profundos - são gatos, rostos e maçãs, em vez de linhas ou círculos verticais.
Quando um sistema de IA pode reconhecer maçãs, você pode usá-lo para contar quantas existem. Isso é ótimo, mas não é bem como você ou eu contaria maçãs. Temos um conceito extremamente profundo de "número" - quantos de algo existe. Em vez de apenas estar ativo quando um objeto está presente, partes do nosso cérebro se ativam dependendo da quantidade de objetos presentes. Isso significa que podemos olhar para um monte de maçãs e saber que existem quatro sem realmente contar cada uma delas.
De fato, muitos animais podem fazer isso também. Isso porque esse senso de numerosidade é um traço útil para sobrevivência e reprodução em muitas situações diferentes - por exemplo, julgar o tamanho de grupos de rivais ou presas.
Propriedades emergentes
No novo estudo, uma rede neural profunda que foi treinada para a detecção de objetos visuais simples desenvolveu espontaneamente esse tipo de senso numérico. Os pesquisadores descobriram que unidades específicas dentro da rede subitamente se "sintonizavam" com um número abstrato - exatamente como os neurônios reais no cérebro poderiam responder. Percebeu que uma foto de quatro maçãs é semelhante a uma foto de quatro gatos - porque eles têm "quatro" em comum.
Neurônios artificiais sintonizados em números preferidos de pontos. (Andreas Nieder)
Uma coisa realmente interessante sobre essa pesquisa é que ela mostra que nossos princípios atuais de aprendizado são fundamentais. Alguns dos aspectos de alto nível do pensamento que pessoas e animais demonstram estão profundamente relacionados à estrutura do mundo e à nossa experiência visual disso.
Também sugere que podemos estar no caminho certo para alcançar uma inteligência artificial de nível humano mais abrangente.
Aplicar esse tipo de aprendizado a outras tarefas - talvez aplicá-lo a sinais que ocorrem ao longo de um período de tempo, em vez de sobre pixels em uma imagem - poderia produzir máquinas com qualidades ainda mais humanas .
Coisas que uma vez pensamos ser fundamental para ser humano - ritmo musical, por exemplo, ou até mesmo um senso de causalidade - agora estão sendo examinadas a partir dessa nova perspectiva.
À medida que continuamos a descobrir mais sobre como construir técnicas artificiais de aprendizado e encontrar novas maneiras de entender os cérebros dos organismos vivos, descobrimos mais dos mistérios do comportamento inteligente e adaptativo.
Há um longo caminho a percorrer e muitas outras dimensões que precisamos explorar , mas está claro que a capacidade de olhar para o mundo e elaborar sua estrutura a partir da experiência é uma parte fundamental do que torna os humanos tão adaptáveis. Não há dúvida de que será um componente necessário de qualquer sistema de inteligência artificial que tenha o potencial de realizar a variedade e a complexidade das tarefas que os humanos podem realizar.A conversa
Adam Stanton , professor de robótica evolutiva e vida artificial, Universidade de Keele .
Este artigo foi republicado em The Conversation sob uma licença Creative Commons. Leia o artigo original .
Expandindo referencias:
Nenhum comentário:
Postar um comentário