Η βρετανική εταιρεία DeepMind, θυγατρική της Google, ανέπτυξε ένα πρόγραμμα τεχνητής νοημοσύνης που μπορεί να μαθαίνει με τρόπο ανάλογο με αυτόν που μαθαίνει και ο άνθρωπος. Το πρόγραμμα μαθαίνει να εκτελεί σωστά μία ενέργεια χρησιμοποιώντας τις γνώσεις που έχει αποκτήσει προοδευτικά όσο λειτουργεί και κάνει διάφορα πράγματα.

Σύμφωνα με τους δημιουργούς του το πρόγραμμα μαθαίνει να λύνει το ένα πρόβλημα μετά το άλλο, βασιζόμενο σε γνώσεις και δεξιότητες που απέκτησε στην πορεία. Αυτό σύμφωνα με τους ειδικούς είναι και το επίτευγμα στην συγκεκριμένη περίπτωση αφού λύνεται ένα σημαντικό πρόβλημα που είχαν μέχρι σήμερα όσοι προσπαθούν να δημιουργήσουν μηχανές που να μαθαίνουν μόνες τους.

Ο βασικός στόχος των ερευνητών που ασχολούνται με την ανάπτυξη συστημάτων τεχνητής νοημοσύνης είναι να δημιουργηθούν μηχανήματα που να αντιγράφουν την ανθρώπινη νοημοσύνη με απόλυτα φυσικό και ολοκληρωμένο τρόπο, κάτι που μέχρι σήμερα δεν έχει καταστεί εφικτό. Τα συστήματα αυτά αναφέρονται από τους ειδικούς ως συστήματα «γενικής τεχνητής νοημοσύνης».

«Αν πρόκειται να έχουμε προγράμματα υπολογιστών που είναι πιο έξυπνα και πιο χρήσιμα, τότε θα πρέπει να διαθέτουν την ικανότητα να μαθαίνουν με διαδοχικό τρόπο» δήλωσε ο ερευνητής της DeepMind Τζέημς Κιρκπάτρικ.

Τα δίκτυα

Ο άνθρωπος έχει την ικανότητα να αποθηκεύει στην μνήμη του γνώσεις και δεξιότητες που απέκτησε στο παρελθόν τις οποίες μετά αξιοποιεί στην επίλυση νέων προβλημάτων. Ομως αυτή την ικανότητα δεν έχουν καταφέρει να την περάσουν οι επιστήμονες και στις μηχανές. Οι περισσότεροι υπολογιστές με τεχνητή νοημοσύνη βασίζονται στα λεγόμενα νευρωνικά δίκτυα, που π.χ. μαθαίνουν να παίζουν σκάκι ή πόκερ μέσω ατελείωτων δοκιμών ορθού-λάθους. Όμως, για να μάθει ένα άλλο παιγνίδι αργότερα, ο υπολογιστής τεχνητής νοημοσύνης πρέπει προηγουμένως να σβήσει ότι είχε μάθει για τα προηγούμενα παιγνίδια, μια διαδικασία που ονομάζεται «καταστροφική λήθη».

Η νέα προσέγγιση που δημοσιεύεται στην επιθεώρηση «PNAS» κάνει ένα σημαντικό βήμα για να πάψουν οι υπολογιστές να ξεχνάνε τα χρήσιμα πράγματα που έμαθαν. Οπως αναφέρει σε δημοσίευμα του ο Guardian oι ερευνητές εμπνεύσθηκαν από τη νευροεπιστήμη, η οποία δείχνει ότι o άνθρωπος (και τα ζώα) μαθαίνουν συνεχώς να διατηρούν στον εγκέφαλό τους εκείνες τις νευρωνικές συνδέσεις που αφορούν γνώσεις του παρελθόντος κρίσιμες για την επιβίωσή τους. Γνώσεις όπως π.χ. πώς να κρύβονται από τους θηρευτές ή πώς να βρίσκουν τροφή.

Κατά τον ίδιο τρόπο, η νέα μέθοδος μηχανικής μάθησης, προτού προχωρήσει στο επόμενο πρόβλημα, ξεχωρίζει ποιες συνδέσεις του νευρωνικού δικτύου του υπολογιστή είναι οι πιο σημαντικές για ότι έχει μάθει έως εκείνη τη στιγμή, προκειμένου αυτές να μην αλλάξουν ή σβησθούν, όταν προστεθούν οι νέες γνώσεις.

Ετσι η μηχανή μπορεί να επαναχρησιμοποιήσει ότι έχει μάθει, όπως έδειξαν τα πειράματα, στα οποία το πρόγραμμα τεχνητής νοημοσύνης κλήθηκε να παίξει διάφορα βιντεοπαιγνίδια. Οι ερευνητές άβαλαν το σύτσημα να παίξει δέκα «κλασικά» βιντεοπαιχνίδια Atari όπως το Space Invaders και το Breakout.

Χάρη στις γνώσεις από το ένα παιγνίδι, η μηχανή μπορούσε να μάθει ταχύτερα να παίζει τα επόμενα παιγνίδια, όπως κάνουν και οι άνθρωποι.

Όμως, προς το παρόν, παραμένει ασαφές αν, χάρη στη νέα μέθοδο, μπορεί να μάθει να παίζει όχι μόνο πιο γρήγορα αλλά και πιο καλά πολλά διαφορετικά παιγνίδια, από ό,τι θα έκανε αν -με την παραδοσιακή μέθοδο- ειδικευόταν σε ένα μόνο παιγνίδι.

«Δείξαμε ότι το πρόγραμμα μπορεί να μάθει διαδοχικά να κάνει διαφορετικά πράγματα, αλλά δεν έχουμε δείξει ότι μπορεί να τα κάνει καλύτερα, επειδή τα έχει μάθει διαδοχικά. Συνεπώς υπάρχουν ακόμη περιθώρια βελτίωσης» δήλωσε ο Κιρκπάτρικ. Αναγνώρισε πάντως ότι «απέχουμε ακόμη πραγματικά πολύ από μία γενική τεχνητή νοημοσύνη και είναι πολλές οι επιστημονικές προκλήσεις που πρέπει να ξεπερασθούν».

Ακολουθήστε το Protagon στο Google News