ხელოვნური ინტელექტისთვის ფიზიკის ბაზისური წესების სწავლება გაამარტივებს მეტად მოქნილი პროგრამული უზრუნველყოფის შექმნას, რომელიც ნაკლებ კომპუტაციურ რესურს მოიხმარს, აღნიშნავენ მკვლევრები DeepMind-დან.

არც ისე დიდი ხნის წინ ბრიტანეთში დაფუძნებულმა კომპანიამ შექმნა AI, რომელმაც დაამარცხა ჭადრაკისა და გოს ექსპერტები, დაწერა კომპიუტერის პროგრამული უზრუნველოყოფა და ცილებთან დაკავშირებული ამოცანები ამოხსნა. ეს მოდელები არის ძალიან სპეციალიზებული და მათ აკლიათ სამყაროს ჰოლისიკური ხედვა. როგორც DeepMind-ის სპეციალისტები ამბობენ, "მათ რაღაც ფუნდამენტური ჯერ კიდევ აკლიათ".

ლუის პილოტომ და მისმა გუნდმა DeepMind-დან შექმნეს AI სახელად PLATO (ფიზიკის შესწავლა ავტო-კოდირებითა და ობიექტებისთვის თვალის დევნებით), რომელიც ისეა დაპროგრამებული, რომ გაიგოს — ფიზიკური სამყარო შედგება ობიექტებისგან, რომლებიც ფიზიკის ბაზისურ წესებს ემორჩილებიან.

მკვლევრებმა PLATO გაავარჯიშეს მისთვის სიმულაციური ვიდეოების ჩვენებით, მაგალითად, როგორ ვარდებიან ბურთები ერთმანეთის მიყოლებით, როგორ ეჯახებიან ერთმანეთს. მათ PLATO ისეთი მონაცემებითაც უზრუნველყვეს, რომელიც აჩვენებდა, რომელი პიქსელი რომელ ობიექტს ეკუთვნოდა.

მეცნიერებმა ვიდეოთა სხვადასხვა სერია გამოიყენეს, რათა ხელოვნური ინტელექტისთვის ესწავლებინათ ფიზიკის სამი ცნება: მუდმივობა (რომ ობიექტი არ ქრება), სიმყარე და უცვლელობა (ობიექტი ინარუნებს ისეთ ნიშნებს, როგორიცაა ფერი და ფორმა). ზოგ ვიდეოზე ობიექტები ფიზიკის წესებს ემორჩილებოდნენ, სხვებზე კი უაზრო, ფიზიკის კანონებს მიღმა კადრები იყო გაშვებული — მაგალითად, ბურთი მიგორავს ერთი ბოძის უკან, მერე იკარგება და ისევ ჩნდება ოღონდ უკვე მეორე ბოძთან.

მკვლევრებმა გამოცადეს PLATO და დავალებად მისცეს იმის გამოცნობა, თუ რა მოხდება შემდეგ თითოეულ ვიდეოში. უაზრო, ალოგიკური ვიდეოების შემთხვევაში PLATO-ს პასუხები იყო არასწორი, ხოლო ლოგიკურების შემთხვევაში კი — სწორი, რაც იმაზე მეტყველებს, რომ AI-ის უკვე აქვს ფიზიკის ინტუიტიური ცოდნა.

პილოტი აღნიშნავს, რომ ხელოვნური ინტელექტისთვის საფუძვლად სამყაროს ობიექტოცენტრული ხედვის მორგებით AI-ს შეიძლება, ჰქონდეს მეტად განზოგადებული და ადაპტირებაზე ორიენტირებული უნარები.

"მაგალითად, თუ თქვენ განიხილავთ სხვადასხვა მდგომარებას, რომელშიც ვაშლი შეიძლება, იყოს", — ამბობს ის. "თქვენ არ გჭირდებათ იმის სწავლა, როგორია ვაშლი ხეზე, სამზარეულოში თუ ნაგვის ურნაში. როდესაც თქვენ ვაშლს, როგორც მის არსს, არსებობას, ყველაფრისგან განაცალკევებთ, თქვენ უკეთეს მდგომარეობაში ხართ, რადგან შეგიძლიათ ახალ სისტემებში, კონტექსტში მისი ქცევების განზოგადება. ასეთი სწავლა მეტად ეფექტიანია".

მარკ ნიქსონი სამხრეთ ჰემპტონის უნივერსიტეტიდან ამბობს, ეს კვლევა ხელოვნური ინეტელექტის შესწავლას ბევრს შესძენს. ამას გარდა, უფრო მეტსაც გავიგებთ ადამიანის მხედველობისა და მისი განვითარების შესახებაც. მაგრამ მას ექსპერიმენტის განმეორებითობა აწუხებს, რადგან ნაშრომში, რომელიც მათ გამოქვეყნეს, წერია — "PLATO-ს იმპლემენტაცია ექსპერიმენტს მიღმა არაა პერსპექტიული."

"ეს ნიშნავს, რომ ისინი იყენებენ ისეთ არქიტექტურას, რომლის გამოყენებაც სხვა ადამიანებს, ალბათ, არ შეუძლიათ", — ამბობს ის. "მეცნიერებაში განმეორებითობა კარგია, რათა სხვა ადამიანებმაც იგივე შედეგი მიიღონ და ის მეტად განავითარონ".

ჩენგ ფენგი ამბობს, ეს პროგრამა "ჰგავს ბავშვისთვის იმის საწვლებას, თუ რა არის მანქანა და ამას ვიწყებთ ჯერ იმის სწავლებით, თუ რა არის ბორბალი და სავარძელი. ობიექტოცენტრული რეპრეზენტაციის უპირატესობა ისაა, რომ ხელოვნური ინტელექტი ივითარებს ფიზიკის ინტუიტიურ ცოდნას და მონაცემებსაც ეფქტურად იყენებს".