Att lära sig läsa Londons tunnelbanekarta är en övergångsrit för alla nya Londonbor, men DeepMind – Googles djuplärande AI med intresse för sjukvård och kortspel – har sällat sig till raden av dem som vet det snabbaste sättet att ta sig från Acton Town till Wapping.
Det låter kanske inte särskilt imponerande, men det sätt på vilket den har lärt sig att läsa Tube-kartan är mycket intressant för framtiden för artificiell intelligens, eftersom den använde grundläggande resonemang och minne för att erövra pendlingen. Med andra ord, det var mer mänskligt än din genomsnittliga Tube map-app.
”Jag tror att detta kan beskrivas som rationellt resonemang,” Herbert Jaegar, en datavetare från universitetet i Bremen, berättade Väktaren. ”De [the tasks] involvera planering och strukturering av information i bitar och återkombination av dem.” Att kombinera djupinlärning med ett externt minne innebär att DeepMind kunde ta det man lärde sig från Londons tunnelbana och använda det för att navigera i andra liknande transportnätverk runt om i världen.
Detta skiljer sig från saker som har gått tidigare. Som Alex Graves, forskare vid DeepMind, berättade Trådbunden: ”Du kan inte ge normala neurala nätverk en bit information och låta dem behålla den i sitt interna tillstånd på obestämd tid – någon gång kommer den att skrivas över och de kommer i princip glömma den.” Detta neurala nätverk kunde dock behålla minnet för alltid.
Samma strategi användes för två andra uppgifter – båda som återigen verkar triviala för människor. DeepMind fick enkla utdrag av berättelser, som ”John är på lekplatsen. John tog upp fotbollen.” Därifrån tillfrågades AI:n var fotbollen var och gav rätt svar på den här typen av pussel 96 % av gångerna. Graves medger att även om dessa pussel ”ser så triviala ut för en människa att de inte alls verkar som frågor”, är det metodiken som är intressant. Traditionella datorer, säger han, ”gör riktigt dåligt på det här.”
I ett annat pussel, förklarat i videon ovan, kunde DeepMind etablera familjeförhållanden genom att läsa ett släktträd.
”Sammantaget visar våra resultat det [differentiable neural computers] har kapacitet att lösa komplexa, strukturerade uppgifter som är otillgängliga för neurala nätverk utan externt läs-skrivminne”, avslutade författarna i sin artikel. ”Som en konventionell dator kan den använda sitt minne för att representera och manipulera komplexa datastrukturer, men som ett neuralt nätverk kan den lära sig att göra det från data.”
