AI học hỏi như trẻ con: Mô hình mới tăng hiệu suất AI bằng cách áp dụng tâm lý phát triển của trẻ em

Mục lục:

• 1. Giới thiệu về mô hình mới
• 2. Vấn đề của AI hiện nay
• 3. Lấy cảm hứng từ cách học của trẻ em
• 4. Mô hình ESS: Áp dụng không gian môi trường vào AI
• 5. Kết quả và ứng dụng

1. Giới thiệu về mô hình mới

Các nhà nghiên cứu tại Đại học bang Pennsylvania (Penn State) đã công bố một nghiên cứu mới cho thấy một phương pháp học máy trí tuệ nhân tạo (AI) mới sử dụng các khái niệm từ tâm lý học phát triển của con người và cách học của trẻ em đạt được độ chính xác cao hơn gần 15%.

2. Vấn đề của AI hiện nay

Độ chính xác của học sâu AI thường yêu cầu lượng dữ liệu huấn luyện khổng lồ. Ngay cả khi tiếp xúc với lượng dữ liệu huấn luyện khổng lồ, học máy AI hiện nay vẫn thiếu khả năng khái quát hóa, điều cần thiết cho trí tuệ nhân tạo chung. Ví dụ, chatbot ChatGPT được huấn luyện từ lượng dữ liệu khổng lồ từ internet, dữ liệu của bên thứ ba được cấp phép và thông tin từ người dùng và huấn luyện viên của con người, theo OpenAI.

3. Lấy cảm hứng từ cách học của trẻ em

Các nhà nghiên cứu viết: Mặc dù được huấn luyện trên các tập dữ liệu rộng lớn, nhưng các hệ thống thị giác máy tính hiện nay vẫn thua kém trẻ em trong việc học về thế giới thị giác.

Con người có khả năng tự nhiên để khái quát hóa các khái niệm khi được trình bày với vật liệu hoàn toàn mới. Các chuyên gia công nghệ thường cho rằng trẻ em thông minh hơn các hệ thống AI tinh vi nhất. Ví dụ, một đứa trẻ có thể học khái niệm về một con mèo và xác định chính xác các con mèo khác với lượng tiếp xúc hạn chế mà không cần phải được tiếp xúc rõ ràng hoặc dạy về mọi loài mèo trước đó.

Đến khi một đứa trẻ được hai tuổi, chúng đã thực hiện khoảng 90 triệu lần nhìn cố định từ môi trường của chúng, một con số ít hơn nhiều so với các tập dữ liệu huấn luyện AI khổng lồ chứa tới hàng tỷ hình ảnh, theo các nhà nghiên cứu. Các lần nhìn cố định chủ yếu bao gồm một tập hợp hạn chế các khuôn mặt, vật thể và quan điểm trong nhà của chúng.

4. Mô hình ESS: Áp dụng không gian môi trường vào AI

Các nhà khoa học viết: Trong khi quan sát thế giới, trẻ em tận dụng rất nhiều thông tin môi trường về cách cơ thể của chúng cố tình lấy mẫu thông tin thông qua việc định hướng có kiểm soát giác quan của chúng và tương tác của chúng với thế giới.

Liệu việc bắt chước cách một đứa trẻ học trong silico có thể dẫn đến các thuật toán AI thông minh hơn và hiệu quả hơn? Các nhà khoa học đưa ra giả thuyết rằng nhận thức vị trí của con người là chìa khóa cho việc học thị giác của trẻ sơ sinh và lý luận rằng việc kết hợp ngữ cảnh môi trường vào học máy AI sẽ cho phép học tập linh hoạt hơn để thực hiện tốt hơn các nhiệm vụ như phân loại bằng cách sử dụng ít dữ liệu hơn.

Dựa trên tâm lý học phát triển của con người, các nhà nghiên cứu đã quyết định sử dụng môi trường như một nguồn dữ liệu ngữ cảnh, một cách tiếp cận mà họ gọi là tương đồng không gian môi trường (ESS). Nhóm nghiên cứu đã tạo ra một mô phỏng về một tác nhân di chuyển qua một ngôi nhà và căn hộ có nội thất bằng cách sử dụng một nền tảng để mô phỏng vật lý tương tác được gọi là ThreeDWorld (TDW) và ray tracing tiên tiến để tạo ra bóng, phản chiếu và thuộc tính vật liệu chân thực.

5. Kết quả và ứng dụng

Mô phỏng có các tính năng thực tế như độ bóng bắt chước sự xuất hiện của độ bóng thực tế trong tâm lý vật lý của con người. Tâm lý vật lý là lĩnh vực tâm lý học nghiên cứu mối quan hệ giữa các khía cạnh vật lý của một kích thích và các cảm giác và nhận thức được báo cáo - mối quan hệ giữa vật chất và tinh thần. Thuật ngữ này được đặt ra bởi nhà vật lý, giáo sư, triết gia và nhà tâm lý học thực nghiệm Gustav Theodor Fechner (1801-1887).

Đối với nghiên cứu này, các nhà nghiên cứu Penn State đã sửa đổi một thuật toán học AI tự giám sát được gọi là tương phản động lượng (MoCo) được tạo ra trong một nghiên cứu khác được công bố vào năm 2020 bởi các nhà nghiên cứu tại các phòng thí nghiệm Meta FAIR (trước đây là Facebook AI Research) và triển khai nó bằng cách sử dụng Pytorch.

Thuật toán Penn State tính đến dữ liệu không gian ngữ cảnh từ các hình ảnh mô phỏng để xác định các cặp hình ảnh gần nhau về tọa độ không gian và xoay và cho phép nhiều cặp. Họ đã so sánh hiệu suất của mô hình AI của họ trong nhiều điều kiện với thuật toán MoCo (phiên bản 2) cơ bản.

Cách tiếp cận ESS mới đã vượt trội so với mô hình cơ bản trong nhiều nhiệm vụ, bao gồm hiệu quả cao hơn 15% (14,99%) với độ chính xác trung bình 99,35% trong nhiệm vụ xác định phòng trong một căn hộ ảo.

Theo các nhà nghiên cứu, có một số ứng dụng trong thế giới thực mà cách tiếp cận AI mới của họ có thể mang lại lợi ích, chẳng hạn như thị giác của con người, khoa học thần kinh, thị giác máy tính, cứu trợ thảm họa, máy bay tự hành, robot và thậm chí cả thăm dò hành tinh và không gian trong tương lai.