През десетилетията от развитието на изкуствения интелект в тази област са създадени два основни лагера. "Символистите" се стремяха да изграждат интелигентни машини, като програмират логически правила и представления на света. "Connectionists" се стремят да изграждат изкуствени невронни мрежи, вдъхновени от биологията, за да изследват света. Сега изследователи от MIT, IBM и DeepMind посочват силата на комбинирането на тези два подхода.

Екип, ръководен от Джош Тененбаум, професор в Масачузетския технологичен институт, създаде компютърна програма, наречена невро-символна концепция (NS-CL), която опознава света (макар и опростена версия) като дете - оглежда се и говори. Системата се състои от няколко части. Една невронна мрежа се обучава върху поредица от сцени, създадени от малък брой обекти.

Друга невронна мрежа е обучена в поредица от текстови отговори на въпроси (например: Какъв е цветът на сферата? Червен). Тази мрежа ще се научи да картографира въпроси на естествен език в проста програма, изпълняваща се на сцена, и да създава отговори. Системата NS-CL е програмирана да разбира символни понятия в текста, напр. "Обекти", "атрибути на обекти", "пространствени отношения". Това знание помага на NS-CL да отговори на нови въпроси за друга сцена. Подобно упражнение е много по-взискателно, ако използваме чисто свързваща процедура.

комбинацията

„Това е вълнуващ подход“, казва Бренден Лейк, асистент в Нюйоркския университет. "Разпознаването на невронни модели позволява на системата да вижда, докато символните програми позволяват на системата да разбира. Взети заедно, този подход надхвърля това, което сегашните системи за задълбочено обучение могат да направят. “Следователно хибридната система се справя с основните ограничения на двата предишни подхода, като ги комбинира.

Това преодолява проблема с мащабируемостта на символизма, който се стреми да програмира пълната сложност на човешкото знание и в същото време един от най-често срещаните проблеми на невронните мрежи - фактът, че те се нуждаят от огромно количество данни. Възможно е да научите невронна мрежа да отговаря на въпроси, като предоставя милиони примери под формата на данни за обучение.

Детето обаче не се нуждае от толкова голямо количество данни, за да разбере какво е нов обект и каква е връзката му с други обекти. Дори мрежа, обучена по този начин, наистина няма да разбере концепцията - тя просто ще практикува напълно съответния модел. Следователно такава система би била склонна към много тривиални грешки, когато се сблъска с други сценарии.

Новият метод може да отвори нови възможности за прилагане на изкуствен интелект, тъй като тази технология изисква много по-малко данни за обучение. Роботизираните системи могат да се учат „в движение“, без да се налага да губят много време в обучение за всяка уникална среда, в която попаднат.