A.I. याद कर सकते हैं, लेकिन आप अभी भी इसे जादू पर कुचल देंगे: सभा

तंत्रिका नेटवर्क एआई के भविष्य के लिए महत्वपूर्ण हैं। और, एलोन मस्क के अनुसार, मानवता का भविष्य। सौभाग्य से, Google के डीपमाइंड ने तंत्रिका नेटवर्क को आंतरिक मेमोरी देकर बहुत अधिक स्मार्ट बनाने के लिए कोड को क्रैक किया।

में जारी एक अध्ययन में प्रकृति 12 अक्टूबर को, डीपमाइंड ने दिखाया कि कैसे तंत्रिका नेटवर्क और मेमोरी सिस्टम को मशीन लर्निंग बनाने के लिए जोड़ा जा सकता है जो न केवल ज्ञान को संग्रहीत करता है, बल्कि परिस्थितियों के आधार पर जल्दी से इसका उपयोग करता है। ए.आई. के साथ सबसे बड़ी चुनौतियों में से एक। सामान याद रखने के लिए मिल रहा है। ऐसा लगता है कि हम इसे प्राप्त करने के करीब एक कदम हैं।

जिसे डिफरेंशियल न्यूरल कंप्यूटर (DNC) कहा जाता है, एन्यूरिज्ड न्यूरल नेटवर्क कंप्यूटर की तरह काम करता है। एक कंप्यूटर में कार्यों (एक तंत्रिका नेटवर्क) को पूरा करने के लिए एक प्रोसेसर होता है, लेकिन यह प्रोसेसर के लिए अलग-अलग डेटा बिंदुओं (डीएनसी) से एल्गोरिदम प्रदर्शन करने के लिए एक मेमोरी सिस्टम लेता है।

डीपमाइंड के नवाचार से पहले, तंत्रिका नेटवर्क को बाहरी मेमोरी पर निर्भर रहना पड़ता है ताकि नेटवर्क की न्यूरॉन गतिविधि में हस्तक्षेप न करें।

किसी भी बाहरी मेमोरी के बिना, तंत्रिका नेटवर्क केवल ज्ञात जानकारी के आधार पर समाधान का तर्क देने में सक्षम हैं। उन्हें अधिक सटीक होने के लिए बड़े पैमाने पर डेटा और अभ्यास की आवश्यकता होती है। एक नई भाषा सीखने वाले मानव की तरह, वास्तव में तंत्रिका नेटवर्क को स्मार्ट बनने में समय लगता है। यही कारण है कि डीपमाइंड का तंत्रिका नेटवर्क गो में महान है, लेकिन रणनीति-आधारित गेम मैजिक पर भयानक है: तंत्रिका नेटवर्क केवल मेमोरी के बिना पर्याप्त चर संसाधित नहीं कर सकता है।

मेमोरी तंत्रिका नेटवर्क को चर को शामिल करने और डेटा का तेजी से विश्लेषण करने की अनुमति देती है ताकि यह लंदन के अंडरग्राउंड के रूप में जटिल रूप में कुछ को ग्राफ कर सके और विशिष्ट डेटा बिंदुओं के आधार पर निष्कर्ष निकालने में सक्षम हो। दीपमिन्द के अध्ययन में, उन्होंने पाया कि एक DNC अपने दम पर सीख सकता है कि वह गंतव्य के बीच के सबसे तेज मार्गों के बारे में प्रश्नों का उत्तर दे और किस स्थान पर एक यात्रा समाप्त होगी, जो नए प्रस्तुत ग्राफ और अन्य परिवहन प्रणालियों के ज्ञान का उपयोग करके होगी। यह एक परिवार के पेड़ से संबंधों को भी घटा सकता है, जिसमें पेड़ को छोड़कर कोई भी जानकारी नहीं दी जाती है। DNC एक अतिरिक्त कार्य बिंदुओं को पूरा किए बिना एक लक्ष्य को पूरा करने में सक्षम था, जिसे पारंपरिक तंत्रिका नेटवर्क द्वारा आवश्यक होगा।

हालांकि यह बहुत प्रभावशाली नहीं लग सकता है (Google मैप्स पहले से ही कहीं कुशल मार्ग की गणना करने में बहुत अच्छा है), प्रौद्योगिकी एआई के भविष्य के लिए एक बहुत बड़ा कदम है। यदि आपको लगता है कि भविष्य कहनेवाला खोज कुशल (या डरावना) है, तो कल्पना करें कि यह तंत्रिका नेटवर्क मेमोरी के साथ कितना अच्छा हो सकता है। जब आप बेन नाम के लिए फेसबुक सर्च करते हैं, तो यह इस तथ्य से पता चलेगा कि आप एक म्यूचुअल फ्रेंड के पेज पर थे, उसकी एक तस्वीर देख रहे थे, जिसका मतलब है कि बेन प्राथमिक स्कूल से बेन नहीं सड़क के नीचे से है।

प्राकृतिक भाषा सीखने ए.आई. अंत में दोनों की भाषा पर काम करने के लिए पर्याप्त संदर्भ होगा वॉल स्ट्रीट जर्नल और ब्लैक ट्विटर को समझने में सक्षम हो। सिरी समझ सकती है कि पेपे फ्रॉग एक कॉमिक स्ट्रिप के सिर्फ एक चरित्र से अधिक है क्योंकि वह हर पढ़ती है श्लोक में इसके बारे में लेख।

न्यूयॉर्क विश्वविद्यालय के संज्ञानात्मक वैज्ञानिक ब्रेंडेन लेक ने कहा, "मैं उदाहरणों से 'एल्गोरिदम' सीखने की क्षमता से सबसे अधिक प्रभावित हूं।" प्रौद्योगिकी की समीक्षा । "एल्गोरिथ्म, जैसे कि छंटाई या सबसे छोटे रास्ते खोजना, क्लासिक कंप्यूटर विज्ञान की रोटी और मक्खन हैं। उन्हें पारंपरिक रूप से डिजाइन और कार्यान्वित करने के लिए एक प्रोग्रामर की आवश्यकता होती है।"

देते हुए ए.आई. संदर्भ को समझने की क्षमता इसे प्रोग्राम किए गए एल्गोरिदम की आवश्यकता को छोड़ने की अनुमति देती है।

जबकि दीपमिन्द की DNC तंत्रिका स्मृति में पहला प्रयोग नहीं है, यह सबसे अधिक परिष्कृत है। यह कहा गया है कि तंत्रिका नेटवर्क अभी भी अपने शुरुआती चरण में है और इसके पास सीखने के मानव-स्तर पर आने से पहले एक लंबा रास्ता तय करना है। शोधकर्ताओं को अभी भी यह पता लगाने की आवश्यकता है कि सिस्टम प्रसंस्करण को कैसे स्केल किया जाए ताकि यह स्मृति के हर टुकड़े का उपयोग करके जल्दी से स्कैन और गणना कर सके।

अभी के लिए, मनुष्य सर्वोच्च रूप से न्यूरोलॉजिकल रूप से शासन करते हैं।