Tahun lalu, kecerdasan buatan AlphaGo mengalahkan juara dunia dalam permainan untuk pertama kalinya. Kemenangan ini tidak pernah terjadi sebelumnya dan tidak disangka-sangka memandangkan kesukaran permainan papan Cina yang tinggi. Walaupun kemenangan AlphaGo pasti mengagumkan, AI ini, yang telah mengalahkan juara Go yang lain sejak itu, masih dianggap sebagai jenis AI yang "sempit" - yang hanya dapat mengatasi manusia dalam bidang tugas yang terhad.
Jadi, walaupun kita hampir tidak akan dapat mengalahkan komputer di Go atau catur tanpa memerlukan bantuan komputer lain, kita juga belum dapat bergantung pada mereka untuk tugas rutin. AI tidak akan menjadikan anda teh atau menjadualkan MOT untuk kereta anda.
Bertentangan dengan ini, AI sering digambarkan dalam fiksyen sains sebagai kecerdasan buatan "umum". Artinya, kecerdasan buatan dengan tahap dan ragam yang sama dengan manusia. Walaupun kita sudah mempunyai pelbagai jenis kecerdasan buatan yang dapat melakukan segalanya dari mendiagnosis penyakit hingga memandu kereta kita, kita belum dapat mengetahui bagaimana mengintegrasikannya pada tahap yang lebih umum.
Minggu lalu, penyelidik DeepMind membentangkan beberapa makalah yang mendakwa meletakkan asas untuk kecerdasan buatan umum. Walaupun belum ada kesimpulan, hasil pertama memberangsangkan: di beberapa bidang, AI sudah melebihi kemampuan manusia.
Kedua-dua karya DeepMind memfokuskan pada penaakulan relatif, kemampuan kognitif kritis yang membolehkan orang membuat perbandingan antara objek atau idea yang berbeza. Contohnya, untuk membandingkan objek mana yang lebih besar atau lebih kecil, yang berada di sebelah kiri dan yang di sebelah kanan. Orang menggunakan pertimbangan relatif (atau relasional) setiap kali mereka berusaha untuk menyelesaikan masalah, tetapi para saintis masih belum mengetahui bagaimana memberikan AI ini kemampuan sederhana.
Saintis DeepMind telah memilih dua laluan yang berbeza. Ada yang melatih rangkaian neural - sejenis seni bina AI yang dimodelkan berdasarkan otak manusia - menggunakan pangkalan data objek 3D sederhana yang disebut CLEVR. Rangkaian saraf lain diajar untuk memahami bagaimana objek dua dimensi berubah dari masa ke masa.
Dalam CLEVR, jaringan saraf diwakili oleh sekumpulan reka bentuk sederhana seperti piramid, kubus, dan sfera. Para saintis kemudian mengajukan soalan kecerdasan buatan dalam bahasa semula jadi, seperti "adakah kubus yang terbuat dari bahan yang sama dengan silinder?" Hebatnya, rangkaian saraf dapat menganggarkan dengan tepat atribut hubungan CLEVR dalam 95.5% kes, bahkan melebihi manusia dengan ketepatan 92.6% dalam parameter ini.
Dalam ujian kedua, penyelidik DeepMind membuat rangkaian saraf Visual Interaction Network (VIN) yang dilatih untuk memprediksi keadaan masa depan objek pada video, bergantung pada pergerakan sebelumnya. Untuk melakukan ini, para saintis pertama kali memberi makan VIN tiga bingkai video berturut-turut, yang rangkaian diterjemahkan menjadi kod. Dalam kod ini, terdapat senarai vektor - kelajuan atau kedudukan objek - untuk setiap objek dalam bingkai. VIN kemudian diberi urutan kod lain, yang digabungkan untuk memprediksi kod untuk bingkai seterusnya.
Video promosi:
Untuk melatih VIN, saintis menggunakan lima jenis sistem fizik, di mana objek 2D bergerak dengan latar belakang "gambar semula jadi" dan bertabrakan dengan kekuatan yang berbeza. Sebagai contoh, dalam satu sistem fizikal objek yang disimulasikan saling berinteraksi mengikut undang-undang graviti Newton. Di jaringan lain, jaringan saraf disajikan dengan biliar dan dibuat untuk meramalkan kedudukan bola di masa depan. Menurut saintis, rangkaian VIN berjaya mengatasi dengan meramalkan tingkah laku objek dalam video.
Karya ini merupakan langkah penting menuju AI umum, tetapi masih banyak yang harus dilakukan sebelum kecerdasan buatan dapat mengambil alih dunia. Dan selain itu, prestasi super manusia tidak bermaksud kecerdasan manusia super.
Belum lagi.
ILYA KHEL
