211service.com
OpenAI von Elon Musk enthüllt eine einfachere Möglichkeit für Maschinen zu lernen
Im Jahr 2013 überraschte ein britisches Startup für künstliche Intelligenz namens DeepMind Computerwissenschaftler, indem es Software vorführte, die lernen konnte, klassische Atari-Spiele besser zu spielen als ein erfahrener menschlicher Spieler. DeepMind wurde bald von Google übernommen, und die Technik, die die Atari-Spiele schlug, Reinforcement Learning, ist zu einem heißen Thema im Bereich der KI und Robotik geworden. Google nutzte Reinforcement Learning, um eine Software zu entwickeln, die letztes Jahr einen Go-Champion besiegte.
Jetzt sagt OpenAI, ein gemeinnütziges Forschungsinstitut, das von Elon Musk mitbegründet und finanziert wurde, dass es entdeckt hat, dass eine einfacher zu verwendende Alternative zum Reinforcement Learning konkurrierende Ergebnisse erzielen kann, wenn es Spiele spielt und andere Aufgaben ausführt. Auf der EmTech Digital-Konferenz von MIT Technology Review am Montag in San Francisco sagte der Forschungsdirektor von OpenAI, Ilya Sutskever, dass dies Forschern ermöglichen könnte, schnellere Fortschritte beim maschinellen Lernen zu erzielen.
Es ist mit den heutigen Reinforcement-Learning-Algorithmen auf Standard-Benchmarks konkurrenzfähig, sagte Sutskever. Es ist überraschend, dass etwas so Einfaches tatsächlich funktioniert.
Machine-Learning-Software von OpenAI hat herausgefunden, wie man klassische Atari-Spiele spielt.
Sutskever argumentiert, dass es wichtig ist, neue Wege zu finden, wie Software lernen kann, Dinge wie das Spielen von Computerspielen oder das Steuern von Robotern zu tun, damit maschinell lernende Software komplexere Aufgaben übernehmen kann, als nur Bilder zu erkennen oder unsere Sprache zu transkribieren. Wenn wir Computersysteme haben, die lernen, komplizierte Aktionen in der Welt durchzuführen, dann könnten wir sie meiner Meinung nach intelligent nennen, sagte er.
Sutskever und Kollegen testeten ihren Ansatz, Evolutionsstrategien genannt , indem sie Software erstellten, die lernte, mehr als 50 Atari-Spiele zu spielen, darunter Pong und Centipede. Da es einfacher ist, die neue Methode auf mehrere Prozessoren zu skalieren, könnten sie in einer Stunde künstliche Spieler trainieren, die mit denen vergleichbar sind, deren Produktion einen Tag dauerte, indem sie ein im letzten Jahr von Google DeepMind veröffentlichtes Reinforcement-Learning-System verwenden. Es zeigte die gleiche Fähigkeit, Dinge zu lernen, wie die Notwendigkeit, im Spiel Seaquest (mittleres Bild in der Animation) aufzutauchen, um Luft zu holen.
Der Forschungsdirektor von OpenAI, Ilya Sutskever
Einen ähnlichen Vorteil zeigten Evolutionsstrategien bei einem Standardtest aus der Robotik, bei dem eine Software herausfinden muss, wie man einen Humanoiden in einer simulierten Umgebung laufen lässt. Es dauerte 10 Minuten, um Ergebnisse zu erzielen, für die ein hochmodernes Reinforcement-Learning-System etwa 10 Stunden benötigen würde, sagen die Forscher.
Die Technik ist ein Neustart einer jahrzehntealten Idee, wie man Lernsoftware dazu bringt, verschiedene Aktionen auszuprobieren und die effektivsten zu identifizieren. Es ist lose davon inspiriert, wie die natürliche Selektion bewirkt, dass sich biologische Organismen an ihre Umgebung anpassen.
Ein Algorithmus, den jeder schon lange kennt, funktioniert besser als die meisten dachten, sagte Sutskever.
Er lehnte es ab, spezifische Anwendungen der KI vorzuschlagen, die durch die Technik der Evolutionsstrategien einen Schub erhalten könnten, und sagte, dass mehr Forschung über ihre Stärken und Grenzen erforderlich sei. Aber Sutskever sagte, dass ein Vergleich der Methode mit Reinforcement Learning darauf hindeutet, dass es besser ist, komplexere Aufgaben zu lernen, die mehr Schritte erfordern, um ein Ergebnis zu erzielen.
Aus diesem Grund, sagte Sutskever, glaubt er, dass Evolutionsstrategien OpenAIs Ziel unterstützen werden, das zu schaffen, was er künstliche allgemeine Intelligenz nennt – Software, die sich an viele Arten komplexer Szenarien anpassen kann.
Die meisten Forscher auf dem Gebiet des maschinellen Lernens sprechen nicht viel über allgemeine Intelligenz, sondern verfolgen Fortschritte bei spezifischen, oft eng fokussierten Problemen. Das Leitbild von OpenAI beinhaltet eine Verpflichtung zur Schaffung künstlicher allgemeiner Intelligenz. Sutskever sagte, dass das Tempo des Fortschritts beim maschinellen Lernen bedeutet, dass es sich lohnt, jetzt über dieses Ziel nachzudenken.
[Es] scheint im Moment weit weg zu sein, aber [war] vor fünf Jahren viel weiter weg, sagte er. Die Anzahl der Menschen und der Aufwand, die in die Entwicklung dieser Algorithmen gesteckt werden, ist extrem hoch – die Dinge gehen in einem sehr gesunden Tempo voran.