Un modelo híbrido de IA le permite razonar sobre la física del mundo como un niño

Categoría: Inteligencia artificial Al corriente Mar 06

Un nuevo conjunto de datos revela cuán mala es la inteligencia artificial para razonar y sugiere que un nuevo enfoque híbrido podría ser el mejor camino a seguir.

Preguntas, preguntas: Conocido como INTELIGENTE, el conjunto de datos consta de 20.000 breves videoclips sintéticos y más de 300.000 parejas de preguntas y respuestas que razonan sobre los acontecimientos de los vídeos. Cada video muestra un mundo simple de objetos de juguete que chocan entre sí siguiendo la física simulada. En uno, una pelota de goma roja golpea un cilindro de goma azul, que continúa golpeando un cilindro de metal.

Las preguntas se dividen en cuatro categorías: descriptivas (p. ej., ¿qué forma tiene el objeto que choca con el cilindro cian?), explicativas (¿cuál es el responsable de la colisión del cilindro gris con el cubo?), predictivas (¿qué evento sucederá después?) , y contrafactual (Sin el objeto gris, ¿qué evento no sucederá?). Las preguntas reflejan muchos de los conceptos que los niños aprenden desde el principio mientras exploran su entorno. Pero las últimas tres categorías, que requieren específicamente un razonamiento causal para responder, a menudo desconciertan los sistemas de aprendizaje profundo.

Fallar: El conjunto de datos, creado por investigadores de Harvard, DeepMind y MIT-IBM Watson AI Lab, está destinado a ayudar a evaluar qué tan bien pueden razonar los sistemas de IA. Cuando los investigadores probado varios modelos de visión por computadora y lenguaje natural de última generación con el conjunto de datos, encontraron que a todos les fue bien en las preguntas descriptivas pero mal en las demás.

Mezclando lo viejo y lo nuevo: Luego, el equipo probó un nuevo sistema de IA que combina aprendizaje profundo y lógica simbólica. Los sistemas simbólicos solían estar de moda antes de que fueran eclipsado por el aprendizaje automático a finales de la década de 1980. Pero ambos enfoques tienen sus puntos fuertes: el aprendizaje profundo sobresale en escalabilidad y reconocimiento de patrones; los sistemas simbólicos son mejores en la abstracción y el razonamiento.

El sistema compuesto, conocido como modelo neurosimbólico, aprovecha ambos: utiliza una red neuronal para reconocer los colores, las formas y los materiales de los objetos y un sistema simbólico para comprender la física de sus movimientos y las relaciones causales entre ellos. Superó a los modelos existentes en todas las categorías de preguntas.

Por qué importa: De niños, aprendemos a observar el mundo que nos rodea, inferir por qué sucedieron las cosas y hacer predicciones sobre lo que sucederá a continuación. Estas predicciones nos ayudan a tomar mejores decisiones, navegar por nuestros entornos y mantenernos seguros. Reproducir ese tipo de comprensión causal en las máquinas las equipará de manera similar para interactuar con el mundo de una manera más inteligente.