Get in my Think Art.

ปัญหาที่แก้ไขไม่ได้ใน AI

ปัญหาที่แก้ไขไม่ได้ใน AI

ปัญหาที่แก้ไขไม่ได้ใน AI

jumbo jili

เอกสารนี้ระบุปัญหาที่เปิดอยู่ใน AI มันพยายามที่จะให้ภาพรวมที่รัดกุมในความท้าทายที่ยิ่งใหญ่ที่สุดในสนามและของรัฐในปัจจุบันของศิลปะในแนวเดียวกันกับ“ เปิดคำถามการวิจัยรูปแบบ” ของการมุ่งเน้นของAI Roadmap สถาบัน

สล็อต

ความท้าทายถูกจัดกลุ่มเป็นปัญหาที่สมบูรณ์ของ AIปัญหาโดเมนปิดและปัญหาพื้นฐานในการให้เหตุผลทั่วไป การเรียนรู้ และความสามารถของเซ็นเซอร์
ฉันตระหนักดีว่านี้ความพยายามครั้งแรกที่การสำรวจปัญหาเปิดจำเป็นจะไม่สมบูรณ์และยินดีต้อนรับผู้อ่านข้อเสนอแนะ
เพื่อช่วยเร่งการค้นหาปัญญาประดิษฐ์ทั่วไป GoodAI กำลังจัดการแข่งขันGeneral AI Challenge (GoodAI, 2017) ซึ่งมีจุดมุ่งหมายเพื่อแก้ปัญหาบางอย่างที่ระบุไว้ด้านล่าง ผ่านชุดความท้าทายที่สำคัญซึ่งเริ่มต้นในต้นปี 2560
ปัญหาแตกต่างกันไปตามขอบเขตและมักทับซ้อนกัน บางส่วนอาจมีอยู่ในส่วนอื่นๆ ทั้งหมด เกณฑ์ที่สอง (ขอบเขตปิด) ไม่รวมปัญหาที่น่าสนใจบางอย่าง เช่น การเรียนรู้อาชีพมนุษย์ทั้งหมด ปัญหาบางประการของประเภทนี้ถูกกล่าวถึงแยกต่างหากจากรายการหลัก เพื่อให้แน่ใจว่าปัญหาสามารถทดสอบได้ แต่ละปัญหาจะถูกนำเสนอพร้อมกับตัวอย่างการทดสอบ
เว็บไซต์หลายแห่ง ซึ่งบางเว็บไซต์ระบุไว้ด้านล่าง มีปัญหาท้าทายสำหรับ AI
หน้าปัญหา commonsense เหตุผล (commonsense เหตุผล, 2015) มีปัญหาจากหลายพื้นที่ใน commonsense เหตุผลเช่น“หน่อมแน้มจิตวิทยา” (ที่เกี่ยวข้องกับทฤษฎีของจิตใจและความรู้ความเข้าใจทางสังคม ) และ“เหตุผลทางกายภาพ” (ที่เกี่ยวข้องกับการใช้งานง่ายหรือฟิสิกส์ไร้เดียงสา )
หน้าสคี commonsense เหตุผล Winograd (commonsense เหตุผล, 2016a) ของขวัญschemas Winogradและปัญหาแก้ความกำกวมสรรพนามอื่น ๆ ที่ต้องการความเข้าใจในโลก
OpenAI Requests for research (OpenAI, 2016) นำเสนอปัญหาการเรียนรู้ของเครื่องที่มีความยากลำบากต่างกันโดยเน้นการเรียนรู้เชิงลึกและการเสริมกำลัง
AI •ในการเก็บรวบรวมของปัญหาการวิจัยเปิด (AI • ON 2016) มีการใช้และปัญหา AI พื้นฐานนอกจากนี้ยังเน้นการเรียนรู้ลึก
ในบริบทของการประเมินระบบ AI Hernández-Orallo (2016a) จะตรวจสอบปัญหา AI แบบเปิดจำนวนหนึ่ง ทะเลสาบและคณะ (2016)เสนอการวิพากษ์วิจารณ์สถานะปัจจุบันของศิลปะใน AI และอภิปรายปัญหาต่างๆ เช่น ฟิสิกส์โดยสัญชาตญาณ จิตวิทยาโดยสัญชาตญาณ และการเรียนรู้จากตัวอย่างบางส่วน
ปัญหา AI สมบูรณ์
ปัญหาที่สมบูรณ์ของ AI เป็นปัญหาที่มีแนวโน้มว่าจะมีปัญญาประดิษฐ์ทั่วไปทั้งหมดหรือเกือบทั้งหมดในระดับมนุษย์ ปัญหาบางประการในหมวดหมู่นี้แสดงไว้ด้านล่าง
กล่องโต้ตอบเปิดโดเมน
ความเข้าใจข้อความ
เครื่องแปลภาษา
การทดสอบสติปัญญาและความถนัดของมนุษย์
ความละเอียด Coreference (สคีมา Winograd)
ความเข้าใจคำประสม
กล่องโต้ตอบเปิดโดเมน
การสนทนาแบบเปิดโดเมนเป็นปัญหาของการดำเนินการโต้ตอบกับมนุษย์อย่างมีประสิทธิภาพเมื่อไม่ทราบหัวข้อของการสนทนาล่วงหน้า ความท้าทายรวมถึงการทำความเข้าใจภาษา บทสนทนาเชิงปฏิบัติและความเข้าใจโลก เวอร์ชันของงานประกอบด้วยการโต้ตอบการพูดและการเขียน สามารถขยายงานเพื่อรวมการโต้ตอบหลายรูปแบบ (เช่น การป้อนข้อมูลด้วยท่าทาง เอาต์พุตมัลติมีเดีย) เกณฑ์ความสำเร็จที่เป็นไปได้นั้นมีประโยชน์และความสามารถในการดำเนินการโต้ตอบที่แยกไม่ออกจากกล่องโต้ตอบของมนุษย์ (“ การทดสอบทัวริง ”)
เครื่องแปลภาษา
การแปลด้วยคอมพิวเตอร์นั้นสมบูรณ์แบบด้วย AI เพราะมันรวมถึงปัญหาที่ต้องใช้ความเข้าใจโลก
แบบทดสอบ
ในขณะที่คุณภาพการแปลสามารถประเมินได้โดยอัตโนมัติโดยใช้ Parallel corpora การทดสอบขั้นสุดท้ายคือการตัดสินคุณภาพโดยมนุษย์ Corpora เช่นCorpus of Contemporary American English (Davies, 2008) มีตัวอย่างข้อความจากประเภทต่างๆ คุณภาพการแปลสามารถประเมินได้โดยใช้ตัวอย่าง
ข้อความในหนังสือพิมพ์
นิยาย
การถอดเสียงภาษาพูด
การทดสอบสติปัญญา
การทดสอบความฉลาดและความถนัดของมนุษย์ ( Hernández-Orallo, 2017 ) มีความน่าสนใจตรงที่มันถูกออกแบบมาให้อยู่ในขีดจำกัดความสามารถของมนุษย์ และยากหรือเป็นไปไม่ได้ที่จะแก้ปัญหาโดยใช้ความรู้ที่ท่องไว้ มีการรายงานประสิทธิภาพระดับมนุษย์สำหรับเมทริกซ์โปรเกรสซีฟของ Raven (Lovett และ Forbus, 2017) แต่ระบบประดิษฐ์ยังคงขาดความสามารถในการให้เหตุผลทั่วไปในการจัดการกับปัญหาที่หลากหลายในเวลาเดียวกัน ( Hernández-Orallo , 2016b)
ความละเอียด Coreference
ปัญหาการทับซ้อนกันของการแก้ไข coreference , คำสรรพนาม disambiguationและWinograd schemaต้องการการเลือกการอ้างอิงของคำสรรพนามหรือวลีนาม
ความเข้าใจคำประสม
ในหลายภาษา มีคำประสมพร้อมความหมายที่ตั้งไว้ สามารถสร้างคำประสมของนวนิยายได้ และเราเก่งในการเดาความหมายของคำเหล่านั้น เราเข้าใจดีว่านกน้ำเป็นนกที่อาศัยอยู่ใกล้น้ำ ไม่ใช่นกที่มีหรือประกอบขึ้นจากน้ำ และรู้สึกว่านกสคาเดนฟรอยด์นั้นรู้สึกได้เมื่อผู้อื่นได้รับบาดเจ็บ ไม่ใช่เรา
ปัญหาโดเมนปิด
ปัญหาในขอบเขตที่ปิดคือปัญหาที่รวมเอาองค์ประกอบสำคัญของความฉลาดเข้าไว้ด้วยกัน แต่ลดปัญหาด้วยการจำกัดตัวเองให้อยู่ในขอบเขตความรู้ที่ถูกจำกัด ตัวแทนเล่นเกมเป็นตัวอย่างของสิ่งนี้และตัวแทนประดิษฐ์ได้รับประสิทธิภาพเหนือมนุษย์ที่ Go ( Silver et al., 2016 ) และโป๊กเกอร์เมื่อเร็วๆ นี้ ( Aupperlee, 2017 ; Brown and Sandholm, 2017 ) ท่ามกลางปัญหาที่เปิดกว้างคือ:
เรียนรู้การเล่นกระดาน การ์ด และเกมเรียงต่อกันจากคำอธิบาย
การสร้างโปรแกรมจากคำอธิบาย
ความเข้าใจซอร์สโค้ด

สล็อตออนไลน์

เกมกระดาน การ์ด และไทล์จากคำอธิบาย
ระบบที่ต้องเรียนรู้เกมใหม่จากคำอธิบายกฎต่างจากผู้เล่นเกมที่เชี่ยวชาญเป็นพิเศษ ไม่สามารถพึ่งพาอัลกอริธึมที่ออกแบบไว้ล่วงหน้าสำหรับเกมบางเกมได้
แบบทดสอบ
ปัญหาของการเรียนรู้เกมใหม่จากคำอธิบายภาษาที่เป็นทางการดูเหมือนจะเป็นสิ่งที่ท้าทายในการประชุม AAAI (Genesereth et al., 2005; AAAI, 2013 )
ความท้าทายที่มากกว่านั้นคือปัญหาของการเรียนรู้เกมจากคำอธิบายภาษาธรรมชาติ คำอธิบายสำหรับเกมไพ่และไพ่ดังกล่าวมีอยู่จากเว็บไซต์หลายแห่ง (เช่นMcLeod, 2017 )
โปรแกรมจากคำอธิบาย
การผลิตโปรแกรมในภาษาโปรแกรมเช่น C จากการป้อนข้อมูลภาษาธรรมชาติเป็นปัญหาที่น่าสนใจในทางปฏิบัติที่ชัดเจน
แบบทดสอบ
“การDescription2Code ” ความท้าทายที่นำเสนอ ( OpenAI 2016 ) มี 5000 รายละเอียดสำหรับโปรแกรมที่เก็บรวบรวมโดยอีธานบาล
ความเข้าใจซอร์สโค้ด
ที่เกี่ยวข้องกับการผลิตซอร์สโค้ดคือความเข้าใจซอร์สโค้ด ซึ่งระบบสามารถตีความความหมายของโค้ดและตรวจจับสถานการณ์ที่โค้ดแตกต่างไปจากความตั้งใจที่น่าจะเป็นไปได้ของผู้เขียน อัลลามานิสและคณะ (2559)รายงานความคืบหน้าการทำนายชื่อขั้นตอน
แบบทดสอบ
ประกวดนานาชาติที่ปกปิด C รหัส (OCCC 2016) ตีพิมพ์รหัสที่เป็นเจตนายากที่จะเข้าใจ ความเข้าใจซอร์สโค้ดสามารถทดสอบได้ว่าเป็นความสามารถในการปรับปรุงความสามารถในการอ่านโค้ดตามที่ให้คะแนนโดยผู้พิพากษาที่เป็นมนุษย์
การใช้เหตุผลร่วมกัน
การให้เหตุผลแบบสามัญสำนึกน่าจะเป็นองค์ประกอบสำคัญของปัญญาประดิษฐ์ทั่วไป ปัญหาหลักบางประการในพื้นที่นี้มีการระบุไว้ด้านล่าง
การให้เหตุผล
การให้เหตุผลเชิงโต้แย้ง
ฟิสิกส์ที่ใช้งานง่าย
จิตวิทยาที่ชาญฉลาด
การให้เหตุผล
การให้เหตุผลเชิงสาเหตุจำเป็นต้องรับรู้และประยุกต์ใช้ความสัมพันธ์ระหว่างเหตุและผล
แบบทดสอบ
“ จุดแข็งของหลักฐาน ” ที่ (Commonsense Reasoning, 2015)
“ หมาป่าและกระต่าย ” ที่ (Commonsense Reasoning, 2015)
การให้เหตุผลเชิงโต้แย้ง
ต้องใช้เหตุผลในการตอบคำถามเชิงสมมุติฐาน ใช้การให้เหตุผลเชิงสาเหตุร่วมกับความสามารถในการสร้างแบบจำลองและการใช้เหตุผลอื่นๆ ของระบบ เพื่อพิจารณาสถานการณ์ที่อาจแตกต่างจากที่เคยเกิดขึ้นในโลก
แบบทดสอบ
“ ปัญหาการยิงของเยลที่โหดร้ายและไม่ธรรมดา ” ที่ (Commonsense Reasoning, 2015)
ฟิสิกส์ที่ใช้งานง่าย

jumboslot

ความเข้าใจพื้นฐานเกี่ยวกับโลกทางกายภาพ ซึ่งรวมถึงความคงทนของวัตถุและความสามารถในการทำนายวิถีที่น่าจะเป็นไปได้ ช่วยให้เจ้าหน้าที่เรียนรู้ได้เร็วขึ้นและคาดการณ์ได้ดีขึ้น ขณะนี้เป็นพื้นที่การวิจัยที่มีความกระตือรือร้นมาก มีการรายงานงานล่าสุดบางส่วนใน ( Agrawal et al., 2016 ; Chang et al., 2016 ; Degrave et al., 2016 ; Denil et al., 2016 ; Finn et al., 2016 ; Fragkiadaki et al., 2016 ; Hamrick et al., 2016 ; Li et al., 2016 ; Mottaghi et al., 2016 ; Nair et al., 2016 ; Stewart and Ermon, 2016 ).
แบบทดสอบ
ส่วน “การให้เหตุผลทางกายภาพ” ที่ ( Commonsense Reasoning, 2015 ) (8 ปัญหา)
“ ปัญหาการจัดการ ” ที่ (Commonsense Reasoning, 2015)
จิตวิทยาที่ชาญฉลาด
จิตวิทยาที่ใช้งานง่าย หรือทฤษฎีของจิตใจอนุญาตให้ตัวแทนเข้าใจเป้าหมายและความเชื่อและอนุมานจากพฤติกรรมของตัวแทนอื่น
แบบทดสอบ
ส่วน “จิตวิทยาไร้เดียงสา” ที่ ( Commonsense Reasoning, 2015 ) (4 ปัญหา)
การเรียนรู้
แม้ว่าแมชชีนเลิร์นนิงจะก้าวหน้าอย่างน่าทึ่ง แต่ปัญหาที่เกี่ยวข้องกับการเรียนรู้ที่สำคัญส่วนใหญ่ยังไม่ได้รับการแก้ไข พวกเขารวมถึง:
ค่อยๆเรียนรู้
การเรียนรู้แบบไม่มีผู้ดูแล
ลักษณะทั่วไปที่แข็งแกร่ง
หมวดหมู่การเรียนรู้จากตัวอย่างบางส่วน
เรียนรู้ที่จะเรียน
การเรียนรู้องค์ประกอบ
เรียนรู้โดยไม่ลืม
ถ่ายทอดการเรียนรู้
รู้เมื่อไม่รู้
เรียนรู้จากการกระทำ

ค่อยๆเรียนรู้
มนุษย์สามารถเรียนรู้งานที่ซับซ้อนมากขึ้นได้ตลอดชีวิต สารประดิษฐ์ก็ควรเช่นกัน แนวคิดนี้มีการพูดคุยกันในรูปแบบต่างๆ ภายใต้รูบริกของการเรียนรู้ตลอดชีวิต ( Thrun and Mitchell, 1995 ) การเรียนรู้แบบต่อเนื่องและแบบค่อยเป็นค่อยไป ที่GoodAIเราได้นำคำศัพท์การเรียนรู้แบบค่อยเป็นค่อยไป ( Rosa et al., 2016 ) มาใช้เพื่อสะสมความรู้และทักษะในระยะยาว ต้องใช้ความสามารถหลายอย่างร่วมกันดังต่อไปนี้:
การเรียนรู้องค์ประกอบ
เรียนรู้ที่จะเรียน
เรียนรู้โดยไม่ลืม
ถ่ายทอดการเรียนรู้
แบบทดสอบ
การทดสอบที่เป็นไปได้ใช้กับหุ่นยนต์ในครัวเรือนที่เรียนรู้งานในครัวเรือนและงานบำรุงรักษาบ้าน รวมถึงการได้รับเครื่องมือและวัสดุสำหรับการทำงาน การทดสอบประเมินตัวแทนตามเกณฑ์สองประการ: การดำเนินการอย่างต่อเนื่อง ( Nilsson in Brooks, et al., 1996 ) โดยที่ตัวแทนจำเป็นต้องทำงานโดยอัตโนมัติโดยไม่ต้องตั้งโปรแกรมใหม่ตลอดอายุการใช้งาน และการปรับปรุงความสามารถโดยที่ตัวแทนต้องแสดง ณ จุดต่างๆ ใน วิวัฒนาการ ความสามารถที่ไม่เคยมีมาก่อน
[NPC5]การเรียนรู้แบบไม่มีผู้ดูแล
การเรียนรู้แบบไม่มีผู้ดูแลได้รับการอธิบายว่าเป็นความท้าทายครั้งใหญ่ครั้งต่อไปในการเรียนรู้ของเครื่อง ( LeCun 2016 ) ดูเหมือนว่าจะเป็นพื้นฐานสำหรับการเรียนรู้ตลอดชีวิตของมนุษย์ (สัญญาณภายใต้การดูแลและการสนับสนุนไม่ได้ให้ข้อมูลเพียงพอ) และเกี่ยวข้องอย่างใกล้ชิดกับการคาดคะเนและการใช้เหตุผลตามสามัญสำนึก (“การเติมเต็มในส่วนที่ขาดหายไป”) ปัญหาที่ยาก (Yoshua Bengio ในแผง” Brains and bits ” ที่ NIPS 2016) คือการเรียนรู้แบบไม่มีผู้ดูแลในระบบแบบลำดับชั้น โดยมีส่วนประกอบที่เรียนรู้ร่วมกัน