Mākslīgais intelekts vēl nav gudrāks par mazuli – jauns pētījums atklāj robus
Jaunais etalons EgoBabyVLM parāda, ka modernie redzes-valodas modeļi nespēj mācīties no zīdaiņu galvas kameru video, atklājot, ka MI joprojām nav viena gada veca bērna efektīvās mācīšanās spēju.
Kaut arī mākslīgā intelekta modeļi darbojas uz tūkstošiem modernu mikroshēmu un patērē milzīgus datu apjomus, viena gada vecs bērns spēj mācīties daudz efektīvāk – tas identificē jaunus objektus pēc viena vai diviem skatieniem, izmantojot īsus novērojumus un fizisku mijiedarbību.
Pētnieki no Meta, Stenforda universitātes, Tokijas universitātes un Francijas École Normale Supérieure izstrādāja testu EgoBabyVLM, lai salīdzinātu MI mācīšanos ar bērnu mācīšanos. Šajā testā redzes-valodas modeļiem (VLM) tiek sniegta aptuveni tūkstoš stundu garu video, kas uzņemti ar kamerām, kuras piestiprinātas pie zīdaiņu un mazuļu galvām. Izrādās, ka modernie modeļi cieš neveiksmi, saskaroties ar šiem reālistiskajiem un haotiskajiem kadriem.
"Tas liecina, ka ir nepieciešams vairāk nekā tikai valoda," saka Maikls Frenks, Stenfordas kognitīvais zinātnieks, kas specializējas valodas apguvē un piedalījās EgoBabyVLM izstrādē. Bērni mācās ne tikai no valodas, bet arī no bagātīgas multimodālas un taustāmas pieredzes – vecāki runā par objektiem, kas vairs nav redzami, norāda uz lietām ar skatienu vai žestiem, apspriež pagātnes vai nākotnes notikumus.
- gadā ieviestais izaicinājums BabyLM pārbaudīja, vai MI modeļi var apgūt valodas sintaksi, izmantojot apmēram tikpat daudz datu, cik 10 gadus vecs bērns – desmitiem miljonu vārdu, salīdzinot ar triljoniem MI modeļiem. Transformatoru bāzes modeļi to paveica diezgan labi, izaicinot Noama Čomska idejas par sintakses iebūvētību smadzenēs. Tomēr, runājot par fiziskās pasaules izpratni, situācija ir atšķirīga. "Nav liela cilvēku mijiedarbības korpusa – nav cilvēku mijiedarbības interneta," saka Raiens Koterels, valodnieks no Cīrihes ETH, kurš izstrādāja BabyLM.
Džošua Tenenbaums, MIT kognitīvais zinātnieks, norāda, ka BabyLM parādīja, ka modeļi neiegūst "veselo saprātu" par fizisko pasauli, sociālo dinamiku vai prāta teoriju. "Transformatori ir ļoti labi datu modeļu atrašanā," saka Tenenbaums. "Taču šķiet, ka tīri modeļu atpazīšanas sistēmas nespēj no tādiem datiem, kādus saņem bērns, iemācīties visu, ko viņi iemācās."
- gada pētījumā tika parādīts, ka pamata VLM spēj iemācīties vienkāršas lietas, piemēram, kas ir bumba, tikai patērējot datus no viena zīdaiņa galvas kameras. Bet tas vēl ir tālu no sarežģītas spriešanas par pasauli. "Mistērija ir tas, kā bērni sasniedz pilnīgas spējas, kādas viņiem ir pat 2 gadu vecumā," saka Brenlans Leiks, Prinstonas universitātes kognitīvais zinātnieks.
EgoBabyVLM autori ierosina aizgūt idejas no kognitīvās zinātnes un neirozinātnes, lai izstrādātu cilvēkam līdzīgākus mācīšanās algoritmus. Tas ietver modeļus, kas spēj pievērst uzmanību ilgākā laikā un interpretēt sociālos signālus. Frenks un viņa kolēģi jau pārbaudīja jauna veida modeli, kas spēj mācīties cēloņsakarības un vizuālās, kā arī laika attiecības, izmantojot tos pašus zīdaiņu video datus. Šis modelis daudz efektīvāk apguva dažādu objektu dinamiku, kas ir fiziskās spriešanas pamats.
"EgoBabyVLM ir brīnišķīgs izaicinājums," saka Leiks. "Es ar nepacietību gaidu, kādus jaunus arhitektūras veidus, pieejas un sastāvdaļas pētnieki izdomās."
