2025. 03. 03. - 09:25
Köpésre van tőlünk a mesterséges általános intelligencia? Még egyedül is tanul
A mesterséges általános intelligencia már csak egy karnyújtásnyira lehet tőlünk: a tudósok ezt fejlesztő MI-modellt építenek. Az algoritmus segédadatok és emberi paraméterek nélkül tanul.
Nincs már messze tőlünk a mesterséges általános intelligencia. A kutatók új MI-modellt fejlesztettek ki, amely a természethez hasonlóan, emberi irányítás nélkül fedezi fel az adatok mintáit.
A munkát az ausztrál Sydney-i Műszaki Egyetem fejlesztői végezték. Úgy vélik: az előrelépés jelentősen javíthatja a mesterséges intelligencia-rendszerek önálló tanulását.
Önállóan tanuló mesterséges intelligencia-rendszerek
A „forgatónyomaték klaszterezésnek” (torque clustering) nevezett algoritmus a szakemberek elmondása szerint hatalmas mennyiségű adatot képes önállóan elemezni különböző területeken új betekintésekhez - beleértve a biológiát, a kémiát és a pszichológiát.
Az algoritmus előrelépést jelent a valóban autonóm mesterséges intelligencia felé és újradefiniálhatja a felügyelet nélküli tanulás környezetét – mutattak rá az ausztrál kutatók. Olvasd el: Mit hoz? A mesterséges általános intelligencia már 2025-ben itt lehet
Köpésre van tőlünk a mesterséges általános intelligencia? Még egyedül is tanul
Kiemelték, hogy ez különösen támogathatja az általános mesterséges intelligencia fejlesztését: egy olyan gépet, amely képes megérteni vagy megtanulni bármilyen intellektuális feladatot, az emberhez hasonlóan.
Ez különösen hasznos lehet a robotika és más autonóm rendszerek számára, segítve őket a mozgás, az irányítás és a döntéshozatal optimalizálásában – vélik a kutatók.
Felügyelet nélküli mesterséges intelligencia-tanulás
Az MI-technológiák többsége a felügyelt tanulásra támaszkodik, olyan mesterséges intelligencia képzési módszerekkel, amelyek nagy mennyiségű adatot tartalmaznak. Ezeket egy ember jelöli meg, előre meghatározott kategóriák vagy értékek segítségével.
Az algoritmusok az adatokat arra használják majd, hogy előrejelzéseket készítsenek és összefüggéseket fedezzenek fel az ember által beállított paraméterekkel kapcsolatban.
CT Lin, a Sydney-i Műszaki Egyetem kiváló professzora azonban elmondta: ezen megközelítés számos korláttal bír – ilyen például az, hogy drága, időigényes és nem praktikus az összetett vagy nagyszabású feladatokhoz.
„A felügyelet nélküli tanulás ezzel szemben címkézett adatok nélkül működik, feltárva az adatkészletekben rejlő struktúrákat és mintákat" – mondta Lin.
Hozzátette: a mesterséges intelligencia következő hulláma úgy tanul majd, hogy megfigyeli azt, feltárja és interakcióba lép a környezetével, kifejezett utasítások nélkül – mint ahogyan ez a természetben is működik.
A kutatók az új algoritmust 1000 különböző adathalmazon tesztelték, így átlagosan 97,7 százalékos korrigált kölcsönös információs pontszámot értek el – a klaszterezési eredmények mérőszámaként.
Összehasonlításképpen, más korszerű módszerek 80 százalékos pontszámot tudhatnak magukénak – emelték ki a szakemberek.
Ez az algoritmus „megkülönbözteti magát”, ugyanis alapja a nyomaték fizikai fogalmában rejlik, vagyis képes önállóan azonosítani a klasztereket és zökkenőmentesen alkalmazkodik a különböző adattípusokhoz, legyenek azok változó formájúak, sűrűségűek és zajszintűek – jelezte dr. Jie Yang, a kutatás első szerzője.
„Ezt az algoritmust a gravitációs kölcsönhatások nyomatékegyensúlya ihlette, amikor a galaxisok egyesülnek. Az univerzum két természetes tulajdonságán alapul: a tömegen és a távolságon. Ez a fizikával való kapcsolat egy alapvető tudományos jelentőségű réteget ad a módszerhez” – tette hozzá.
A fizikai Nobel-díjat 2024-ben olyan alapvető felfedezésekért ítélték oda, amelyek lehetővé tették a felügyelt gépi tanulást mesterséges neurális hálózatokkal – jegyezte meg Yang.
Mint mondta, a felügyelt gépi tanulás – amelyet a nyomaték elve inspirált – hasonló hatást fejthet ki.
B.A.
