重建人类思维能力,从复杂事件中推断模式和关系的能力,可能导致通用人工智能模型的建立。
人工智能的主要挑战之一是能够看到过去的表面现象来猜测潜在的因果过程。KAUST和国际领先的专家团队的最新研究已经产生了一种新的方法,这种方法已经超越了表面模式检测。
人类有非凡的直觉或推理能力。例如,我们可以理解紫色苹果可能是被蓝光照射的红色苹果。这种感觉在人类中发展得如此之高,以至于我们倾向于看到不存在的模式和关系,这导致了我们的迷信倾向。
这种类型的洞察对于人工智能中的编码来说是一个巨大的挑战,研究人员仍在研究从哪里开始:然而,它代表了自然思维和机器思维之间最根本的区别之一。
五年前,在瑞典卡罗林斯卡研究所的KAUST、Narsis Kiani和Allan Zea的研究人员Hector Zenil和JesperTegnr的合作下,算法信息论被应用于网络和系统生物学,以解决基因组学和分子电路中的基本问题。这种合作导致了一种算法方法的发展,这种方法可以推断因果过程,从而可以形成人工智能通用模型的基础。
KAUST的Tegnr教授说:“机器学习和AI正在工业、科学和社会中变得无处不在。”“尽管最近取得了进展,但我们仍然无法实现具有跨任务推理和学习能力的通用机器智能。挑战的一部分是超越表面模式检测,转向能够发现模式潜在因果机制的技术。”
然而,当分子和基因组数据中经常出现几个不同的过程时,这种因果关系的纠缠变得非常具有挑战性。tegner说:“我们的工作确定了因果关系的数据部分,消除了虚假的相关性,然后确定了生成观察数据所涉及的不同因果机制。”
该方法基于算法信息概率的定义明确的数学概念,这是最佳推理机的基础。然而,与以往方法的主要区别在于,以观察者为中心的问题观点转变为基于随机偏差现象的客观分析。
tegner说:“我们利用算法的复杂性来隔离几个交互程序,然后搜索可能产生观察结果的程序集。”
该团队通过将其应用于多种计算机代码的交互式输出来演示他们的方法。该算法寻找能够构造1和0的复杂输出字符串的最短程序组合。
Zenil说:“这项技术可以使目前的机器学习方法具有先进的互补能力,更好地处理抽象、推理和概念(如因果关系),这是目前其他方法(包括深度学习)无法处理的。”