Une IA a spontanément développé un «sens» semblable à l'homme pour les nombres

Une IA a spontanément développé un «sens» semblable à l'homme pour les nombres
4.5 (89.29%) 28 votes

Les chiffres figurent assez haut dans la liste de ce qu'un ordinateur peut bien faire. Alors que les humains ont souvent du mal à diviser une facture de restaurant, un ordinateur moderne peut faire des millions de calculs en une seconde à peine.

Les humains, cependant, ont un sens du nombre inné et intuitif qui nous a notamment aidés à construire des ordinateurs.

Contrairement à un ordinateur, un humain sait, lorsqu'il regarde quatre chats, quatre pommes et le symbole 4, qu'ils ont tous un point commun – le concept abstrait de "quatre" – sans même avoir à les compter.

Cela illustre la différence entre l’esprit humain et la machine et aide à expliquer pourquoi nous développons des systèmes d’intelligence artificielle dotés de la vaste intelligence que possèdent les humains. Mais maintenant, une nouvelle étude, rapporte qu'une IA a spontanément développé un sens du nombre humain.

Pour qu'un ordinateur puisse compter, nous devons définir clairement ce que nous voulons compter. Une fois que nous avons alloué un peu de mémoire pour gérer le compteur, nous pouvons le mettre à zéro, puis ajouter un élément à chaque fois que nous trouvons quelque chose que nous voulons enregistrer. Cela signifie que les ordinateurs peuvent compter le temps (signaux d'une horloge électronique), les mots (s'ils sont stockés dans la mémoire de l'ordinateur) et même les objets d'une image numérique.

Cette dernière tâche, cependant, est un peu difficile, car nous devons dire à l'ordinateur exactement avant de pouvoir les compter. Mais les objets ne se ressemblent pas toujours: les variations d'éclairage, de position et de pose ont un impact, de même que les différences de construction entre les exemples individuels.

Toutes les approches informatiques réussies pour détecter des objets dans des images fonctionnent en construisant une sorte d'image statistique d'un objet à partir de nombreux exemples individuels – un type d'apprentissage.

Cela permet à l'ordinateur de reconnaître les nouvelles versions d'objets avec un certain degré de confiance. La formation consiste à proposer des exemples contenant ou non l'objet. L'ordinateur devine ensuite si c'est le cas et ajuste son modèle statistique en fonction de la précision de l'estimation, comme l'a jugé a.

Les systèmes d'IA modernes commencent automatiquement à être capables de détecter des objets lorsqu'ils reçoivent des millions d'images d'entraînement de toutes sortes, comme le font les humains. Ceux-ci remarquent progressivement des parties des éléments des images qui sont souvent présentes en même temps, et accumulent couche par couche de points communs plus complexes.

Prenons l'exemple de la reconnaissance des pommes. Lorsque des images contenant toutes sortes de formes sont présentées au système, le système commence par remarquer des groupes de pixels qui forment des lignes horizontales et verticales, ainsi que des courbes gauche et droite. Ils sont présents dans les pommes, les visages, les chats et les voitures, de sorte que les points communs, ou abstractions, se trouvent très tôt.

Il finit par se rendre compte que certaines courbes et lignes sont souvent présentes ensemble dans des pommes – et développe une nouvelle abstraction de niveau plus profonde qui représente une classe d'objets: les pommes, dans ce cas.

L'apprentissage en profondeur

Cette émergence naturelle d'abstractions de haut niveau est l'un des résultats les plus excitants de la technique d'apprentissage automatique appelée "machine learning learning", qui fonctionne dans un sens similaire au cerveau humain. La "profondeur" vient de la – lorsque l'information pénètre plus profondément dans le réseau, les points communs trouvés deviennent plus abstraits.

De cette manière, les réseaux sont créés avec des éléments fortement actifs lorsque l'entrée est similaire à ce qu'elle a été auparavant. Les choses les plus abstraites apparaissent aux niveaux les plus profonds – ce sont les chats, les visages et les pommes plutôt que les lignes verticales ou les cercles.

Lorsqu'un système d'IA peut reconnaître des pommes, vous pouvez ensuite les utiliser pour compter le nombre de pommes. C'est bien, mais ce n'est pas tout à fait comme on compte les pommes. Nous avons un concept extrêmement profond de "nombre" – combien de quelque chose il y a. Plutôt que d'être simplement actif lorsqu'un objet est présent, des parties de notre cerveau s'activent en fonction de la quantité d'objets présents. Cela signifie que nous pouvons regarder un tas de pommes et savoir qu'il y en a quatre sans compter chacune d'elles.

En fait, de nombreux animaux peuvent le faire aussi. En effet, ce sens de la numérosité est un trait utile pour la survie et la reproduction dans de nombreuses situations différentes. Prenez, par exemple, la taille des groupes de rivaux ou de proies.

Propriétés émergentes

Dans la nouvelle étude, un réseau de neurones profonds formé à la détection d'objet visuel simple a développé spontanément ce type de sens des nombres. Les chercheurs ont découvert que des unités spécifiques du réseau «s'accordaient» soudainement à un nombre abstrait – tout comme de vrais neurones dans le cerveau pourraient répondre. Il s'est rendu compte qu'une image de quatre pommes est similaire à une image de quatre chats – parce qu'ils ont "quatre" en commun.

Neurones artificiels accordés sur le nombre de points souhaité. (Andreas Nieder)

Une chose vraiment intéressante à propos de cette recherche est qu’elle montre que nos principes d’apprentissage actuels sont assez fondamentaux. Certains des aspects les plus généraux de la pensée que les gens et les animaux démontrent sont profondément liés à la structure du monde et à notre expérience visuelle.

Cela suggère également que nous sommes peut-être sur la bonne voie pour parvenir à une intelligence artificielle plus complète, au niveau humain.

En appliquant ce type d'apprentissage à d'autres tâches, par exemple en l'appliquant à des signaux qui se produisent sur une période donnée plutôt que sur des pixels dans une image, vous pourriez obtenir des machines avec même.

Des choses que nous pensions jadis fondamentales pour être humain – par exemple, ou même un – sont maintenant examinées sous cet angle.

Tandis que nous continuons à en apprendre davantage sur la construction de techniques d'apprentissage artificielles et à trouver de nouvelles façons de comprendre le cerveau d'organismes vivants, nous découvrons de plus en plus les mystères d'un comportement intelligent et adaptatif.

Il y a beaucoup de chemin à parcourir et de nombreuses autres dimensions, mais il est clair que la capacité de regarder le monde et de déterminer sa structure à partir de l'expérience est un élément essentiel de la capacité de l'homme à s'adapter. Il ne fait aucun doute que ce sera un élément nécessaire de tout système d’intelligence artificielle capable d’accomplir la variété et la complexité des tâches que l’humain peut accomplir.

, Maître de conférences en robotique évolutive et vie artificielle,.

Cet article est republié sous une licence Creative Commons. Lis le .

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *