I ricercatori cinesi sperano di creare “veri scienziati dell'intelligenza artificiale” attraverso l'”apprendimento automatico illuminato”

Sora viene addestrato utilizzando grandi quantità di dati visivi, che gli consentono di raccogliere modelli per creare immagini e video che imitano la realtà. Ma non è stato addestrato a comprendere le leggi fisiche come la gravità.

“Senza una conoscenza di base del mondo, il modello è essenzialmente un'animazione, non una simulazione”, ha affermato Chen Yuntian, autore dello studio e professore presso l'Oriental Institute of Technology.

Si allarga il divario sull’AI tra Cina e Usa: “Siamo tutti molto preoccupati”

Secondo lo studio, i modelli di deep learning vengono generalmente addestrati utilizzando i dati piuttosto che la conoscenza pregressa, che può includere cose come le leggi della fisica o la logica matematica.

Ma gli scienziati dell’Università di Pechino e dell’Oriental Institute of Technology hanno scritto che durante l’addestramento dei modelli, la conoscenza pregressa può essere utilizzata combinata con i dati per renderli più accurati, creando modelli di “apprendimento automatico informato” in grado di incorporare questa conoscenza nei loro risultati.

Identificare la conoscenza pregressa – che può includere cose come relazioni funzionali, equazioni e logica – da incorporare in un modello di “apprendimento pregresso” è stata una sfida, ha scritto il team, e incorporare più regole potrebbe anche portare al collasso dei modelli.

“Di fronte a un grande volume di conoscenze e regole – come spesso accade – i modelli di apprendimento automatico informati esistenti tendono a faticare o addirittura a fallire”, ha affermato Chen.

Per affrontare questo problema, i ricercatori hanno creato un quadro per valutare il valore delle regole e determinare quali combinazioni hanno portato ai modelli più predittivi.

“L'integrazione della conoscenza umana nei modelli di intelligenza artificiale ha il potenziale per migliorare la loro efficienza e capacità di trarre conclusioni, ma la domanda è come bilanciare l'influenza dei dati e della conoscenza”, ha detto Xu Hao, primo autore e ricercatore dell'Università di Pechino, in una conferenza stampa. conferenza. comunicato stampa.

“Il nostro quadro può essere utilizzato per valutare diverse conoscenze e regole per migliorare la capacità predittiva dei modelli di deep learning”.

Secondo il documento, il quadro calcola “l’importanza delle regole” e analizza il modo in cui una particolare regola, insieme o regole influiscono sull’accuratezza predittiva del modello.

Insegnare ai modelli di intelligenza artificiale tali regole – ad esempio, le leggi della fisica – potrebbe renderli “più riflettenti del mondo reale, rendendoli più utili nella scienza e nell’ingegneria”, ha affermato Chen dell’EIT nella dichiarazione.

I ricercatori hanno testato la loro struttura utilizzandola per migliorare un modello per la risoluzione di equazioni multivariate e un altro modello utilizzato per prevedere i risultati di un esperimento chimico.

Nel breve termine, ha affermato Chen, questo quadro sarebbe molto utile nei modelli scientifici “dove la coerenza tra il modello e le regole della fisica è fondamentale per evitare conseguenze potenzialmente catastrofiche”.

Dall’intelligenza artificiale alle auto elettriche, come sta andando la concorrenza tra Cina e Stati Uniti nei settori chiave dell’alta tecnologia?

Il team spera di sviluppare ulteriormente il proprio quadro per consentire all’IA di determinare le proprie conoscenze e regole direttamente dai dati senza intervento umano.

“Vogliamo renderlo un circuito chiuso trasformando il modello in un vero mondo di intelligenza artificiale”, ha affermato Chen nella dichiarazione. Il team sta sviluppando un plugin open source per gli sviluppatori di intelligenza artificiale che potrebbe consentire loro di raggiungere questo obiettivo.

Tuttavia, il team ha già identificato almeno un problema.

05:03

In che modo l'intelligenza artificiale cinese compete con ChatGPT?

In che modo l'intelligenza artificiale cinese compete con ChatGPT?

Durante lo studio, il team ha scoperto che man mano che vengono aggiunti più dati al modello, le regole generali diventano più importanti delle regole locali e specifiche, ma questo non aiuta in campi come la biologia e la chimica perché “spesso mancano regole generali facilmente disponibili simili alle regole generali.” Equazioni governanti.