Хятадын судлаачид "жинхэнэ хиймэл оюун ухааны эрдэмтэд" бүтээхийн ирмэг дээр байна

Хятадын судлаачид туршилт хийж, шинжлэх ухааны асуудлыг шийдвэрлэх чадвартай "хиймэл оюун ухаан (AI) эрдэмтэд"-ийг хөгжүүлэх шинэ арга барилын ирмэг дээр байна. Гүнзгий суралцах загваруудын сүүлийн үеийн дэвшил нь шинжлэх ухааны судалгаанд хувьсгал хийсэн боловч одоогийн загварууд бодит ертөнцийн бие махбодийн харилцан үйлчлэлийг яг таг дуурайж чадахгүй хэвээр байна.

Гэсэн хэдий ч Бээжингийн их сургууль болон Хятадын Дорно дахины технологийн хүрээлэнгийн (EIT) судлаачдын баг өгөгдлийн хажуугаар физик, математик логикийн хууль гэх мэт өмнөх мэдлэгт үндэслэн машин сургалтын загваруудыг сургах шинэ тогтолцоог боловсруулжээ.

Өмнөд Хятадын өглөөний цай Ийм хандлага нь туршилтыг сайжруулж, шинжлэх ухааны асуудлыг шийдэж чадах "хиймэл оюун ухаантай жинхэнэ эрдэмтэд"-ийг бий болгоход хүргэж болзошгүй гэж мэдээлж байна. Гүн сургалтын загварууд нь том өгөгдлийн багц дахь харилцааг илчлэх замаар шинжлэх ухааны судалгаанд ихээхэн нөлөөлсөн. Эдгээр ахиц дэвшлийг үл харгалзан OpenAI-ийн Sora зэрэг одоогийн загварууд нь бодит ертөнц дэх тодорхой физик харилцан үйлчлэлийг үнэн зөв дуурайхад хязгаарлалттай тулгардаг.

Жишээ нь, Sora, текстээс видео бичлэг хийх загвар нь объектын дүрслэлийг сайжруулсан, бодитойгоор дүрсэлсэн тул маш их алдартай болсон. Гэсэн хэдий ч энэ нь үндсэн харилцан үйлчлэлийг, жишээлбэл, баярын бялуу дээрх лааны дөл хөдөлж буй чиглэлийг нарийн загварчилж чадахгүй.

Судлаачид илүү нарийвчлалтай машин сургалтын загварыг сургахын тулд физикийн хууль эсвэл математик логик гэх мэт "өмнөх мэдлэг" -ийг өгөгдөлд оруулахыг зөвлөж байна.

AI загварт хүний ​​мэдлэгийг шингээх нь тэдний үр нөлөө, урьдчилан таамаглах чадварыг нэмэгдүүлэх боломжтой. Энэ асуудлыг шийдвэрлэхийн тулд баг нь өмнөх мэдлэгийн үнэ цэнийг үнэлэх, түүний загварын үнэн зөв байдалд үзүүлэх нөлөөллийг тодорхойлох тогтолцоог боловсруулсан. Тэдний бүтэц нь өгөгдлийн хэмжээ, үнэлгээний хүрээ зэрэг хүчин зүйлсийг харгалзан үүсмэл дүрмийг ашиглан мэдлэгийн үнэ цэнийг үнэлэх зорилготой юм. Судлаачид тоон туршилт хийснээр өгөгдөл болон өмнөх мэдлэг, тухайлбал хамаарал, хамтын ажиллагаа, орлуулалтын нөлөөллийн цогц харилцааг тодруулахыг эрмэлздэг.

Энэхүү загвар-оношлогооны системийг янз бүрийн сүлжээний архитектурт хэрэглэж болох бөгөөд гүнзгий суралцах загварт өмнөх мэдлэгийн үүргийн талаар иж бүрэн ойлголт өгөх боломжтой.

Судлаачид олон хэмжээст тэгшитгэлийг шийдвэрлэх, химийн туршилтын үр дүнг урьдчилан таамаглах загварууд дээр өөрсдийн хүрээг туршиж үзсэн. Тэд өмнөх мэдлэгийг нэгтгэх нь эдгээр загваруудын гүйцэтгэлийг ихээхэн сайжруулдаг болохыг олж мэдсэн, ялангуяа физик хуулиудыг дагаж мөрдөх нь гамшгийн үр дагавраас зайлсхийхэд чухал ач холбогдолтой шинжлэх ухааны салбарт. Урт хугацаанд баг нь хүний ​​оролцоогүйгээр холбогдох мэдлэгийг бие даан тодорхойлж, хэрэгжүүлэх боломжтой хиймэл оюун ухааны загваруудыг хөгжүүлэх зорилготой юм.

Гэсэн хэдий ч загвар дахь өгөгдлийн хэмжээ нэмэгдэхийн хэрээр ерөнхий дүрмүүд нь орон нутгийн тодорхой дүрмүүдээс давамгайлах зэрэг асуудал, ялангуяа биологи, хими зэрэг ерөнхий дүрэм дутагдалтай байж болзошгүйг хүлээн зөвшөөрч байна.

Мөн уншина уу:

•  Cockerill iX хуягт машин нь дронтой үр дүнтэй тэмцэхийн тулд хиймэл оюун ухаан хүлээн авсан
• AMD XDNA гэж юу вэ? Ryzen процессорууд дээр хиймэл оюун ухааныг дэмждэг архитектур