Tahun lalu, kecerdasan buatan AlphaGo mengalahkan juara dunia dalam game untuk pertama kalinya. Kemenangan ini belum pernah terjadi sebelumnya dan tidak terduga mengingat sulitnya permainan papan Tiongkok. Sementara kemenangan AlphaGo benar-benar mengesankan, AI ini, yang telah mengalahkan juara pergi lainnya sejak saat itu, masih dianggap sebagai jenis AI "sempit" - yang hanya dapat melampaui manusia dalam bidang tugas yang terbatas.
Jadi, meskipun kita hampir tidak akan bisa mengalahkan komputer di Go atau catur tanpa menggunakan bantuan komputer lain, kita juga belum bisa mengandalkan mereka untuk tugas-tugas rutin. AI tidak akan membuat Anda minum teh atau menjadwalkan MOT untuk mobil Anda.
Bertentangan dengan ini, AI sering digambarkan dalam fiksi ilmiah sebagai kecerdasan buatan "umum". Artinya, kecerdasan buatan dengan tingkat dan ragam yang sama dengan manusia. Meskipun kami sudah memiliki berbagai jenis kecerdasan buatan yang dapat melakukan segalanya mulai dari mendiagnosis penyakit hingga mengemudikan mobil kami, kami belum dapat menemukan cara untuk mengintegrasikannya pada tingkat yang lebih umum.
Minggu lalu, peneliti DeepMind mempresentasikan beberapa makalah yang mengklaim meletakkan dasar bagi kecerdasan buatan secara umum. Meskipun belum ada kesimpulan, hasil pertama menggembirakan: di beberapa area, AI telah melampaui kemampuan manusia.
Kedua karya DeepMind berfokus pada penalaran relatif, kemampuan kognitif kritis yang memungkinkan orang membuat perbandingan antara objek atau ide yang berbeda. Misalnya untuk membandingkan benda mana yang lebih besar atau lebih kecil, mana yang ada di kiri dan mana yang ada di kanan. Orang-orang menggunakan penalaran relatif (atau relasional) setiap kali mereka mencoba untuk memecahkan masalah, tetapi para ilmuwan belum menemukan cara untuk memberi AI kemampuan sederhana yang menipu ini.
Ilmuwan DeepMind telah memilih dua rute berbeda. Beberapa melatih jaringan saraf - sejenis arsitektur AI yang meniru otak manusia - menggunakan basis data objek 3D statis sederhana yang disebut CLEVR. Jaringan saraf lain diajarkan untuk memahami bagaimana objek dua dimensi berubah seiring waktu.
Di CLEVR, jaringan saraf diwakili oleh serangkaian desain sederhana seperti piramida, kubus, dan bola. Para ilmuwan kemudian menanyakan pertanyaan kecerdasan buatan dalam bahasa alami, seperti "apakah kubus terbuat dari bahan yang sama dengan silinder?" Hebatnya, jaringan saraf dapat memperkirakan dengan benar atribut relasional CLEVR dalam 95,5% kasus, bahkan melebihi manusia dengan akurasi 92,6% dalam parameter ini.
Pada tes kedua, peneliti DeepMind membuat jaringan saraf Visual Interaction Network (VIN) yang dilatih untuk memprediksi keadaan masa depan suatu objek dalam video, bergantung pada gerakan sebelumnya. Untuk melakukan ini, para ilmuwan pertama-tama memberi VIN tiga bingkai video berturut-turut, yang diterjemahkan jaringan ke dalam kode. Dalam kode ini, terdapat daftar vektor - kecepatan atau posisi suatu objek - untuk setiap objek dalam bingkai. VIN kemudian diberi urutan kode lain, yang digabungkan untuk memprediksi kode untuk bingkai berikutnya.
Video promosi:
Untuk melatih VIN, para ilmuwan menggunakan lima jenis sistem fisika, di mana objek 2D bergerak dengan latar belakang "gambar alam" dan bertabrakan dengan gaya yang berbeda. Misalnya, dalam satu sistem fisik, objek simulasi berinteraksi satu sama lain sesuai dengan hukum gravitasi Newton. Di sisi lain, jaringan saraf disajikan dengan biliar dan dibuat untuk memprediksi posisi bola di masa depan. Menurut para ilmuwan, jaringan VIN berhasil mengatasi prediksi perilaku objek dalam video.
Pekerjaan ini merupakan langkah penting menuju AI umum, tetapi masih banyak pekerjaan yang harus dilakukan sebelum kecerdasan buatan dapat mengambil alih dunia. Selain itu, kinerja manusia super tidak menyiratkan kecerdasan manusia super.
Belum.
ILYA KHEL
