La voie vers l’intelligence artificielle générale

Un autre mois, un autre boom de l’intelligence artificielle. Cette fois, DeepMind de Google publié Un blog sur un système d’intelligence artificielle multimédia capable d’effectuer une grande variété de tâches telles que jouer à des jeux vidéo, déplacer un bras robotique pour empiler des blocs, illustrer des images ou agir comme un chatbot.

En fait, l’agent Gato est pré-formé pour effectuer jusqu’à 604 tâches distinctes de « différentes méthodes, observations et spécifications d’action ». Et dans un article de recherche publié la semaine dernière, l’équipe derrière Gato a affirmé qu’il peut surpasser les humains dans bon nombre de ces tâches.

Il y a l’intelligence artificielle pour ça

Selon DeepMind, Gato est remarquable car il ouvre la voie à la création d’un système d’intelligence artificielle générale capable d’effectuer de nombreuses tâches que les humains peuvent effectuer.

à tweeterDemis Hassabis, fondateur de DeepMind, a fait l’éloge de cette réussite en déclarant : « Notre agent le plus généraliste à ce jour !! Excellent travail de la part de l’équipe ! »

« [This new approach] Réduit la nécessité de formuler des modèles de politique avec des biais inductifs appropriés pour chaque domaine. Cela augmente la quantité et la variété des données d’entraînement car le modèle de séquençage peut accueillir toutes les données pouvant être converties en séquences plates », ont expliqué les chercheurs de DeepMind.

En outre, ils ont également noté que les méthodes générales d’exploitation du calcul sont généralement plus efficaces en les comparant à l’informatique : « Historiquement, les modèles généraux qui exploitent mieux l’informatique ont également tendance à remplacer les approches spécifiques à l’industrie, en fin de compte. »

Cependant, tout le monde n’a pas été impressionné. S’il ne fait aucun doute que la technologie multimédia de DeepMind est une réalisation qui mérite d’être soulignée, tous les observateurs ne pensent pas que cela nous rapprochera de la réalisation de l’intelligence générale artificielle (IAG).

Pas plus proche de l’intelligence artificielle générale

Mais d’abord, qu’est-ce que l’Intelligence Générale Artificielle ? L’AGI est considérée comme le Saint Graal de l’IA, qui est la capacité d’un système d’IA à comprendre le monde comme un être humain, avec une flexibilité similaire et la capacité d’effectuer une variété de tâches. En bref, une véritable IA doit avoir une capacité humaine à penser et à acquérir de nouvelles compétences – souvent avec des données ou des données limitées.

Le problème avec Gato est qu’il ne s’étend qu’aux méthodes ML standard qui voient la formation avec beaucoup de données sans réellement comprendre ce qu’il fait. Et dans certains cas, les résultats sont pires.

Aimer pointu emploi ZDNet, le programme peut faire un meilleur travail qu’un programme ML dédié pour contrôler un bras Sawyer automatisé pour empiler des blocs. Cependant, les légendes des images semblent assez médiocres et ne fonctionnent pas comme la plupart des logiciels d’apprentissage automatique personnalisés conçus pour rivaliser dans environnement d’apprentissage d’arcade.

D’autre part, la nouvelle méthode derrière Gato révèle de nouvelles faiblesses sous la forme d’un transfert inattendu de connaissances entre domaines. Ils ont écrit : « Le transfert de connaissances entre domaines est souvent un objectif dans la recherche en ML et peut conduire à des résultats inattendus et indésirables si certains comportements (tels que les combats d’arcade) sont déplacés dans le mauvais contexte. »

En bref, le développement du transfert de connaissances nécessitera des recherches fondamentalement nouvelles sur les considérations d’éthique et de sécurité, et les moindres actions inattendues des machines ou dysfonctionnements ont conduit à la méfiance – et peuvent ouvrir la porte à l’exploitation par des pirates.

Plus de puissance pour l’intelligence artificielle

moi livres Plus tôt cette année, au moins un scientifique de l’IA pensait que l’approche actuelle de l’IA pourrait faire face à des rendements décroissants. Gary Marcus soutient que malgré toutes les avancées réalisées en matière d’apprentissage en profondeur, l’approche actuelle de la reconnaissance des formes semble avoir heurté un mur.

Cependant, d’autres chercheurs en IA pensent que la taille est tout ce qui compte maintenant. En fait, des chercheurs ont mené une étude (voir : lois d’échelle des modèles de langage neuronal) affiche de meilleures performances lorsqu’il alimente des réseaux de neurones avec plus de données ; Des modèles plus grands nous donneront des résultats supérieurs.

Et ils mettent l’argent là où se trouve la bouche. La semaine dernière, Google a publié les puces v4 de l’unité de processeur Tensor (TPU), chacune fournissant 275 téraflops de performances bf16 (« virgule flottante ») de ML-Target bf16, soit plus du double des 123 téraflops du processus bf16 de TPU v3.

Avec plus de puces TPU v4 à ranger dans chaque étagère ou boîtier, nous envisageons 1,1 exaflops pour un boîtier TPU v4 contre 126 pétaflops de TPU v3 – près de 10 fois la puissance.

Une approche par force brute à travers des modèles plus larges nous rapprochera-t-elle de l’intelligence générale, ou sommes-nous sur la mauvaise voie ? Seul le temps le prouvera.

Pour l’instant, vous pouvez accéder au papier de DeepMind sur son agent général ici (PDF).

Paul Mah est le rédacteur en chef de DSAITrends. Ancien administrateur système, programmeur et professeur d’informatique, il aime écrire du code et de la prose. Vous pouvez y accéder sur [email protected].

Crédit photo : iStockphoto / KENGKAT