Rhanor Gillette i Ekaterina Gribkova opracowali sztuczną inteligencję, która może poruszać się po nowych środowiskach oraz uczyć się w czasie rzeczywistym. Dokonali tego w dość niezwykły sposób, bo wzorując się na zachowaniach ślimaków morskich i ośmiornic.
Morskie stworzenia ulepszą sztuczną inteligencję
O wynikach badań naukowcy piszą w czasopiśmie „Neurocomputing” – badacze wskazują, że to nowatorskie podejście da AI możliwość eksplorowania i gromadzenia informacji potrzebnych do „poszerzania swojej świadomości przestrzennej i czasowej”. W praktyce chodzi o wdrożenie w systemach AI prostych zasad uczenia się skojarzeniowego, tak jak to robią ślimaki w czasie żerowanie. Naukowcy z University of Illinois Urbana-Champaign wzbogacili jednak takie rozwiązania o lepszą tzw. pamięć epizodyczną. W tym wypadku wzorując się na ośmiornicach. Gillette i Gribkova zbudowali sztuczną inteligencję, która umie „odnaleźć się” w nowym środowisku, a więc nie musi być uczona na tysiącach przykładów – potrafi zmapować punkty orientacyjne i dzięki temu pokonywać przeszkody.
Czytaj więcej
Sztuczna inteligencja będzie niczym człowiek? Naukowcy robią wszystko, by zdolności tej technologii stały się równie zaawansowane jak ludzkiego mózgu. I wiele wskazuje, iż jesteśmy o krok od przełomu.
Naukowcy, których badania wsparł departament badań amerykańskiej Marynarki Wojennej (U.S. Office of Naval Research), swój system AI nazwali „CyberOctopus”. Jak przekonują nowe podejście sprawia, iż jest on znacznie bardziej „zwierzęcy” niż wszystkie obecne technologie tego typu. Gribkova, na łamach uniwersyteckiego serwisu informacyjnego, wyjaśnia, że teraz trwają badania nad tym jak przejść od obecnego stanu, co nazwała „czymś w rodzaju pamięci ślimaka morskiego”, do bardziej zaawansowanego myślenia.
AI nie będzie potrzebować tylu danych, będzie kreatywna
Projekt Gillette i Gribkovej już teraz potrafi radzić sobie z zadaniami wymagającymi nawigacji przestrzennej. Ale można zaadaptować go i do bardziej abstrakcyjnych, nieprzestrzennych działań. – Np. w celu ulepszenia dużych modeli językowych, takich jak ChatGPT, w celu wydajniejszych obliczeń i rozwiązywania problemów, przy zmniejszonych wymaganiach dotyczących rozmiaru i szkolenia – wyjaśnia w uczelnianym blogu Gillette.
