Oamenii de știință au fost mult timp fascinați de modul în care copiii învață despre lumea din jurul lor. În ultimii ani, acest interes a condus la o serie de cercetări tot mai ample privind modul în care bebelușii dobândesc cunoștințe fizice. Aceste lucrări nu numai că au adus lumină asupra capacităților cognitive ale sugarilor, dar au adus și informații care ar putea fi folosite pentru a îmbunătăți inteligența artificială (AI). Acum, într-un studiu publicat în Nature Human Behaviour, o echipă de informaticieni a folosit aceste cunoștințe pentru a crea un program care poate învăța reguli fizice simple despre comportamentul obiectelor – și care își exprimă surprinderea atunci când aceste reguli sunt încălcate.
Psihologii au fost mult timp interesați de modul în care copiii înțeleg mișcarea obiectelor. O modalitate de a testa acest lucru este urmărirea privirii lor. Atunci când li se arată un filmuleț video cu, de exemplu, o minge care dispare brusc, copiii își vor exprima deseori surpriza privind într-o anumită direcție pentru o perioadă lungă de timp. Această reacție poate fi cuantificată de către cercetători, care o folosesc ca modalitate de măsurare a cogniției copiilor. Acest tip de cercetare a ajutat la punerea în lumină a modului în care bebelușii procesează informațiile despre lumea din jurul lor și are implicații importante pentru înțelegerea noastră în ceea ce privește dezvoltarea copiilor.
Luis Piloto, informatician la compania DeepMind din Londra, deținută de Google, și colaboratorii săi au dorit să dezvolte un test similar pentru inteligența artificială (AI). Echipa a antrenat o rețea neuronală – un sistem software care învață prin detectarea modelelor în cantități mari de date – cu videoclipuri animate cu obiecte simple, precum cuburi și mingi. Arătând sistemului de inteligență artificială diferite obiecte din diferite unghiuri și în diferite condiții de iluminare, echipa a sperat să învețe sistemul să identifice obiecte din toate unghiurile și în toate condițiile. Software-ul, denumit Physics Learning through Auto-encoding and Tracking Objects (PLATO), a fost conceput, de asemenea, pentru a dezvolta o reprezentare internă a proprietăților fizice ale obiectelor, cum ar fi pozițiile și vitezele acestora.
Sistemul a fost antrenat pe zeci de ore de înregistrări video care prezintă mecanisme simple, cum ar fi o minge care se rostogolește pe o pantă sau două mingi care se lovesc una de cealaltă, și a dezvoltat capacitatea de a prezice modul în care aceste obiecte se vor comporta în diferite situații. În special, a învățat modele precum continuitatea, în care un obiect urmează o traiectorie neîntreruptă, în loc să se teleporteze în mod magic dintr-un loc. De asemenea, sistemul a fost capabil să învețe despre proprietățile obiectelor, cum ar fi masa și frecarea, care sunt importante pentru a înțelege modul în care acestea interacționează cu mediul înconjurător. „La fiecare pas al unui video, AI-ul face o predicție” despre ce se va întâmpla în continuare, spune Piloto iar pe măsură ce are mai multe date, predicția devine mai precisă.
Atunci când i se prezintă o serie de videoclipuri cu evenimente „imposibile”, cum ar fi dispariția bruscă a unui obiect, PLATO a reușește să măsoare nivelul de surprindere ca diferență dintre videoclip și propria predicție. Acest lucru spune Piloto că ar putea fi folosită pentru a studia modul în care învață bebelușii umani. Astfel, PLATO fiind conceput ca un model de comportament al bebelușilor, ar putea fi un prim pas către o inteligență artificială care să poată testa ipoteze despre modul în care învață bebelușii umani. „Sperăm ca acest lucru să poată fi folosit în cele din urmă de oamenii de știință cognitivi pentru a modela în mod serios comportamentul sugarilor.”
Unii oameni de știință consideră că aceasta este o direcție de cercetare importantă, deoarece poate ajuta la înțelegerea punctelor forte și a limitelor IA. Cu toate acestea, alții au criticat această abordare, susținând că se bazează prea mult pe algoritmi concepuți manual. Pe această cale, Clune și alți cercetători lucrează la abordări în care programul își dezvoltă proprii algoritmi de înțelegere. Lucru care ar putea oferi o înțelegere mai precisă a capacităților pe care le poate avea AI și ar putea contribui la îmbunătățirea eficienței acesteia.
