Deep Learning mit Plato

Ein Forscherteam der Universitäten Princeton und London sowie der Firma Deepmind hat in der Zeitschrift Nature ein System namens Physics Learning Through Auto-encoding and Tracking Objects (PLATO) vorgestellt. Hier ihre These: Trotz erheblicher Anstrengungen haben die jüngsten Fortschritte in der KI noch kein System hervorgebracht, das ein intuitives physikalisches Verständnis aufweist, das mit dem von Kleinkindern vergleichbar ist.

Um eine umfassendere physikalische Intuition in KI-Systemen zu erreichen, lassen wir uns an mehreren Stellen unserer Arbeit von der Entwicklungspsychologie inspirieren, wo der Erwerb von intuitivem physikalischem Wissen intensiv untersucht wurde. Wir bauen ein Deep-Learning-System, das eine zentrale Erkenntnis der Entwicklungsliteratur integriert, nämlich dass Physik auf der Ebene diskreter Objekte und ihrer Interaktionen verstanden wird. Wir stützen uns auch in einer zweiten Hinsicht auf die Entwicklungspsychologie, und zwar in Bezug auf das Problem der Verhaltensprüfung, ob ein KI-System (oder im Fall der Entwicklungspsychologie ein Säugling oder ein Kind) über Kenntnisse der intuitiven Physik verfügt.

Unsere Architektur ist inspiriert von Erkenntnissen aus der Entwicklungspsychologie, die davon ausgehen, dass drei objektzentrierte Prozesse dem intuitiven Physikverhalten von Kindern zugrunde liegen. Wir nutzen die jüngsten Fortschritte in der Künstlichen Intelligenz, um diese Systeme in einem Modell zu instanziieren, das wir PLATO nennen, für Physics Learning through Auto-encoding and Tracking Objects.

So spekulieren wir, dass relationale Mechanismen, die derzeit in der KI erforscht werden, für das Verständnis des menschlichen Wissens in anderen „Kernbereichen“, die in der Entwicklungspsychologie untersucht werden, nützlich sein könnten , vielleicht am interessantesten die Interaktionen mit animierten Agenten.