La récente saga de l’emploi de Sam Altman et les spéculations sur OpenAI modèle Q* révolutionnaire ont renouvelé l’intérêt du public pour les possibilités et les risques de l’intelligence artificielle générale (AGI).
AGI pourrait apprendre et exécuter des tâches intellectuelles de manière comparable aux humains. Les progrès rapides de l’IA, en particulier de l’apprentissage profond, ont suscité optimisme et appréhension quant à l’émergence de l’AGI. Plusieurs entreprises, dont OpenAI et xAI d’Elon Musk, visent à développer l’AGI. Cela soulève la question : les développements actuels de l’IA mènent-ils à l’AGI ?
Peut-être pas.
Limites de l’apprentissage profond
L’apprentissage profond, une méthode d’apprentissage automatique (ML) basée sur des réseaux de neurones artificiels, est utilisé dans ChatGPT et dans une grande partie de l’IA contemporaine. Il a gagné en popularité en raison de sa capacité à gérer différents types de données et de son besoin réduit de prétraitement, entre autres avantages. Beaucoup pensent que l’apprentissage profond continuera de progresser et jouera un rôle crucial dans la réalisation de l’AGI.
Événement VB
La tournée AI Impact – New York
Nous serons à New York le 29 février en partenariat avec Microsoft pour discuter de la manière d’équilibrer les risques et les récompenses des applications d’IA. Demandez une invitation à l’événement exclusif ci-dessous.
Demandez une invitation
Cependant, l’apprentissage profond a des limites. De grands ensembles de données et des ressources informatiques coûteuses sont nécessaires pour créer des modèles qui reflètent les données d’entraînement. Ces modèles dérivent des règles statistiques qui reflètent des phénomènes du monde réel. Ces règles sont ensuite appliquées aux données actuelles du monde réel pour générer des réponses.
Les méthodes de deep learning suivent donc une logique centrée sur la prédiction ; ils ré-élaborent des règles mises à jour lorsque de nouveaux phénomènes sont observés. La sensibilité de ces règles à l’incertitude du monde naturel les rend moins adaptées à la réalisation de l’AGI. Le juin 2022 accident d’un Robotaxi de croisière pourrait être attribué au fait que le véhicule se trouve confronté à une nouvelle situation pour laquelle il manque de formation, le rendant incapable de prendre des décisions avec certitude.
L’énigme du « et si »
Les humains, les modèles de l’AGI, ne créent pas de règles exhaustives pour les événements du monde réel. Les humains interagissent généralement avec le monde en le percevant en temps réel, en s’appuyant sur les représentations existantes pour comprendre la situation, le contexte et tout autre facteur accessoire susceptible d’influencer les décisions. Plutôt que de construire des règles pour chaque nouveau phénomène, nous réorientons les règles existantes et les modifions si nécessaire pour une prise de décision efficace.
Par exemple, si vous faites une randonnée le long d’un sentier forestier et que vous rencontrez un objet cylindrique au sol et que vous souhaitez décider de votre prochaine étape en utilisant le deep learning, vous devez recueillir des informations sur les différentes caractéristiques de l’objet cylindrique, le classer comme un objet potentiel. menace (un serpent) ou non menaçant (une corde), et agir en fonction de cette classification.
À l’inverse, un humain commencerait probablement à évaluer l’objet à distance, mettrait continuellement à jour les informations et opterait pour une décision robuste tirée d’une « distribution » d’actions qui se sont révélées efficaces dans des situations analogues antérieures. Cette approche se concentre sur la caractérisation d’actions alternatives par rapport aux résultats souhaités plutôt que sur la prédiction de l’avenir – une différence subtile mais distinctive.
Atteindre l’AGI pourrait nécessiter de s’écarter des déductions prédictives pour améliorer un « et si… ? » capacité lorsque la prévision n’est pas réalisable.
Prendre des décisions dans un contexte d’incertitude profonde : une voie à suivre ?
Les méthodes de prise de décision dans des conditions d’incertitude profonde (DMDU) telles que la prise de décision robuste peuvent fournir un cadre conceptuel pour réaliser le raisonnement AGI sur les choix. Les méthodes DMDU analysent la vulnérabilité des décisions alternatives potentielles dans divers scénarios futurs sans nécessiter un recyclage constant sur de nouvelles données. Ils évaluent les décisions en identifiant les facteurs critiques communs aux actions qui ne répondent pas aux critères de résultat prédéterminés.
L’objectif est d’identifier les décisions qui font preuve de robustesse, c’est-à-dire la capacité à bien performer dans des avenirs diversifiés. Alors que de nombreuses approches d’apprentissage profond donnent la priorité aux solutions optimisées qui peuvent échouer face à des défis imprévus (comme l’ont fait les systèmes d’approvisionnement juste à temps optimisés face au COVID-19), les méthodes DMDU privilégient des alternatives robustes qui peuvent échanger l’optimalité contre la capacité de obtenir des résultats acceptables dans de nombreux environnements. Les méthodes DMDU offrent un cadre conceptuel précieux pour développer une IA capable de faire face aux incertitudes du monde réel.
Le développement d’un véhicule (AV) entièrement autonome pourrait démontrer l’application de la méthodologie proposée. Le défi consiste à naviguer dans des conditions réelles diverses et imprévisibles, imitant ainsi les compétences humaines en matière de prise de décision au volant. Malgré des investissements substantiels réalisés par les constructeurs automobiles pour tirer parti du deep learning pour une autonomie totale, ces modèles rencontrent souvent des difficultés dans des situations incertaines. En raison de l’impossibilité de modéliser tous les scénarios possibles et de prendre en compte les échecs, il est toujours nécessaire de relever les défis imprévus liés au développement de l’audiovisuel.
Décision robuste
Une solution potentielle consiste à adopter une approche décisionnelle robuste. Les capteurs AV rassembleraient des données en temps réel pour évaluer la pertinence de diverses décisions – telles que l’accélération, le changement de voie, le freinage – dans un scénario de circulation spécifique.
Si des facteurs critiques soulèvent des doutes sur la réponse algorithmique par cœur, le système évalue alors la vulnérabilité des décisions alternatives dans le contexte donné. Cela réduirait le besoin immédiat de recyclage sur des ensembles de données massifs et favoriserait l’adaptation aux incertitudes du monde réel. Un tel changement de paradigme pourrait améliorer les performances de l’AV en réorientant l’attention de la réalisation de prédictions parfaites vers l’évaluation des décisions limitées qu’un AV doit prendre pour fonctionner.
Le contexte décisionnel fera progresser l’AGI
À mesure que l’IA évolue, nous devrons peut-être nous éloigner du paradigme de l’apprentissage profond et souligner l’importance du contexte décisionnel pour progresser vers l’AGI. L’apprentissage profond a connu du succès dans de nombreuses applications mais présente des inconvénients pour la réalisation de l’AGI.
Les méthodes DMDU peuvent fournir le cadre initial pour faire pivoter le paradigme contemporain de l’IA vers des méthodes d’IA robustes et axées sur les décisions, capables de gérer les incertitudes du monde réel.
Swaptik Chowdhury est titulaire d’un doctorat. étudiant à la Pardee RAND Graduate School et chercheur adjoint en politiques dans une organisation à but non lucratif et non partisane Société RAND.
Steven Popper est économiste principal adjoint à la RAND Corporation et professeur de sciences de la décision au Tecnológico de Monterrey.
DataDecisionMakers
Bienvenue dans la communauté VentureBeat !
DataDecisionMakers est l’endroit où les experts, y compris les techniciens travaillant sur les données, peuvent partager des informations et des innovations liées aux données.
Si vous souhaitez en savoir plus sur des idées de pointe et des informations à jour, sur les meilleures pratiques et sur l’avenir des données et de la technologie des données, rejoignez-nous sur DataDecisionMakers.
Vous pourriez même envisager de rédiger votre propre article !
En savoir plus sur DataDecisionMakers
2024-02-18 22:15:00
1708338577
#Pourquoi #lintelligence #artificielle #générale #audelà #lapprentissage #profond