読者です 読者をやめる 読者になる 読者になる

5百万ドルの汎用AIチャレンジは、人間レベルのAIへの道です

汎用AI

概要:

・汎用AIを作成する私の目標に向かって働く。 すべてのドメインで検出を活用するツールになります

・GoodAIをブートストラップするためのゲーム開発の使用

・汎用AIチャレンジは、ヒューマンレベルのAIの検索を混雑させ、多様化させる方法です

私の子供時代から、私は人間レベルのAIを構築するという私の目標に向かって取り組んできました。

しかし、私はゲームプログラミングと人工知能の2つの主要な関心領域を持っていました。

私は、ゲーム開発のキャリアを目指して、コンピュータグラフィックス用のさまざまなリアルタイムアルゴリズムを開発していました。

この時期は、プログラミングとコンピュータアーキテクチャの理解を深めました。新しいアルゴリズムの開発、マシンレベルでのコードの最適化、数学と物理を使って世界をシミュレートしたり、ゲームエンジンを開発したり、アート、ゲームデザイン、サウンドデザインを行う方法を学びました。

私はもう少し年を取って、私は汎用AIを作成するという私の目標とゲームを作成するための私の情熱を組み合わせることができることを認識し始めました。ゲームを成功させて金持ちになれば、私は汎用AIを構築するために再投資することができたことに気付きました。反対方向(AIからゲームまで)は意味をなさない。

そこで私はゲームスタジオ、Keen Software Houseを創設しました。最初の学習曲線を克服し、いくつかの実験を行った後、私のチームと私は宇宙技術者を育てました。このゲームは大ヒットとなり、GoodAIを開始し、私の時間をより多くの汎用AIの研究と開発に費やしました。

私は現在、AIのフルタイムに焦点を当てるために、ゲームのアクティブな役割からメンターの役割へと移行しています。

ゲーム開発、プログラミング、起業家精神は、問題の複雑さとその解決策を減らすことで、私が挑戦的な目標を達成できることを教えてくれました。 つまり、効率的なショートカット、ハックや近似を探したり、特別なケースの背後にある一般原則を探したり、より有望な分野に投資したり多様なリソースを活用したりすることです。 私はまた、「不可能な」問題を「不可能なもの」に再加工し、永続的かつ執拗に解決することで解決できることも学びました。

なぜ汎用AIですか?

ヒューマン・レベルのAIは常にひとつの理由で私の注目の中心でした。それは他のすべてのツールを活用するツールになります。

人間の努力の他の分野を見るたびに、私はいつもAIによって革命を起こすような気がしました。それから私は自分自身に尋ねました、「私がこれを知っていれば、なぜその分野で働かなければならないのですか?

私は可能な限り少ないリソースで最大限の効果を出す方法を常に探しています。 AIはこれを完全に適合させるようです。 AIは自然に生まれたオプティマイザです。

定量的かつ定性的に高度でスケーラブルな自動化されたインテリジェンスにより、私たちは今日の社会に影響を及ぼす多くの問題を解決するだけでなく、宇宙探査、医学、科学などに革命を起こすことができます。それは他の方法では機能しません - より良い薬はあなたに人間レベルのAIを与えません。

私たちは自然AIを増強し、すべての人の人生を改善し、この世界を本当に理解するために汎用AIを使用することができます。そして、私たちの知性を最初にアップグレードしなければ、これらのことは達成可能ではないと思います。あるいは、それはそうであるかもしれませんが、はるかに多くの時間と労力を要しません。

インテリジェンスとは何ですか?

我々がそれらをある方法で見ると、すべての問題は検索と最適化の問題とみなすことができます。彼らに解決策を探すためのツールとして知能があります。私たちの研究を導く原則は、徐々にそして自己改善的な方法でスキルを蓄積できるAIを中心にしています。 AIは、学習したスキルを再利用できるだけでなく、新しいスキルを取得する際にスキルを向上させることができます。

新しいスキルはそれぞれ、ヒューリスティックのように機能し、与えられた問題に対する解決策の探索と絞り込みの両方を行います。いくつかのヒューリスティックは、より良いヒューリスティックを検索する能力を向上させます。いくつかのスキルは、新しい、より複雑なスキルを構築するブロックのように機能します。

有用なスキル(ヒューリスティック、ショートカット、トリック)を備えているインテリジェンスは、ダイナミックで複雑で不確実な環境でソリューションを検索できます。インテリジェンス(またはインテリジェントエージェント)の目標は、可能な限り少ないリソースで最高の利用可能なソリューションを見つけるために、検索スペースを狭めることです。

段階的でガイド付きの学習は、エージェントの検索スペースを狭めるのに役立ちます。エージェントが互いのスキルを構築し、環境によって与えられた手がかりに従うことができれば、候補ソリューションの数と検索スペースの複雑さを減らすことができます。限られたリソースはエージェントに最も有用なスキルと最も有望な道に集中するように強制します。

段階的かつ誘導された原則がなければ、エージェントは偶然に最良の解を完全に見つけることを期待して、探索空間を永遠に横切ることになります。

プロセスをより効果的にするために、私たちは一般AIエージェントが必要なスキルを段階的かつガイドに基づいて学習する環境であるAIスクールを構築しています。スクールでは、個々の学習課題を微調整して、AIが望む行動を教えることができます。

学校では、AIが今後の課題で再利用できるような行動やスキルをより詳細に制御できるため、より予測可能なAIを作成し、人間の偏見を教えることができます。 これは、最も重要なAIの安全上の課題の1つを解決するのに役立ちます。

私たちには未解決の問題や疑問がたくさんあります。

・自分自身を改善し続けるシステムが、積極的な自己改善の指定された道筋にとどまり、最終的に自己改善が不可能になるマイナスの未来に自己啓発する代わりに、新しい反復ごとに改善する能力を高めます。

・システムが人間の知能を増幅し、それを予期しない目標のセットに置き換えないようにします。

AIの再帰的な自己改善を延期したり停止したりすることができます。

・それが実際に到着したとき、超知性はどのように異なるでしょうか? それはちょうど量的に異なるでしょうか? あるいは、実際に新しい質的変化をもたらすときに、段階的な変化、ある程度の閾値が存在するのでしょうか? これはどのように現れますか? 知性以上のことがありますか?

私たちの主な原則はフレームワークのドキュメントに記載されています。

https://www.goodai.com/framework

GoodAI

私はGoodAIを2014年1月に設立し、その後約20人の研究者とエンジニアに成長しました。

私の同僚は、コンピュータサイエンス機械学習、AI、深い学習、神経科学、心理学、行動科学などのさまざまな分野から来ています。

GoodAIの使命は、人類を助け、宇宙を理解するために、できるだけ早く一般的な人工知能を開発することです。

このプロジェクトの初期段階では、AIのランドスケープマッピングし、潜在的な汎用AIアーキテクチャのセットを設計していました。

これにより、一連のロードマップを作成するために使用した重要なマイルストーンを特定することができました。

これらのロードマップを比較して分析して、潜在的なロードブロッキング、行き止まり、または大きなマップされていないギャップを特定することができます。

私たちは要約されたロードマップの1つを公開しました - しかし、これは主に学習段階をカバーし、アーキテクチャ構築フェーズに焦点を合わせません。

このプロセスでは、大画面の考え方の重要性を認識し、独立したAIロードマップ研究所を設立しました。現在、研究所の次の任務は、AI研究者が一連のロードマップを提案、設計、比較し、広範なコミュニティに役立つ比較レポートを発表するワークショップを組織することです。

現在、私たちのチームには3つのグループがあり、異なるAIアーキテクチャに取り組んでいます。それぞれに短期的および長期的な利点があります。誰もが望んでいるものの、彼らが望むところに自由に取り組むことができますが、計画された道が実際に最も有望で有望で最短であるかどうかを確認するために、ロードマップ研究所のプロセスを通じて進捗状況を追跡し、測定しています。

私たちの研究開発をサポートするために、Brain SimulatorとArnold Simulatorを公開しました。

GoodAIのサウンドトラックもあります🙂私たちはおそらく私がゲーム開発者であるためにこれを持っている宇宙の唯一のAI研究開発グループです。

次のステップ

汎用AIの検索を多様化する別の方法として、私たちはGeneral AI Challengeの最初の「段階的学習」ラウンドを開始しました。私たちは、この多年にわたる挑戦の中で賞金総額5百万ドルを提供しています。

我々は、追加的なプロパティを効率的に含めることを可能にするアーキテクチャプロパティとして「段階的学習」を特定し、これを論理的な出発点として構築しました。あなたの既存の知識を再利用する能力は、常にゼロから始めなければならない人と比べて、より効率的な問題ソルバーになります。

漸進的ラーニングラウンドの目的は、特定の課題を解決するために最善のエージェントを作成することではなく、最も高い数字を採点することです。漸進的学習とは、エージェントが新しく見えないタスク(できるだけ訓練データが少なく、できるだけ少数の計算リソースを使用して)を効率的に学習することです。本質的に、そのようなエージェントは、私たちが人間と同じように学習する方法になります。

私たち(汎用AI研究コミュニティ)は、汎用AIに到達するための軌道に乗っていると私は信じています。人々は時々、私がそこに着くと思うどのくらい早く尋ねます、そして私の正直な答えはわかりません。私たちは3年または30年後にそこに着くことができました。しかし、私はそれが今世紀に起こると信じています。

昨年、私たちは私たちのオフィスにカウントダウン・クロックを設定しました。それは汎用AI 3,4に対して3,482日と11時間を読みます

私と私のチームを目標に集中させ、私たちが世界にすべての時間を持っているわけではないことを思い起こさせるためにそこにあります。汎用AIがない毎日は、多くの困難な問題を抱える人類の闘いのもう一つの日を意味します。最終的には、人間レベルのAIが最終的に手の届くところにあり、統一された主導的な努力が現実となり、可能なものと不可能なものの間の線を再定義します。

参考

https://www.singularityweblog.com/general-ai-challenge/