Kuvittele tekoäly, joka oppii elämään simuloidussa kaupungissa - navigoimalla liikenteessä, reagoimalla virtuaalisiin katastrofeihin ja vuorovaikutuksessa digitaalisten kansalaisten kanssa. Kuvittele toinen tekoälyjärjestelmä, joka taistelee levottoman digitaalisen virustartunnan kanssa, kehittää strategioita reaaliajassa tartunnan leviämisen estämiseksi täysin synteettisessä maailmassa. Nämä eivät ole pelkästään kuvitteellisia skenaarioita sci-fi-pelistä; ne ovat esimerkkejä kehittyneistä "maailmanmalleista", sisäisistä simulaatioista, joita AI-mallit voivat käyttää ymmärtämään, ennustamaan ja navigoimaan monimutkaisiin ympäristöihin.Koska nämä järjestelmät kehittyvät yksinkertaisista ennakoivista algoritmeista syvällisiin digitaalisiin maailmoihin, ne lupaavat mullistaa sen, miten kehitämme pelejä, suoritamme tieteellisiä kokeita ja ehkä jopa viljellä uusia älykkyyden muotoja. Mitä ovat maailman mallit? Heidän ytimessään maailmanmallit ovat sisäisiä esityksiä, joiden avulla tekoäly voi simuloida tulevia tuloksia, testata hypoteeseja ja strategisesti suunnitella käyttäytymistä. Konseptilla on syvät juuret neurotieteessä, jota innostaa se, miten ihmiset ja eläimet ennustavat tuloksia kokemustensa perusteella - ilmiö, jota tutkitaan laajalti ennakoivana käsittelynä. Pohjimmiltaan aivan kuten ihmiset haaveilevat muistien ja skenaarioiden käsittelystä, tekoäly "haaveilee" toimien suunnittelusta ja ennusteiden parantamisesta. Esimerkiksi jos henkilö viettää päivän lukemalla tietokoneista, heidän unelmansa saattavat sekoittaa ja abstraktioida nämä kokemukset, luoden kompakteja esityksiä, jotka auttavat aivoja enn Vuonna 2018 julkaistiin uusi artikkeli nimeltä Näytettiin, miten hermoverkot voisivat oppia sisäisiä simulaatioita kokemuksesta, mikä parantaa merkittävästi niiden kykyjä.Nämä mallit ylittävät yksinkertaiset tilastolliset ennusteet, jolloin AI: t voivat aktiivisesti osallistua henkisiin maailmoihinsa ennakoidakseen monimutkaisia syy-seuraussuhteita. Maailmanmallit David Ha ja Jürgen Schmidhuber Maailmanmallit David Ha ja Jürgen Schmidhuber Tämän lähestymistavan edistyksellisimpiä esimerkkejä ovat DeepMindin kehittämä Dreamer-agentit. DreamerV2 esitteli ajatuksen oppia ympäristön pakattua sisäistä mallia, yksinkertaistettua abstraktiota ulkoisesta maailmasta, joka auttaa AI: ta simuloimaan ja suunnittelemaan. Tämän sisäisen mallin avulla agentit voivat kehittää politiikkoja, jotka ovat yleisiä päätöksenteostrategioita, kuten aina kääntämällä oikealle labyrintin risteyksessä. Näitä politiikkoja ei kouluteta suoralla vuorovaikutuksella, vaan kuvittelemalla mahdollisia tulevaisuuksia piilevässä tilassa, sisäinen simulaatio, joka riistää tarpeettomat yksityiskohdat keskittymään keskeiseen päätöksenteon dynamiikkaan. Tämä parantaa dramaattisesti tehokkuutta, jolloin agentit Tätä laajennettiin osoittamalla vankka suorituskyky monenlaisissa tehtävissä ja ympäristöissä käyttäen vain yhtä joukkoa hyperparametreja – keskeisiä säätöasetuksia, jotka ohjaavat oppimisalgoritmin käyttäytymistä.Tuloksena on askel lähempänä mielikuvituksen kautta koulutettuja yleishyödyllisiä toimijoita, mikä viittaa tulevaisuuteen, jossa maailmanmallit muodostavat pohjan skaalautuville, mukautuville AI-järjestelmille. Unelmia3 Unelmia3 Videopeli kuin kokeiluväline Pelit tarjoavat jäsenneltyjä mutta avoimia digitaalisia maisemia, jotka ovat riittävän monimutkaisia simuloimaan reaalimaailman haasteita mutta riittävän hallittavia sallimaan tiukan kokeilun. Sen lohkokohtainen universumi mahdollistaa AI: n oppimisen tehtävistä, jotka vaihtelevat resurssien keräämisestä kehittyneeseen rakentamiseen, kehittää yleisiä ongelmanratkaisutaitoja, jotka kääntävät yllättävän hyvin reaalimaailman skenaarioihin. Mineraali Mineraali Toinen merkittävä esimerkki on , jonka on kehittänyt OpenAI. Tämä järjestelmä tuottaa massiivisia moninpelimaailmoja, jotka ovat kokonaan kilpailevien AI-agenttien asuttamia. Näiden agenttien on selviydyttävä, tehtävä yhteistyötä ja kilpailla monimutkaisissa ekosysteemeissä, mikä parantaa niiden sisäisiä maailmanmalleja käsittelemään vivahteellisia strategisia vuorovaikutuksia. (MARL), osa-alue, joka tutkii, miten agentit oppivat ei eristyksissä, vaan vastauksena ja rinnalla muiden agenttien kanssa. Neural MMO Oppimisen vahvistaminen Neurologinen MMO Oppimisen vahvistaminen Yksi MARL:n merkittävimmistä tutkimuksista on Yksinkertaisessa virtuaalisessa ympäristössä, jossa oli perustyökaluja ja liikkuvia esineitä, agentit jaettiin hakijoihin ja hakijoihin. Aluksi hakijat oppivat käyttämään seiniä ja laatikoita rakentaakseen perusvartioita. Vastauksena hakijat kehittivät kyvyn käyttää ramppeja näiden suojien tunkeutumiseen. Hakijat kiihtyivät sitten, oppivat piilottamaan tai lukitsemaan ramppeja - johtaen hakijoita löytämään täysin uusia taktiikoita, kuten "laatikon surffausta", jossa he ratsasivat laatikon yläpuolella ylittämään esteitä. Nämä käyttäytymiset eivät olleet valmiiksi ohjelmoituja; ne ilmestyivät luonnollisesti miljoonien koulutusjaksojen aikana agenttien välisten sopeutumisen ja vasta-sopeutumisen kautta. OpenAI:n piilotettu ja etsitty kokeilu OpenAI:n piilotettu ja etsitty kokeilu Tämä kehittyvä monimutkaisuus kuvaa MARL: n voimaa yhdessä dynaamisen maailmanmallien kanssa: kun agentit upotetaan rikkaisiin, vuorovaikutteisiin ympäristöihin ja altistetaan toisille, joilla on ristiriitaisia tai täydentäviä tavoitteita, yllättävän luovia strategioita voi syntyä. Samoin Neural MMO: ssä agentit kehittävät muistia, strategista suunnittelua, alueellisuutta ja jopa alkeellista sosiaalista käyttäytymistä. Näille agentteille ei kerrottu kehittävän tällaista käyttäytymistä, vaan heidän maailmansa rakenne ja muiden agenttien läsnäolo kannustivat sitä. Tämä MARL: n ja simuloitujen ympäristöjen välinen vuorovaikutus viittaa synteettiseen sosiaaliseen oppimiseen, jossa älykkyys ei kehity yksilöllisesti vaan Simuloimalla korkean tason skenaarioita: Digitaalinen epidemiologia While games provide exciting environments for training AI, the power of world models extends into critical real-world applications such as epidemiological simulations. During the COVID-19 pandemic, computational modeling proved invaluable in predicting virus spread and testing intervention strategies. AI-driven world models push these simulations further, dynamically exploring a vast range of "what-if" scenarios at scale and speed previously unimaginable. Työkalut, kuten EpiSim ja Kuitenkin näiden simulaatioiden yhdistäminen kehittyneisiin tekoälyjärjestelmiin, jotka kykenevät reaaliaikaiseen vuorovaikutukseen, luo paljon rikkaamman analyyttisen työkalun. Tutkijat voisivat suorittaa nopeutettuja skenaarioita, testata toimenpiteitä, kuten lukkojen, rokotusten tai sosiaalisen etäisyyden suuntaviivojen luomista. Kun maailmanmallikoulutusta käytetään, tekoälyjärjestelmät pystyvät simuloimaan näitä toimenpiteitä sisäisesti huomattavan tehokkaasti, tunnistamalla optimaaliset vastaukset ennakoimalla niiden kaskadivaikutuksia ajan ja väestön välillä. Tämä lähestymistapa ei ainoastaan nopeuta suunnittelua vaan myös vähentää suurten simulaatioiden tyypillistä laskennallista taakkaa. Netissä Netissä Perinteiset simulaatiot, joissa ei ole maailmanmallia, vaativat usein huomattavaa käsittelyvoimaa ja aikaa, mikä rajoittaa niiden käyttöä kiireellisissä, reaaliaikaisissa päätöksentekoprosesseissa. Maailmanmallipohjaisten järjestelmien tehokkuus ja sopeutumiskyky tekevät niistä erityisen lupaavia korkean panoksen aloilla, kuten lääketieteessä, astrofysiikassa ja laskennallisessa biologiassa, joissa monimutkaisen dynamiikan mallintaminen on välttämätöntä, mutta usein kieltämättä kallista. AI elää maailmoissa: passiivisista tarkkailijoista aktiivisiin asukkaisiin Maailmanmallit muuttavat pohjimmiltaan sitä, miten AI havaitsee ja vuorovaikutuksessa ympäristöjensä kanssa. Perinteisesti tekoälyjärjestelmät tulkitsevat staattisia tietokokonaisuuksia tai reagoivat ennalta määriteltyihin ärsykkeisiin. Maailmanmallipohjaiset järjestelmät kuitenkin tulevat aktiivisiksi osallistujiksi sisäisesti luotuihin todellisuuksiinsa, jotka kykenevät johtamaan kontekstiin ja mukauttamaan dynaamisesti käyttäytymistään. , tekoäly, joka hallitsee pelejä ilman, että heille opetetaan nimenomaisesti sääntöjä - sen sijaan, että oppisi aktiivisen kokeilun kautta omassa simuloidussa maailmassa. Muusikko Muusikko These systems suggest a future where we don't merely build tools with AI; we build sophisticated simulated worlds specifically tailored for AI training and development. Such digital habitats would allow AI systems to safely learn complex behaviors, strategies, and interactions before deployment into real-world applications—such as AI doctors training in simulated medical crises, AI negotiators practicing complex diplomacy, or autonomous vehicles navigating virtual urban environments packed with unpredictable scenarios. 
 
 Tämä artikkeli on tuonut sinulle Meidän AI, opiskelijoiden perustama ja opiskelijoiden johtama AI-etiikkaorganisaatio, joka pyrkii monipuolistamaan AI: n näkökulmia sen lisäksi, mitä tavallisesti keskustellaan nykyaikaisissa tiedotusvälineissä. Tämä artikkeli on tuonut sinulle Meidän AI, opiskelijoiden perustama ja opiskelijoiden johtama AI-etiikkaorganisaatio, joka pyrkii monipuolistamaan AI: n näkökulmia sen lisäksi, mitä tavallisesti keskustellaan nykyaikaisissa tiedotusvälineissä. Pelit todellisuuden laboratorioina Mutta kun nämä simulaatiot tulevat rikkaammiksi ja eläväisemmiksi, lähestymme filosofisia ja eettisiä rajoja. Luommeko vain hienostuneita digitaalisia työkaluja vai kasvatammeko vahingossa aitoja älykkyyden muotoja simuloiduissa ympäristöissä? Kuuluisa näkemys siitä, että riittävän kehittyneet sivilisaatiot luovat väistämättä realistisia simulaatioita – ja että ehkä me itse olemme olemassa yhdessä. Philosopher Nick Bostrom's "Simulation Argument" Filosofi Nick Bostromin Simulaatioargumentti Samoin Eliezer Yudkowsky, tutkija ja kirjoittaja keinotekoisen älykkyyden turvallisuudesta, ehdottaa, että erittäin yksityiskohtaiset simulaatiot voisivat tulla erottamattomiksi todellisuudesta itsestään, mikä mahdollisesti isännöi todellista tietoisuutta. Jos simuloidut maailmat, joita rakennamme AI: lle, muuttuvat riittävän monimutkaisiksi, voisivat ne lopulta synnyttää tietoisuuden tai älykkyyden muotoja, joita ei voida erottaa biologisista organismeista? Konsepti "metaverse" keskittyy usein inhimilliseen kokemukseen: virtuaaliset tilat sosiaaliselle vuorovaikutukselle ja kaupalle. Kuitenkin sen syvempi potentiaali ei ehkä ole inhimillisessä pakenemisessa, vaan tekoälyn viljelyssä. Bostromin vision mukaan metaverse voisi hyvin olla laboratorio, jossa synteettiset älylliset kehittyvät ja kehittyvät, tutkivat lukemattomia virtuaalisia elämyksiä, joista jokainen tuo ne lähemmäs ihmisen kaltaisen älykkyyden rajaa. Päätelmä: Simulaation rajat Huolimatta uraauurtavista panoksista, maailmanmallien tutkimus ja monia agentteja vahvistava oppiminen ovat nähneet merkittävien laboratorioiden investointien vähenemistä viime vuosina. suuren kielimallien kiinnostuksen nousu on ohjannut huomiota ja rahoitusta pois näistä monimutkaisista, järjestelmätason hankkeista - joista monet, kuten OpenAI: n Neural MMO ja tag-pohjaiset MARL-kokeet, tarjoavat joitakin vakuuttavimpia esityksiä nousevasta älykkyydestä. Tällaiset tutkimukset eivät ehkä suoraan tuota tuloja, mutta ne paljastavat joitakin syvällisimpiä ja vaikuttavimpia oivalluksia siitä, mitä keinotekoisista mielistä voisi tulla. OpenAI: n piilotettu-ja-haun kokeilu toteutettiin loppujen lopuksi 5 vuotta sitten, ikuisuus AI-tutkimuksen termeissä. Kun otetaan huomioon nykypäivän huomattavasti suurempia laskennallisia resursseja, suurempia malleja ja rikkaampia ympäristöjä, voimme vain kuvitella, millaisia strategisen käyttäytymisen ja synteettisen sosiaalisuuden muotoja voisi syntyä, jos tätä tutkimusrajaa harjoitettaisiin tasavertaisesti. Maailmanmallit kehittyvät nopeasti abstrakteista teoreettisista rakenteista käytännön työkaluihin, jotka muokkaavat ajattelutapaamme peleistä, tieteestä ja jopa muista tekoälymalleista. Ne mahdollistavat yksityiskohtaisen skenaarioiden testauksen, strategisen suunnittelun ja riskittömän kokeilun erittäin kontrolloiduissa mutta dynaamisesti monimutkaisissa ympäristöissä.Koska nämä simulaatiot tulevat upottavammiksi ja realistisemmiksi, sisällä olevat tekoälymallit saattavat alkaa muistuttaa orgaanista elämää pelkän koodin sijasta - karttamatonta aluetta älykkyyden ja luomisen havainnoinnille. Loppujen lopuksi maailmanmallit haastavat meidät harkitsemaan uudelleen todellisuuden ja simulaation, teknologian ja elämän välisiä rajoja.Kun seisomme tämän uuden digitaalisen rajan kynnyksellä, meidän on tunnustettava syvät vastuut ja mahdollisuudet, jotka tulevat maailman arkkitehtien kanssa. Kirjoittanut Liv Skeete

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Liian pitkä; Lukea

Make resilience your competitive advantage

Miten maailmanmallit laittoivat perustan keinotekoiselle yleiselle älykkyydelle

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

PENANCE

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

About Bitcoin And “Web 2.5,” HackerNoon’s First Documentary

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

PENANCE

Dotcom on edelleen uusien yritysten suosituin verkkotunnus, mutta käyttö laskee

About Bitcoin And “Web 2.5,” HackerNoon’s First Documentary

10x Research: How a FIL Backed USD Stablecoin By Secured Finance Would Boost The Filecoin Ecosystem

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps