谷歌DeepMind项目的研究人员报告称,他们的人工智能刚刚变得更加人性化了一些:它现在会记住的事情。
在人工智能进步中需要克服的障碍之一是,你可以训练它完成一项任务,但让它记住它做了什么,并能够在未来使用这些专门知识却完全是另一回事。这被称为“灾难性遗忘”,DeepMind的研究人员表示,他们越来越接近于解决这一难题了。
在一篇博客文章中,DeepMind解释说:“当一个新任务被引入时,新的适应改写了神经网络以前获得的知识。”
简单地说,你可以训练人工智能来识别犬科动物的特征,但如果你想要切换到识别人类,它将不得不重新训练,不会保留其对狗的知识,这一点上人工智能不像人类。游戏玩法也是如此。被创造出来玩扑克的人工智能需要被覆盖后才能成为象棋大师。
DeepMind的研究人员表示,他们跟踪神经科学的研究,以及大脑是如何记住过去最重要的东西,就像动物知道某些危险是因为他们的大脑保留了最重要的数据。
DeepMind的James Kirkpatrick表示,他们已经训练他们的人工智能做到了非常类似的事情,在面对一个新的任务的时候,保留重要的数据,并覆盖不那么重要的数据。Kirkpatrick对The Guardian表示,“如果网络可以重新使用它已经学到的东西,它就那么会做的。”
他们是通过训练人工智能来学习如何顺序玩10个经典的Atari游戏做到这一点的,每个游戏需要不同的策略,但有时需要类似的技能。在学习了如何玩这些游戏——其中包括一些令人难忘的游戏,如Space Invaders and Defender——之后,人工智能学会了把十个游戏中的七个游戏玩得像人类一样好。
同时,研究人员表示,虽然他们已经证明人工智能可以顺序地学习游戏,但这并不意味着会带来更好的结果。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。