Esplorare la sicurezza, l’adattabilità e l’efficienza dell’IA per il mondo reale
La prossima settimana segna l’inizio del 40° Conferenza internazionale sull’apprendimento automatico (ICML 2023), che si svolgerà dal 23 al 29 luglio a Honolulu, Hawai’i.
L’ICML riunisce la comunità dell’intelligenza artificiale (AI) per condividere nuove idee, strumenti e set di dati e creare connessioni per far avanzare il campo. Dalla visione artificiale alla robotica, ricercatori di tutto il mondo presenteranno i loro ultimi progressi.
Il nostro direttore per la scienza, la tecnologia e la società, Shakir Mohamed, terrà una conferenza parlare di machine learning con finalità socialiaffrontare le sfide legate all’assistenza sanitaria e al clima, adottando una visione sociotecnica e rafforzando le comunità globali.
Siamo orgogliosi di supportare la conferenza come Platinum Sponsor e di continuare a lavorare insieme ai nostri partner a lungo termine LatinX nell’intelligenza artificiale, Strano nell’intelligenza artificialeE Le donne nell’apprendimento automatico.
Alla conferenza presenteremo anche demo di AlphaFoldi nostri progressi in scienza della fusionee nuovi modelli come PaLM-E per la robotica e Phenaki per generare video dal testo.
I ricercatori di Google DeepMind presenteranno quest’anno più di 80 nuovi articoli all’ICML. Altrettanti documenti sono stati presentati prima Google Brain e DeepMind hanno unito le forzei documenti inizialmente inviati con l’affiliazione di Google Brain saranno inclusi in a Blog di ricerca di Googlementre questo blog presenta documenti presentati sotto un’affiliazione DeepMind.
L’intelligenza artificiale nel mondo (simulato).
Il successo dell’intelligenza artificiale in grado di leggere, scrivere e creare è sostenuto da modelli di base: sistemi di intelligenza artificiale addestrati su vasti set di dati che possono imparare a eseguire molti compiti. La nostra ultima ricerca esplora come possiamo tradurre questi sforzi nel mondo reale e getta le basi per agenti di intelligenza artificiale più generalmente capaci e incarnati in grado di comprendere meglio le dinamiche del mondo, aprendo nuove possibilità per strumenti di intelligenza artificiale più utili.
In una presentazione orale, introduciamo AdAun agente AI in grado di adattarsi per risolvere nuovi problemi in un ambiente simulato, come fanno gli esseri umani. In pochi minuti, AdA può affrontare compiti impegnativi: combinare oggetti in modi nuovi, esplorare terreni invisibili e cooperare con altri giocatori
Allo stesso modo, mostriamo come potremmo usare modelli di linguaggio visivo per aiutare a formare agenti incarnati – ad esempio, dicendo a un robot cosa sta facendo.
Il futuro dell’apprendimento per rinforzo
Per sviluppare un’intelligenza artificiale responsabile e affidabile, dobbiamo comprendere gli obiettivi alla base di questi sistemi. Nell’apprendimento per rinforzo, un modo in cui questo può essere definito è attraverso la ricompensa.
In una presentazione orale, miriamo a risolvere l’ipotesi della ricompensa postulato per la prima volta da Richard Sutton affermando che tutti gli obiettivi possono essere pensati come la massimizzazione della ricompensa cumulativa attesa. Spieghiamo le condizioni precise alle quali si applica e chiariamo i tipi di obiettivi che possono – e non – essere catturati dalla ricompensa in una forma generale del problema dell’apprendimento per rinforzo.
Quando si distribuiscono sistemi di intelligenza artificiale, è necessario che siano sufficientemente robusti per il mondo reale. Vediamo come migliorare addestrare algoritmi di apprendimento per rinforzo entro i limitipoiché gli strumenti di intelligenza artificiale spesso devono essere limitati per ragioni di sicurezza ed efficienza.
Nella nostra ricerca, che è stata riconosciuta con un Premio per l’eccezionale documento ICML 2023esploriamo come possiamo insegnare modelli di strategia complessa a lungo termine in condizioni di incertezza giochi di informazione imperfetta. Condividiamo come i modelli possono giocare per vincere partite a due giocatori anche senza conoscere la posizione dell’altro giocatore e le possibili mosse.
Sfide alla frontiera dell’intelligenza artificiale
Gli esseri umani possono facilmente imparare, adattarsi e comprendere il mondo che ci circonda. Lo sviluppo di sistemi di intelligenza artificiale avanzati in grado di generalizzare in modi simili a quelli umani aiuterà a creare strumenti di intelligenza artificiale che possiamo utilizzare nella nostra vita quotidiana e per affrontare nuove sfide.
Un modo in cui l’intelligenza artificiale si adatta è modificare rapidamente le sue previsioni in risposta a nuove informazioni. In una presentazione orale, guardiamo Plasticità nelle reti neurali e come possono essere persi nel corso dell’allenamento e come prevenirli.
Presentiamo anche una ricerca che potrebbe aiutare a spiegare il tipo di apprendimento contestuale che emerge nei grandi modelli linguistici attraverso lo studio reti neurali meta-addestrate sui dati fonti le cui statistiche cambiano spontaneamente, come nella previsione del linguaggio naturale.
In una presentazione orale, introduciamo una nuova famiglia di reti neurali ricorrenti (RNN) che hanno prestazioni migliori nei compiti di ragionamento a lungo termine per sbloccare la promessa di questi modelli per il futuro.
Infine, nell’assegnazione dei crediti quantili‘ proponiamo un approccio per distinguere la fortuna dall’abilità. Stabilendo una relazione più chiara tra azioni, risultati e fattori esterni, l’intelligenza artificiale può comprendere meglio gli ambienti complessi del mondo reale.
