Новому ШІ від Гугла потрібно всього кілька знімків для 3d моделі свого оточення
Новий алгоритм штучного інтелекту Google може визначити, які речі виглядають з усіх боків - без необхідності їх бачити.
Після перегляду чого-небудь з кількох різних точок зору, Generative Query Network змогла об'єднати зовнішній вигляд об'єкта, навіть якщо він з'явився б з-під кутів, які не проаналізованих алгоритмом, згідно з дослідженням, опублікованим сьогодні в Science. І він зробив це без будь-якого контролю людьми або навчання. Це може заощадити багато часу, оскільки інженери готують все більш досконалі алгоритми для технології, але також можуть розширити можливості машинного навчання, щоб дати роботам (військовим або іншим чином) більш глибоке розуміння їх оточення.
Дослідники Google мають намір використовувати свій новий тип системи штучного інтелекту, щоб відняти одне з головних відкладень досліджень ШІ - проходження і ручна маркування і анотування зображень і інших матеріалів, які можуть бути використані для навчання алгоритму. Якщо комп'ютер може самостійно обчислити все це, вченим більше не потрібно буде витрачати стільки часу на збір і сортування даних для подачі їх алгоритму.
Згідно з дослідженням, система ШІ могла б створити повний рендеринг 3D-налаштування на основі всього п'яти окремих віртуальних знімків. Він дізнався про форму, розмір і колір об'єктів незалежно один від одного, а потім об'єднав всі свої результати в точну тривимірну модель. Після того, як алгоритм мав цю модель, дослідники могли використовувати алгоритм для створення абсолютно нових сцен без необхідності явно виділяти, які об'єкти повинні йти туди.
Незважаючи на те, що тести проводилися в віртуальній кімнаті, вчені Google підозрюють, що їх робота приведе до створення машин, які можуть самостійно дізнатися про їх оточенні, без будь-яких дослідників, які переглядають великий набір даних, щоб це відбулося.
Легко уявити світ, в якому такий штучний інтелект використовується для посилення програм спостереження (добре, що Google оновив свій кодекс етики, щоб працювати з військовими). Але Generative Query Network ще не настільки складна - алгоритм не може здогадатися, як виглядає ваше обличчя, побачивши задню частину голови або щось в цьому роді. До сих пір ця технологія стикалася лише з простими тестами з базовими об'єктами, не такими складними, як людина.
Замість цього, це дослідження, ймовірно, збільшить існуючі програми для машинного навчання, такі як підвищення точності роботів конвеєрних ліній, щоб дати їм краще розуміння їх оточення.
Незалежно від того, які практичні застосування виходять з цього раннього дослідження доказової концепції, він показує, що ми наближаємося до дійсно автономним машинам, які здатні сприймати і розуміти своє оточення, як це роблять люди.
