El problema es que la lógica / los números existen en lo que se denomina inteligencia artificial simbólica (AI), el enfoque de “inteligencia artificial anticuada” (GOFAI). Las reglas necesarias para comprender las manipulaciones numéricas son puramente lógicas y tales sistemas son difíciles de entrenar porque el objetivo normalmente no es diferenciable, es “difícil”.
La dirección actual de la investigación de tendencias se centra principalmente en enfoques estadísticos y sistemas de aprendizaje profundo (DL) con objetivos diferenciables en su mayoría suaves. Estos sistemas no son muy buenos para aprender reglas simbólicas solo de los datos de entrenamiento por sí solos. Esta tendencia de aprendizaje de extremo a extremo seguramente ha topado con una barrera aquí, a veces es importante que el investigador / ingeniero infunda conocimiento de nivel de dominio en el modelo. No todo se puede aprender de principio a fin.
Es por eso que siento que necesitamos sistemas híbridos, la computadora neuronal diferenciable (DNC) al menos es como un puente entre el GOFAI y las tendencias actuales de aprendizaje profundo. Un DNC probablemente puede aprender algo de manipulación numérica y algunas reglas básicas de matemáticas. Las redes neuronales recurrentes (RNN) típicas pueden aprender a agregar números largos arbitrariamente, pero las divisiones y multiplicaciones son difíciles para ellos.
- ¿Qué opinas de los dibujos de inteligencia artificial creados por la red neuronal artificial de Google?
- ¿Por qué el progreso de la IA va primero en el análisis de imágenes?
- ¿Es la inteligencia humana un tipo de inteligencia artificial?
- ¿Pueden los humanos ser reemplazados por robots con inteligencia artificial?
- ¿Cómo puedo hacer una carrera en IA?
Es por eso que hay una gran investigación para encontrar algoritmos de aprendizaje de propósito general para lograr la inteligencia general artificial (AGI).
Espero que esto ayude.
