Исследование CMU доказывает: сжатие может быть ключом к решению задач искусственным интеллектом

Недавно группа исследователей из Карнеги-Меллона обнаружила признаки того, что процесс сжатия информации может решать сложные задачи рассуждения без предварительного обучения на большом количестве примеров. Их система справляется с некоторыми типами абстрактных задач распознавания шаблонов, используя только сами головоломки, что ставит под вопрос традиционные представления о том, как системы машинного обучения приобретают способности к решению проблем.

«Может ли безпотеречное сжатие информации само по себе порождать интеллектуальное поведение?» — задаются вопросом Исайя Лiao (Isaac Liao), аспирант первого года, и его научный руководитель профессор Альберт Gu (Albert Gu) из кафедры машинного обучения университета Карнеги-Меллона. Их работа предполагает, что ответ может быть положительным.

Чтобы продемонстрировать свои результаты, они создали CompressARC и опубликовали их в подробном посте на сайте Лiao (Liao). Парой исследователей был проведен тест метода на Abstraction and Reasoning Corpus (ARC-AGI), непобежденной визуальной метрике, созданной машинным обучением исследователем Франсуа Чолье (François Chollet) в 2019 году для проверки способностей систем ИИ к абстрактному мышлению. ARC представляет системы с сетчатыми изображениями головоломок, где каждая задача предоставляет несколько примеров, демонстрирующих скрытое правило, и система должна выявить это правило для его применения к новому примеру.

Исследование показало, что использование метода сжатия информации может быть эффективным инструментом для решения сложных задач без предварительного обучения на большом количестве данных.