DeepMind พัฒนา AI ที่ให้เหตุผลได้เหมือนมนุษย์

แนวทางการพัฒนาปัญญาประดิษฐ์ปัจจุบันแบ่งออกเป็น 2 แนวทางหลัก ๆ คือ machine learning ซึ่งเด่นในด้านการหารูปแบบ แต่ไม่เด่นด้านตรรกะ ตรงกันข้าม symbolic AI เด่นด้านการหาความสัมพันธ์ของสิ่งต่าง ๆ ตามกฎเกณฑ์ที่กำหนดไว้ล่วงหน้า แต่ไม่สามารถใช้เรียนรู้สิ่งใหม่ ๆ ได้ดี ทำให้ทั้ง 2 แนวทางไม่สามารถเลียนแบบการใช้ตรรกะเชื่อมโยง หาความสัมพันธ์  เปรียบเทียบสิ่งตาม ๆ ที่สมองมนุษย์ทำได้ จนกระทั่งงานวิจัยล่าสุดจาก DeepMind ที่สามารถพัฒนาเทคนิคที่ทำให้ machine learning เรียนรู้ในการใช้เหตุผลหาความสัมพันธ์ได้ และทำได้ดีกว่ามนุษย์ในหลายการทดสอบ

เทคนิคที่ DeepMind ใช้คือ การสร้าง “relation network” ซึ่งเป็น neural network ที่เชื่อมผลลัพธ์จาก neural network ที่ใช้วิเคราะห์ภาพ วิเคราะห์คำ หรือ neural network ที่ใช้ในงานอื่น ๆ relation network จะพยายามเชื่อมทุก ๆ องค์ประกอบในบริบทนั้น ๆ  เข้าหากันเพื่อหาความสัมพันธ์

ตัวอย่างเช่น แสดงภาพหนึ่งมีสิ่งของหลายอย่างที่มีรูปร่าง สี ตำแหน่งต่างกัน ให้ AI ดู แล้วถามว่า “มีของชิ้นหนึ่งวางอยู่หน้าของสีน้ำเงิน ของชิ้นนั้นมีรูปร่างเหมือนสิ่งเล็ก ๆ สีฟ้าที่อยู่ด้านขวาของลูกบอลโลหะสีเงินหรือไม่” ขั้นแรก AI จะใช้ neural network ชั้นแรกในการวิเคราะห์ภาพว่ามีวัตถุอะไรบ้าง และวิเคราะห์ประโยคคำถาม ในขั้นถัดมา relation network จะเชื่อมความสัมพันธ์ระหว่างสิ่งของที่ตรวจจับได้ในรูปภาพและข้อความในประโยคคำถามเพื่อหาคำตอบ ผลคือ relation network สามารถตอบได้ถูกต้องถึง 96% เทียบกับวิธีอื่น ๆ ซึ่งทำได้เพียง 42 – 77% และยังถูกต้องมากกว่ามนุษย์ซึ่งทำได้ 92% เสียอีก

โจทย์ที่เกี่ยวกับภาษาก็ทำได้ เช่น มีประโยคว่า “ซานดร้าหยิบลูกบอล” “ซานดร้าไปที่ทำงาน” แล้วถามว่า “ลูกบอลอยู่ที่ไหน” หรือ “ลิลลี่เป็นหงษ์ ลิลลี่สีขาว เกร็กเป็นหงษ์ เกร็กสีอะไร” ในโจทย์ลักษณะนี้ relation network ก็สามารถตอบถูกถึง 98% เมื่อเทียบกับวิธีอื่น ๆ ที่ตอบได้ถูกเพียงแค่ 45% เท่านั้น

โจทย์อีกลักษณะคือ การแสดงภาพเคลื่อนไหวของลูกบอล 10 ลูกที่บางลูกถูกเชื่อมต่อกันด้วยสปริงที่มองไม่เห็น บางลูกเชื่อมต่อกันด้วยแท่งไม้ที่มองไม่เห็น ลูกบอลเหล่านี้ถูกเหวี่ยงกระดอนไปมา ตัว relation network เองสามารถวิเคราะห์ได้ถูกต้องถึง 90% ว่าลูกบอลแต่ละลูกเชื่อมโยงกันอย่างไร

relation network นี้ทำงานต่อยอดบน neural network อื่น ๆ จึงสามารถนำไปประยุกต์ใช้กับการหาความสัมพันธ์อย่างอื่นต่อได้ ความท้าทายต่อไปคือการหาความสัมพันธ์ของของหลายอย่างพร้อมกัน หาความสัมพันธ์ของกลุ่มสิ่งของ หรือระบบที่ใหญ่ขึ้น

ภาพ A simple neural network module for relational reasoning
ที่มา Science

LINE it!