Projektbeschreibung
Intelligente Maschinen meistern unbekannte Situationen
Trotz der bemerkenswerten Fortschritte in der künstlichen Intelligenz (KI) und bei neuronalen Netzen haben diese Systeme im Vergleich zur biologischen Intelligenz nur begrenzte Fähigkeiten. KI-Systeme werden von Sachverständigen entworfen und optimiert, während biologische Systeme durch ein kleineres genetisches Programm selbstorganisiert sind und von Geburt an über vielfältigere Verhaltensfähigkeiten verfügen. Das EU-finanzierte Projekt GROW-AI zielt darauf ab, durch eine Kombination aus künstlichem Leben, Neurobiologie und maschinellem Lernen Maschinen mit größerer Anpassungsfähigkeit und allgemeiner Intelligenz zu schaffen. Zudem wird es das Potenzial des algorithmischen Wachstums für das Verständnis und die Schaffung von Intelligenz untersuchen.
Ziel
"Despite major advances in the field of artificial intelligence, especially in the field of neural networks, these systems still pale in comparison to even simple biological intelligence. Current machine learning systems take many trials to learn, lack common-sense, and often fail even if the environment only changes slightly. The enormous potential of autonomous machines remains unfulfilled and we still lack robots to fill our dishwashers or go on autonomous search-and-rescue missions. The grand goal of GROW-AI is to create machines with a more general intelligence, allowing rapid adaption in unknown situations. In stark contrast to current neural networks, whose architectures are designed by human experts and whose large number of parameters are optimized directly, evolution does not operate directly on the parameters of biological nervous systems. Instead, these nervous systems are grown and self-organize through a much smaller genetic program that produces rich behavioral capabilities right from birth and the ability to rapidly learn. Neuroscience suggests this ""genomic bottleneck"" is an important regularizing constraint, allowing animals to generalize to new situations. However, currently there does not exist a solution to creating a similar system artificially. We address this challenge with two ambitious ideas. First, we will learn genomic bottleneck algorithms instead of manually designing them, exploiting recent advances in memory-augmented deep neural networks that can learn complex algorithms. In addition, we will co-optimize task generators that provide the agents with the most effective learning environments. Taking inspiration from the fields of artificial life, neurobiology, and machine learning, we will investigate if algorithmic growth is needed to understand and create intelligence. If successful, this project will greatly improve the autonomy of machines and significantly increase the range of real-world tasks they can solve."
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thema/Themen
Finanzierungsplan
HORIZON-ERC - HORIZON ERC GrantsGastgebende Einrichtung
2300 Kobenhavn
Dänemark