Opis projektu
Inteligentne maszyny radzą sobie w nieznanych sytuacjach
Pomimo bezprecedensowych postępów w dziedzinie rozwoju sztucznej inteligencji i sieci neuronowych, systemy te wciąż nie są w stanie dorównać swoimi możliwościami inteligencji biologicznej. Systemy sztucznej inteligencji są projektowane i optymalizowane przez ekspertów, z kolei systemy biologiczne już od urodzenia dysponują bardziej zróżnicowanymi możliwościami behawioralnymi dzięki samoorganizacji na podstawie mniejszego algorytmu genetycznego. Zespół finansowanego ze środków Unii Europejskiej projektu GROW-AI postawił sobie za cel opracowanie maszyn charakteryzujących się większą zdolnością do adaptacji oraz bardziej rozległą inteligencją poprzez połączenie sztucznego życia, neurobiologii i uczenia maszynowego. Badacze zajmą się ponadto zbadaniem potencjału algorytmicznego rozwoju w celu zrozumienia i tworzenia inteligencji.
Cel
"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."
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Temat(-y)
System finansowania
HORIZON-ERC - HORIZON ERC GrantsInstytucja przyjmująca
2300 Kobenhavn
Dania