A „katasztrofális felejtés” az MI-rendszerek fejlődésüket hátráltató legrosszabb tulajdonsága: a mai csúcsalgoritmusok nagyon jó munkát végeznek például az arcfelismerésben. Többezer általában kézileg annotált kép alapján tanulnak, aztán elvégzik a feladatot. Viszont ha ugyanannak az algoritmusnak érzelmeket kellene azonosítania, kezdhetne mindent elölről, a semmiből, mert nem tudna mit kezdeni a korábban teljesen más területen elsajátított ismeretekkel. Mihelyst befejezte a tanulást, nem frissíthető többé.

A felejtés miatt vagyunk képtelenek általános MI-t (artificial general intelligence, AGI), a filmekben oly gyakran látott mindentudó gépeket fejleszteni. Szakemberek évek óta keresik a megoldást, hogy ne kelljen felülírni rendszereket, hogy az algoritmus hasznosítsa korábbi tudását.

Egy négynapos augusztus végi prágai konferencián többek között ezt a kérdést is megvitatták a terület ismert kutatói.

Irina Higgins, az AlphaGo góprogramot jegyző Google DeepMind kutatója bejelentette: gőzerővel dolgoznak a megoldáson.

MI-ágense, egy algoritmussal irányított játékkarakterféle kreatívabban gondolkozik, mint a jellegzetes algoritmusok. El tudja képzelni, hogy a virtuális környezetben látott dolgok hogyan nézhetnek ki más közegben, azaz képes objektumokat kiemelni a kontextusukból. Természetesen nem ugyanúgy, mint az emberi fantázia, de korábban látott tárgyak új konfigurációban és helyszínen történő „mentális” megjelenítése az első lépés lehet a GAI felé.

„Azt akarjuk, hogy a gép biztonságosan, önmagában való károkozás nélkül tanuljon meg józanész-bölcsességeket” – nyilatkozta Higgins. (Károkozáson a korábbi ismeretek lenullázását érti.)

Kb. arról van szó, mint amikor sivatagban járunk, és meglátunk például egy kaktuszt. Felismerjük, mert láttunk már hasonlót, és más környezetben (otthon, munkahelyen) is el tudjuk képzelni ugyanazt a növényt.

Higgins rendszere hasonlóan funkcionál. Csupán öt képi példából tanulja meg, milyen objektumról van szó, hogyan viszonyul a környezetéhez, és hogy nézne ki más látószögből, más megvilágításban.

Fehér aktatáskán és karosszéken gyakoroltatták, majd teljesen új virtuális világban, azaz gyökeresen más közegben látta viszont ugyanazokat a tárgyakat. Sikerrel járt, mert tudja, hogy hiába látja másként, nem egy teljesen új tárgy van előtte, hanem a már ismert aktatáska.

Nem tesz mást, „csak” előzetes ismereteit új kontextusra alkalmazza.