AI kan nu lære uden hjælp fra mennesker - leger og udfører små eksperimenter

Udviklingen af kunstig intelligens har ofte været bundet til menneskelig involvering, især i oprettelsen af store træningsdatasæt og definitionen af læringsmål.

Denne afhængighed har iboende begrænsninger, da generering af menneskeligt kommenterede data af høj kvalitet er en krævende proces, og omfanget af menneskedefinerede opgaver kan i sidste ende begrænse læringspotentialet i stadig mere sofistikerede systemer.

Efterhånden som systemer med kunstig intelligens udvikler sig, bliver udfordringen med at give dem tilstrækkeligt avanceret læringsmateriale, der er kurateret af mennesker, mere udtalt.

Et banebrydende paradigme, som stammer fra forskning i Kina, tilbyder en vision, hvor store sprogmodeller autonomt kan dyrke deres egne læringsveje.

Denne tilgang, som er beskrevet i en artikel med titlen "Absolute zero reinforced self-play reasoning with zero data", gør det muligt for modeller at foreslå deres egne problemer, forsøge at udtænke løsninger og efterfølgende lære af denne selvgenererede erfaring.

Hovedambitionen er at give disse systemer mulighed for at opnå overmenneskelige ræsonnementsevner uden det traditionelle behov for menneskeligt kuraterede træningsdata eller direkte tilsyn, hvilket potentielt kan gøre menneskelige undervisere overflødige i visse faser af udviklingen af kunstig intelligens.

Mekanikken i denne "Absolute Zero"-metode er centreret om et princip om selvudvikling gennem selvspil. En kunstig intelligensmodel kan f.eks. generere et kodningsproblem og derefter forsøge at løse det i et verificerbart miljø, som f.eks. en Python-fortolker.