Proč vědci učí roboty hrát na schovávanou

Umělá obecná inteligence, myšlenka inteligentního A.I. agent, který je schopen porozumět a naučit se jakýkoli intelektuální úkol, který lidé mohou dělat, je již dlouho součástí sci-fi. Jak A.I. je chytřejší a chytřejší – zejména díky průlomům v nástrojích strojového učení, které jsou schopny přepsat jejich kód, který se má učit z nových zkušeností – je stále častěji součástí skutečných konverzací o umělé inteligenci studna.

Ale jak změříme AGI, když dorazí? V průběhu let výzkumníci představili řadu možností. Nejznámější zůstává Turingův test, ve kterém lidský soudce interaguje, neviděný, s lidmi i se strojem a musí se pokusit uhodnout, který je který. Dva další, Ben Goertzel’s Robot College Student Test a Nils J. Nilsson’s Employment Test se snaží prakticky otestovat schopnosti A.I. tím, že zjistí, zda by mohl získat vysokoškolský titul nebo vykonávat práci na pracovišti. Další, který bych osobně rád zlevnil, předpokládá, že inteligenci lze měřit úspěšnou schopností bez problémů sestavit plochý nábytek ve stylu Ikea.

Jedno z nejzajímavějších opatření AGI navrhl spoluzakladatel Applu Steve Wozniak. Woz, jak ho znají přátelé a obdivovatelé, navrhuje Test kávy. Obecná inteligence by podle něj znamenala robota, který je schopen vejít do jakéhokoli domu na světě, najít kuchyni, uvařit čerstvý šálek kávy a nalít ji do hrnku.

Jako u každého A.I. inteligenční test, můžete polemizovat o tom, jak široké nebo úzké jsou parametry. Nicméně myšlenka, že by inteligence měla být spojena se schopností procházet skutečným světem, je zajímavá. Je to také něco, co se nový výzkumný projekt snaží otestovat.

Budování světů

„V posledních několika letech A.I. komunita udělala obrovský pokrok ve výcviku A.I. agenti dělat složité úkoly,“ Luca Weihs, výzkumný vědec z Allen Institute for AI, laboratoř umělé inteligence založená zesnulým spoluzakladatelem Microsoftu Paulem Allenem, řekl Digital Trends.

Weihs citoval vývoj DeepMind A.I. agenti, kteří jsou schopni se to naučit hrát klasické hry Atari a porazit lidské hráče na Go. Weihs však poznamenal, že tyto úkoly jsou „často odděleny“ od našeho světa. Ukažte obrázek skutečného světa A.I. trénoval hrát hry Atari a nebude mít ponětí, na co se dívá. Právě zde se výzkumníci Allen Institute domnívají, že mají co nabídnout.

Allenův institut pro A.I. vybudovala něco jako realitní impérium. Ale toto není fyzická nemovitost, stejně jako virtuální nemovitost. Vyvinula stovky virtuálních místností a apartmánů – včetně kuchyní, ložnic, koupelen a obývacích pokojů – ve kterých A.I. agenti mohou interagovat s tisíci objekty. Tyto prostory se mohou pochlubit realistickou fyzikou, podporou více agentů a dokonce stavy jako horko a zima. Tím, že necháte A.I. agenti hrají v těchto prostředích, myšlenkou je, že si mohou vybudovat realističtější vnímání světa.

„V [naší nové] práci jsme chtěli pochopit, jak A.I. Agenti by se mohli dozvědět o realistickém prostředí hraním interaktivní hry v něm,“ řekl Weihs. „Abychom na tuto otázku odpověděli, vycvičili jsme dva agenty, aby hráli Cache, variantu hry na schovávanou, pomocí učení se zesílením protivníka v rámci vysoce věrného Prostředí AI2-THOR. Prostřednictvím této hry jsme zjistili, že se naši agenti naučili reprezentovat jednotlivé obrázky, čímž se přiblížili výkonu metod vyžadující miliony ručně označených obrázků – a dokonce se začala vyvíjet některá kognitivní primitiva, která často studovali [vývojáři] psychology."

Pravidla hry

Na rozdíl od běžných schovávaček se v Cache roboti střídají ve skrývání předmětů, jako jsou záchodové písty, bochníky chleba, rajčata a další, z nichž každý se může pochlubit vlastní individuální geometrií. Dva agenti – jeden schovávač, druhý hledač – pak soutěží o to, zda jeden dokáže úspěšně skrýt předmět před druhým. To zahrnuje řadu výzev, včetně průzkumu a mapování, pochopení perspektivy, skrývání, manipulace s předměty a hledání. Vše je přesně simulováno, a to až po požadavek, aby schovávač byl schopen manipulovat s předmětem v ruce a neupustit jej.

Použití hlubokého posílení učení – paradigmatu strojového učení založeného na učení se provádět akce v prostředí pro maximalizaci odměny – roboti jsou stále lepší v ukrývání předmětů a také v hledání ven.

"Pro AI je to tak obtížné, že nevidí svět tak, jako my," řekl Weihs. „Miliardy let evoluce umožnily, že náš mozek dokonce jako nemluvňata účinně převádí fotony do konceptů. Na druhou stranu, A.I. začíná od nuly a vidí svůj svět jako obrovskou mřížku čísel, kterou se pak musí naučit dekódovat do významu. Navíc, na rozdíl od šachů, kde je svět úhledně uzavřen do 64 polí, každý obrázek, který agent vidí, zachycuje pouze malý výsek prostředí, a tak musí integrovat svá pozorování v průběhu času, aby vytvořil koherentní pochopení svět."

Aby bylo jasno, tato nejnovější práce není o budování mimořádně inteligentní A.I. Ve filmech jako Terminátor 2: Soudný den, superpočítač Skynet dosáhne sebeuvědomění přesně ve 2:14 východního času 29. srpna 1997. Bez ohledu na datum, nyní téměř čtvrt století v našem kolektivním zpětném zrcátku, se zdá nepravděpodobné, že by došlo k tak přesnému bodu zlomu, kdy pravidelné A.I. se stává AGI. Namísto toho se bude trhat více a více výpočtových plodů – nízko visících a vysoce visících –, dokud konečně nebudeme mít něco, co se blíží zobecněné inteligenci napříč více doménami.

Těžké věci jsou snadné, jednoduché věci jsou těžké

Výzkumníci tradičně tíhnou ke komplexním problémům pro A.I. řešit na základě myšlenky, že pokud lze vyřešit těžké problémy, ty snadné by neměly být příliš pozadu. Pokud dokážete simulovat rozhodování dospělého, mohou myšlenky jako stálost objektu (myšlenka, že objekty stále existují, když je nevidíme), které se dítě naučí během prvních měsíců svého života, to skutečně dokazuje obtížný? Odpověď je ano – a tento paradox, který, pokud jde o A.I těžké věci jsou často snadné a snadné věci jsou těžké, je to, co práce, jako je tato, řeší.

„Nejčastější paradigma pro trénink A.I. agenti [zahrnují] obrovské, ručně označené datové sady úzce zaměřené na jediný úkol – například rozpoznávání objektů,“ řekl Weihs. „Ačkoli tento přístup měl velký úspěch, myslím, že je optimistické věřit, že dokážeme ručně vytvořit dostatek datových sad k vytvoření A.I. agent, který dokáže jednat inteligentně v reálném světě, komunikovat s lidmi a řešit nejrůznější problémy, se kterými se dosud nesetkal. Abychom toho dosáhli, věřím, že budeme muset nechat agenty naučit se základní kognitivní primitiva, která považujeme za samozřejmost, tím, že je necháme volně interagovat s jejich světem. Naše práce ukazuje, že používání hry k motivaci A.I. agenti k interakci a prozkoumávání jejich světa vedou k tomu, že se začínají učit tato primitiva – a tím ukazuje, že hratelnost je slibným směrem od manuálně abelovaných datových sad a směrem k zážitkové učení se."

A dokument popisující tuto práci bude prezentována na nadcházející mezinárodní konferenci o reprezentacích učení v roce 2021.

Doporučení redakce

• Optické iluze by nám mohly pomoci vybudovat další generaci AI
• Vtipná formulka: Proč je strojově generovaný humor svatým grálem A.I.
• Přečtěte si děsivě krásné ‚syntetické písmo‘ A.I. který si myslí, že je to Bůh
• Algoritmická architektura: Měli bychom nechat A.I. navrhovat budovy pro nás?
• Snímání emocí A.I. je tady a mohlo by to být na vašem příštím pracovním pohovoru