Hvorfor videnskabsmænd lærer robotter at lege gemmeleg

Kunstig generel intelligens, ideen om en intelligent A.I. agent, der er i stand til at forstå og lære enhver intellektuel opgave, som mennesker kan udføre, har længe været en del af science fiction. Som A.I. bliver smartere og smartere - især med gennembrud inden for maskinlæringsværktøjer, der er i stand til at omskrive deres kode for at lære af nye erfaringer - det er i stigende grad en del af ægte kunstig intelligens-samtaler som godt.

Men hvordan måler vi AGI, når det kommer? Gennem årene har forskere opstillet en række muligheder. Den mest berømte er Turing-testen, hvor en menneskelig dommer interagerer, usynligt, med både mennesker og en maskine, og skal forsøge at gætte, hvilken der er hvilken. To andre, Ben Goertzels Robot College Student Test og Nils J. Nilsson's Employment Test, forsøg at praktisk teste en A.I.s evner ved at se, om den kunne opnå en universitetsgrad eller udføre arbejdspladsjob. En anden, som jeg personligt ville elske at afslå, hævder, at intelligens kan måles ved den succesrige evne til at samle flatpack-møbler i Ikea-stil uden problemer.

En af de mest interessante AGI-foranstaltninger blev fremsat af Apples medstifter Steve Wozniak. Woz, som han er kendt af venner og beundrere, foreslår kaffetesten. En generel intelligens, sagde han, ville betyde en robot, der er i stand til at gå ind i ethvert hus i verden, lokalisere køkkenet, brygge en frisk kop kaffe og derefter hælde den i et krus.

Som med enhver A.I. intelligenstest, kan man skændes om, hvor brede eller snævre parametrene er. Men tanken om, at intelligens skal være forbundet med en evne til at navigere gennem den virkelige verden, er spændende. Det er også en, som et nyt forskningsprojekt søger at afprøve.

At bygge verdener

"I de sidste par år har A.I. samfundet har gjort store fremskridt med at træne A.I. agenter til at udføre komplekse opgaver," Luca Weihs, en forsker ved Allen Institute for AI, et kunstig intelligenslaboratorium grundlagt af den afdøde Microsoft-medstifter Paul Allen, fortalte Digital Trends.

Weihs citerede DeepMinds udvikling af A.I. agenter, der er i stand til at lære at spil klassiske Atari-spil og slog menneskelige spillere på Go. Weihs bemærkede dog, at disse opgaver "ofte er løsrevet" fra vores verden. Vis et billede af den virkelige verden til en A.I. trænet til at spille Atari-spil, og den har ingen idé om, hvad den ser på. Det er her, Allen Institute-forskerne mener, at de har noget at tilbyde.

Allen Institute for A.I. har opbygget noget af et ejendomsimperium. Men dette er ikke fysisk fast ejendom, så meget som det er virtuel fast ejendom. Det har udviklet hundredvis af virtuelle værelser og lejligheder - inklusive køkkener, soveværelser, badeværelser og stuer - hvor A.I. agenter kan interagere med tusindvis af objekter. Disse rum kan prale af realistisk fysik, støtte til flere agenter og endda tilstande som varmt og koldt. Ved at lade A.I. agenter spiller i disse miljøer, er tanken, at de kan opbygge en mere realistisk opfattelse af verden.

"I [vores nye] arbejde ønskede vi at forstå, hvordan A.I. agenter kunne lære om et realistisk miljø ved at spille et interaktivt spil i det,” sagde Weihs. "For at besvare dette spørgsmål trænede vi to agenter til at spille Cache, en variant af gemmeleg, ved at bruge modstridende forstærkningslæring inden for high-fidelity. AI2-THOR miljø. Gennem dette gameplay fandt vi ud af, at vores agenter lærte at repræsentere individuelle billeder og nærmede sig metodernes ydeevne krævede millioner af håndmærkede billeder - og begyndte endda at udvikle nogle kognitive primitiver, der ofte studeres af [developmental] psykologer.”

Spillets regler

I modsætning til almindelig gemmeleg, i Cache, skiftes bots til at skjule genstande såsom toiletstempler, brød, tomater og mere, som hver har deres egen individuelle geometri. De to agenter - den ene en skjuler, den anden en søgende - konkurrerer derefter for at se, om den ene kan lykkes med at skjule objektet for den anden. Dette involverer en række udfordringer, herunder udforskning og kortlægning, forståelse af perspektiv, skjul, objektmanipulation og søgning. Alt er nøjagtigt simuleret, helt ned til kravet om, at skjuleren skal være i stand til at manipulere objektet i sin hånd og ikke tabe det.

Brug af dyb forstærkningslæring - et maskinlæringsparadigme baseret på at lære at tage handlinger i en miljø for at maksimere belønningen - botsene bliver bedre og bedre til at skjule objekterne, såvel som at søge dem ud.

"Det, der gør dette så svært for A.I.s, er, at de ikke ser verden, som vi gør," sagde Weihs. "Milliarder af års evolution har gjort det sådan, at vores hjerner, selv som spædbørn, effektivt oversætter fotoner til koncepter. På den anden side er en A.I. starter fra bunden og ser sin verden som et enormt gitter af tal, som det så skal lære at afkode til mening. Desuden, i modsætning til skak, hvor verden er pænt indeholdt i 64 firkanter, fanger hvert billede, som agenten ser, kun en lille del af miljøet, og derfor skal det integrere sine observationer gennem tiden for at danne en sammenhængende forståelse af verden."

For at være klar, handler dette seneste arbejde ikke om at bygge en superintelligent A.I. I film som Terminator 2: Judgment Day, opnår Skynet-supercomputeren selvbevidsthed præcis kl. 2.14 Eastern Time den 29. august 1997. På trods af datoen, nu næsten et kvart århundrede i vores kollektive bakspejl, virker det usandsynligt, at der vil være et så præcist vendepunkt, når almindelig A.I. bliver til AGI. I stedet vil flere og flere beregningsmæssige frugter - lavthængende og højthængende - blive plukket, indtil vi endelig har noget, der nærmer sig en generaliseret intelligens på tværs af flere domæner.

Hårde ting er nemt, nemme ting er svært

Forskere har traditionelt graviteret mod komplekse problemer for A.I. at løse ud fra ideen om, at hvis de svære problemer kan løses, skal de nemme ikke være for langt bagud. Hvis du kan simulere en voksens beslutningstagning, kan ideer som objektpermanens (ideen om at objekter stadig eksisterer, når vi ikke kan se dem), som et barn lærer inden for de første måneder af dets liv, beviser det virkelig svært? Svaret er ja - og dette paradoks, at når det kommer til A.I hårde ting er ofte nemme, og de nemme ting er svære, er, hvad arbejde som dette tager sigte på.

"Det mest almindelige paradigme for træning af A.I. agenter [involverer] enorme, manuelt mærkede datasæt, der er snævert fokuseret på en enkelt opgave - for eksempel genkendelse af objekter," sagde Weihs. "Selvom denne tilgang har haft stor succes, tror jeg, det er optimistisk at tro, at vi manuelt kan oprette nok datasæt til at producere en A.I. agent, der kan handle intelligent i den virkelige verden, kommunikere med mennesker og løse alle mulige problemer, som den ikke er stødt på før. For at gøre dette tror jeg, at vi bliver nødt til at lade agenter lære de grundlæggende kognitive primitiver, vi tager for givet, ved at lade dem interagere frit med deres verden. Vores arbejde viser, at brug af gameplay til at motivere A.I. agenter til at interagere med og udforske deres verden resulterer i, at de begynder at lære disse primitiver — og viser derved, at gameplay er en lovende retning væk fra manuelt mærkede datasæt og mod erfaringsbaserede læring."

EN papir, der beskriver dette arbejde vil blive præsenteret på den kommende 2021 internationale konference om læringsrepræsentationer.

Redaktørens anbefalinger

• Optiske illusioner kan hjælpe os med at bygge den næste generation af kunstig intelligens
• Den sjove formel: Hvorfor maskingenereret humor er den hellige gral for A.I.
• Læs det uhyggeligt smukke 'syntetiske skrift' af en A.I. der tror, ​​det er Gud
• Algoritmisk arkitektur: Skal vi lade A.I. designe bygninger for os?
• Følelsesfølende A.I. er her, og det kan blive til din næste jobsamtale