Miksi tiedemiehet opettavat robotteja leikkimään piilosta

Yleinen tekoäly, ajatus älykkäästä A.I. agentti, joka pystyy ymmärtämään ja oppimaan minkä tahansa älyllisen tehtävän, jonka ihmiset voivat tehdä, on pitkään ollut tieteiskirjallisuuden osa. Kuten A.I. tulee älykkäämmäksi ja älykkäämmäksi – erityisesti koneoppimistyökalujen läpimurtojen myötä, jotka pystyvät kirjoittamaan uudelleen koodi oppiaksesi uusista kokemuksista – se on yhä laajemmin osa todellista tekoälyn keskustelua hyvin.

Mutta kuinka mitataan AGI, kun se saapuu? Vuosien varrella tutkijat ovat esittäneet useita mahdollisuuksia. Tunnetuin on edelleen Turingin testi, jossa ihmistuomari on vuorovaikutuksessa näkymättömänä sekä ihmisten että koneen kanssa, ja hänen on yritettävä arvata kumpi on kumpi. Kaksi muuta, Ben Goertzelin Robot College Student Test ja Nils J. Nilssonin työllisyystesti, pyrkii käytännössä testaamaan A.I: n kykyjä katsomalla, voisiko se ansaita korkeakoulututkinnon tai suorittaa työpaikkoja. Toinen, jota haluaisin henkilökohtaisesti arvostaa, väittää, että älykkyyttä voidaan mitata onnistuneella kyvyllä koota Ikea-tyylisiä flatpack-huonekaluja ilman ongelmia.

Yksi mielenkiintoisimmista AGI-toimenpiteistä oli Applen perustaja Steve Wozniak. Woz, jonka ystävät ja ihailijat tuntevat, ehdottaa Coffee Testiä. Yleinen älykkyys, hän sanoi, tarkoittaisi robottia, joka pystyy menemään mihin tahansa taloon maailmassa, paikantamaan keittiön, keittämään tuoreen kupin kahvia ja kaatamaan sen sitten mukiin.

Kuten jokainen A.I. Älykkyystestissä voit kiistellä parametrien laajuudesta tai kapeasta. Kuitenkin ajatus siitä, että älykkyys pitäisi yhdistää kykyyn navigoida todellisessa maailmassa, on kiehtova. Se on myös sellainen, jota uusi tutkimusprojekti pyrkii testaamaan.

Maailman rakentaminen

"Viime vuosina A.I. yhteisö on edistynyt valtavasti A.I: n koulutuksessa. agentit suorittamaan monimutkaisia ​​tehtäviä" Luca Weihs, tutkija Allen Institute for AI: sta, tekoälylaboratoriosta, jonka edesmennyt Microsoftin perustaja Paul Allen perusti, kertoi Digital Trendsille.

Weihs lainasi DeepMindin A.I: n kehitystä. agentteja, jotka voivat oppia pelata klassisia Atari-pelejä ja päihittää ihmispelaajia Golla. Weihs kuitenkin huomautti, että nämä tehtävät ovat "usein irti" maailmastamme. Näytä kuva todellisesta maailmasta A.I: lle. on koulutettu pelaamaan Atari-pelejä, eikä sillä ole aavistustakaan, mitä se katsoo. Täällä Allen-instituutin tutkijat uskovat, että heillä on jotain tarjottavaa.

Allen Institute for A.I. on rakentanut jonkinlaisen kiinteistöimperiumin. Mutta tämä ei ole fyysistä kiinteistöä, vaan se on virtuaalista kiinteistöä. Se on kehittänyt satoja virtuaalisia huoneita ja huoneistoja – mukaan lukien keittiöt, makuuhuoneet, kylpyhuoneet ja olohuoneet – joissa A.I. agentit voivat olla vuorovaikutuksessa tuhansien esineiden kanssa. Näissä tiloissa on realistinen fysiikka, tuki useille toimijoille ja jopa tilat, kuten kuuma ja kylmä. Antamalla A.I. Agentit leikkivät näissä ympäristöissä, ideana on, että he voivat rakentaa realistisemman käsityksen maailmasta.

"[Uudessa] työssämme halusimme ymmärtää, kuinka A.I. agentit voisivat oppia realistisesta ympäristöstä pelaamalla siinä interaktiivista peliä”, Weihs sanoi. "Vastataksemme tähän kysymykseen, koulutimme kaksi agenttia pelaamaan kätköä, joka on muunnelma piilosta, käyttämällä vastavuoroista vahvistusoppimista korkean tarkkuuden sisällä. AI2-THOR ympäristö. Tämän pelin kautta huomasimme, että agenttimme oppivat esittämään yksittäisiä kuvia lähestyen menetelmien suorituskykyä vaati miljoonia käsin merkittyjä kuvia – ja jopa alkoi kehittää joitain kognitiivisia primitiivisiä, joita [kehitys] psykologit."

Pelin säännöt

Toisin kuin tavallisessa piilossa, Cachessa robotit vuorotellen piilottavat esineitä, kuten wc-mäntiä, leipää, tomaatteja ja paljon muuta, joista jokaisella on oma yksilöllinen geometria. Kaksi agenttia - toinen piilottaja, toinen etsijä - kilpailevat sitten nähdäkseen, pystyykö toinen piilottamaan esineen toiselta. Tähän liittyy useita haasteita, mukaan lukien tutkiminen ja kartoitus, perspektiivin ymmärtäminen, piiloutuminen, esineiden manipulointi ja etsiminen. Kaikki on tarkasti simuloitu, jopa vaatimukseen asti, että piilottajan tulee pystyä manipuloimaan kädessään olevaa esinettä eikä pudota sitä.

Syvävahvistusoppimisen käyttäminen — koneoppimisparadigma, joka perustuu oppimiseen ryhtyä toimiin ympäristö maksimoimaan palkkion – robotit tulevat yhä paremmin piilottamaan esineitä ja etsimään heidät ulos.

"Mikä tekee tästä niin vaikeaa A.I.:ille, että he eivät näe maailmaa niin kuin me", Weihs sanoi. "Miljoonien vuosien evoluutio on tehnyt sen niin, että jopa pikkulapsina aivomme muuttavat fotonit tehokkaasti käsitteiksi. Toisaalta A.I. aloittaa tyhjästä ja näkee maailmansa valtavana numeroverkona, joka sen jälkeen on opittava purkaa merkitykseksi. Lisäksi, toisin kuin shakissa, jossa maailma on siististi sisällä 64 ruutua, jokainen agentin näkemä kuva kaappaa vain pieni osa ympäristöä, joten sen on integroitava havainnot ajan mittaan muodostaakseen yhtenäisen käsityksen maailman."

Selvyyden vuoksi tässä uusimmassa työssä ei ole kyse superälykkään A.I: n rakentamisesta. Elokuvissa kuten Terminaattori 2: Tuomiopäivä, Skynet-supertietokone saavuttaa itsetietoisuuden tarkalleen kello 2.14 itäistä aikaa 29. elokuuta 1997. Päivämäärästä huolimatta, nyt lähes neljännesvuosisata kollektiivisessa taustapeilissämme, näyttää epätodennäköiseltä, että näin tarkka käännekohta tulee, kun tavallinen A.I. tulee AGI. Sen sijaan yhä enemmän laskennallisia hedelmiä - alhaalla ja korkealla riippuvaisia ​​- poimitaan, kunnes meillä on vihdoin jotain, joka lähestyy yleistä älykkyyttä useilla aloilla.

Kovat asiat ovat helppoja, helppoja on vaikeita

Tutkijat ovat perinteisesti keskittyneet A.I: n monimutkaisiin ongelmiin. ratkaista sen ajatuksen perusteella, että jos vaikeat ongelmat saadaan ratkaistua, helpot eivät saisi olla liian kaukana. Jos pystyt simuloimaan aikuisen päätöksentekoa, voivat ideat kuten objektin pysyvyys (ajatus siitä, että esineet olemassa, kun emme näe niitä), että lapsi oppii ensimmäisten elinkuukausien aikana, todistavat sen todella vaikea? Vastaus on kyllä ​​– ja tämä paradoksi, että kun on kyse A.I: stä, vaikeat asiat ovat usein helppoja, ja helpot asiat ovat vaikeita, on se, mitä tämän kaltaisessa työssä pyritään käsittelemään.

"Yleisin paradigma A.I: n koulutuksessa agentit [käsittelevät] valtavia, manuaalisesti merkittyjä tietojoukkoja, jotka on keskittynyt vain yhteen tehtävään – esimerkiksi objektien tunnistamiseen”, Weihs sanoi. "Vaikka tällä lähestymistavalla on ollut suuri menestys, mielestäni on optimistista uskoa, että voimme luoda manuaalisesti tarpeeksi tietojoukkoja A.I: n tuottamiseksi. agentti, joka voi toimia älykkäästi todellisessa maailmassa, kommunikoida ihmisten kanssa ja ratkaista kaikenlaisia ​​ongelmia, joita se ei ole ennen kohdannut. Tämän tekemiseksi uskon, että meidän on annettava agenttien oppia peruskognitiiviset primitiivit, joita pidämme itsestäänselvyytenä, antamalla heidän olla vapaasti vuorovaikutuksessa maailmansa kanssa. Työmme osoittaa, että pelin käyttäminen A.I: n motivoimiseen Agentit, jotka ovat vuorovaikutuksessa ja tutkivat maailmaansa, johtavat siihen, että he alkavat oppia nämä primitiivit – ja siten osoittaa, että pelaaminen on lupaava suunta pois manuaalisesti abeled datajoukoista kohti kokemuksellista oppimista.”

A tätä työtä kuvaava paperi esitellään tulevassa 2021 kansainvälisessä oppimisen edustajien konferenssissa.

Toimittajien suositukset

• Optiset illuusiot voivat auttaa meitä rakentamaan seuraavan sukupolven tekoälyä
• Hauska kaava: Miksi koneella luotu huumori on A.I: n pyhä malja?
• Lue aavemaisen kaunista A.I: n synteettistä kirjoitusta. joka luulee olevansa Jumala
• Algoritminen arkkitehtuuri: Pitäisikö meidän antaa A.I. suunnitteletko rakennuksia meille?
• Tunteita tunnistava A.I. on täällä, ja se voi olla seuraavassa työhaastattelussasi