Zašto znanstvenici uče robote igrati skrivača

Umjetna opća inteligencija, ideja inteligentnog A.I. agent koji je u stanju razumjeti i naučiti svaki intelektualni zadatak koji ljudi mogu obaviti, odavno je sastavni dio znanstvene fantastike. Kao što je A.I. postaje sve pametniji i pametniji — posebno s otkrićima u alatima za strojno učenje koji mogu prepisati svoje kod za učenje iz novih iskustava — sve je više dio stvarnih razgovora o umjetnoj inteligenciji kao dobro.

Ali kako ćemo izmjeriti AGI kada stigne? Tijekom godina, istraživači su iznijeli brojne mogućnosti. Najpoznatiji ostaje Turingov test, u kojem ljudski sudac stupa u interakciju, nevidljivo, s ljudima i strojem, te mora pokušati pogoditi koji je koji. Druga dva, studentski test Robot College Bena Goertzela i Nils J. Nilssonov test zapošljavanja nastoji praktično testirati sposobnosti umjetne inteligencije tako što će vidjeti može li steći fakultetsku diplomu ili obavljati poslove na radnom mjestu. Drugi, koji bih osobno volio zanemariti, tvrdi da se inteligencija može mjeriti uspješnom sposobnošću sastavljanja ravnog namještaja u stilu Ikee bez problema.

Jednu od najzanimljivijih AGI mjera iznio je suosnivač Applea Steve Wozniak. Woz, kako ga poznaju prijatelji i obožavatelji, predlaže Test kave. Opća inteligencija, rekao je, značila bi robota koji je u stanju ući u bilo koju kuću na svijetu, locirati kuhinju, skuhati svježu šalicu kave i natočiti je u šalicu.

Kao i svaki A.I. test inteligencije, možete raspravljati o tome koliko su široki ili uski parametri. Međutim, ideja da bi se inteligencija trebala povezati sa sposobnošću kretanja kroz stvarni svijet je intrigantna. To je također ono što novi istraživački projekt želi ispitati.

Gradeći svjetove

“U posljednjih nekoliko godina, A.I. zajednica je napravila velike korake u obuci A.I. agenti za obavljanje složenih zadataka, Luca Weihs, istraživač na Allenovom institutu za umjetnu inteligenciju, laboratoriju za umjetnu inteligenciju koji je osnovao pokojni suosnivač Microsofta Paul Allen, rekao je za Digital Trends.

Weihs je citirao DeepMindov razvoj A.I. agenti koji mogu naučiti igrajte klasične igre Atari i pobijediti ljudske igrače na Go. Međutim, Weihs je primijetio da su ti zadaci "često odvojeni" od našeg svijeta. Pokažite sliku stvarnog svijeta AI-ju obučen za igranje Atari igara, i neće imati pojma u što gleda. Istraživači Instituta Allen vjeruju da ovdje imaju što ponuditi.

Allenov institut za umjetnu inteligenciju. je izgradio nešto poput carstva nekretnina. Ali ovo nije fizička nekretnina, koliko je virtualna nekretnina. Razvio je stotine virtualnih soba i stanova - uključujući kuhinje, spavaće sobe, kupaonice i dnevne sobe - u kojima A.I. agenti mogu komunicirati s tisućama objekata. Ovi se prostori mogu pohvaliti realističnom fizikom, podrškom za više agenata, pa čak i stanjima poput vrućeg i hladnog. Dopuštajući A.I. agenti igraju u tim okruženjima, ideja je da mogu izgraditi realističniju percepciju svijeta.

“U [našem novom] radu željeli smo razumjeti kako A.I. agenti bi mogli učiti o realističnom okruženju igrajući interaktivnu igru ​​unutar njega,” rekao je Weihs. "Kako bismo odgovorili na ovo pitanje, obučili smo dva agenta da igraju Cache, varijantu skrivača, koristeći suparničko učenje pojačanja unutar visoke vjernosti AI2-THOR okruženje. Kroz ovu igru ​​otkrili smo da su naši agenti naučili predstavljati pojedinačne slike, približavajući se izvedbi metoda zahtijevajući milijune ručno označenih slika — i čak su počeli razvijati neke kognitivne primitive koje [razvojni] često proučavaju psiholozi.”

Pravila igre

Za razliku od uobičajenih skrivača, u Cacheu botovi naizmjence skrivaju objekte kao što su klipovi zahodske školjke, štruce kruha, rajčice i drugo, od kojih svaki ima svoju vlastitu geometriju. Dva agenta - jedan skrivač, drugi tragač - zatim se natječu da vide može li jedan uspješno sakriti predmet od drugoga. To uključuje brojne izazove, uključujući istraživanje i mapiranje, razumijevanje perspektive, skrivanje, manipulaciju objektima i traženje. Sve je precizno simulirano, čak i do zahtjeva da skrivač može manipulirati predmetom u ruci i ne ispustiti ga.

Korištenje učenja s dubokim pojačanjem — paradigma strojnog učenja koja se temelji na učenju poduzimanja radnji u okruženje za povećanje nagrade — botovi postaju sve bolji i bolji u skrivanju objekata, kao iu traženju njih van.

"Ono što ovo čini tako teškim za AI-je je to što oni ne vide svijet na način na koji mi vidimo", rekao je Weihs. “Milijarde godina evolucije učinile su da, čak i kao dojenčad, naš mozak učinkovito prevodi fotone u koncepte. S druge strane, A.I. počinje od nule i vidi svoj svijet kao ogromnu mrežu brojeva koje zatim mora naučiti dekodirati u značenje. Štoviše, za razliku od šaha, gdje je svijet uredno sadržan u 64 polja, svaka slika koju agent vidi samo bilježi mali dio okoline, pa mora integrirati svoja opažanja kroz vrijeme kako bi formirao koherentno razumijevanje svijet."

Da budemo jasni, ovaj najnoviji rad nije o izgradnji super-inteligentnog A.I. U filmovima poput Terminator 2: Sudnji dan, superračunalo Skynet postiže samosvijest točno u 2.14 ujutro po istočnom vremenu 29. kolovoza 1997. godine. Bez obzira na datum, sada već gotovo četvrt stoljeća u našem zajedničkom retrovizoru, čini se malo vjerojatnim da će doći do tako precizne točke preokreta kada će obični A.I. postaje AGI. Umjesto toga, sve više i više računalnih plodova - niskovisećih i visokovisećih - bit će ubrano dok konačno ne dobijemo nešto što se približava generaliziranoj inteligenciji u višestrukim domenama.

Teške stvari su lake, lake stvari su teške

Istraživači su tradicionalno gravitirali prema složenim problemima za A.I. riješiti na temelju ideje da, ako se teški problemi mogu razvrstati, oni laki ne bi trebali previše zaostajati. Ako možete simulirati donošenje odluka odrasle osobe, mogu li ideje poput trajnosti predmeta (ideja da objekti još uvijek postoje kada ih ne možemo vidjeti) koje dijete uči u prvih nekoliko mjeseci svog života to stvarno dokazuju teško? Odgovor je da - i ovaj paradoks da, kada je riječ o umjetnoj inteligenciji, teške stvari su često lake, a lake stvari su teške, ono je što rad kao što je ovaj postavlja za rješavanje.

“Najčešća paradigma za obuku A.I. agenti [uključuje] ogromne, ručno označene skupove podataka usko usmjerene na jedan zadatak — na primjer, prepoznavanje objekata,” rekao je Weihs. “Iako je ovaj pristup imao veliki uspjeh, mislim da je optimistično vjerovati da možemo ručno stvoriti dovoljno skupova podataka za proizvodnju A.I. agent koji može djelovati inteligentno u stvarnom svijetu, komunicirati s ljudima i rješavati sve vrste problema s kojima se prije nije susreo. Da bismo to učinili, vjerujem da ćemo morati dopustiti agentima da nauče temeljne kognitivne primitive koje uzimamo zdravo za gotovo, dopuštajući im da slobodno komuniciraju sa svojim svijetom. Naš rad pokazuje da korištenje igranja za motiviranje A.I. agenti s kojima mogu komunicirati i istraživati ​​njihov svijet rezultira time da počinju učiti te primitive — i time pokazuje da je igrivost obećavajući smjer udaljavanja od ručno obilježenih skupova podataka prema iskustvenom učenje."

A rad koji opisuje ovo djelo bit će predstavljen na nadolazećoj Međunarodnoj konferenciji o prikazima učenja 2021.

Preporuke urednika

• Optičke iluzije mogle bi nam pomoći u izgradnji sljedeće generacije umjetne inteligencije
• Smiješna formula: zašto je strojno generirani humor sveti gral AI-ja
• Pročitajte jezivo lijepe 'sintetičke spise' umjetne inteligencije. koji misli da je Bog
• Algoritamska arhitektura: Trebamo li pustiti A.I. projektirati zgrade za nas?
• Umjetna inteligencija koja osjeća emocije je ovdje, a moglo bi biti na vašem sljedećem razgovoru za posao