מדוע מדענים מלמדים רובוטים לשחק במחבואים

בינה כללית מלאכותית, הרעיון של A.I אינטליגנטי. סוכן שמסוגל להבין וללמוד כל משימה אינטלקטואלית שבני אדם יכולים לעשות, היה זה מכבר מרכיב של מדע בדיוני. בתור א.י. נעשה חכם יותר ויותר - במיוחד עם פריצות דרך בכלי למידת מכונה שמסוגלים לשכתב את שלהם קוד ללמוד מחוויות חדשות - זה יותר ויותר חלק משיחות בינה מלאכותית אמיתית כמו נו.

אבל איך אנחנו מודדים AGI כשהיא אכן מגיעה? במהלך השנים, חוקרים הציגו מספר אפשרויות. המפורסם ביותר הוא מבחן טיורינג, שבו שופט אנושי מקיים אינטראקציה, מראה בלתי נראה, עם בני אדם ומכונה כאחד, וחייב לנסות ולנחש מי הוא איזה. שניים נוספים, מבחן הסטודנטים למכללת רובוט של בן גורצל ונילס ג'יי. מבחן התעסוקה של נילסון, מבקש לבחון באופן מעשי את יכולותיו של A.I על ידי בדיקה אם הוא יכול לזכות בתואר אקדמי או לבצע עבודות במקום העבודה. אחר, שבאופן אישי אני צריך לאהוב להוזיל, טוען כי אינטליגנציה עשויה להימדד ביכולת המוצלחת להרכיב רהיטים שטוחים בסגנון איקאה ללא בעיות.

אחד מאמצעי ה-AGI המעניינים ביותר הועלה על ידי מייסד אפל, סטיב ווזניאק. ווז, כפי שהוא מוכר לחברים ומעריצים, מציע את מבחן הקפה. מודיעין כללי, הוא אמר, פירושו רובוט שמסוגל להיכנס לכל בית בעולם, לאתר את המטבח, לחלוט כוס קפה טרי ואז למזוג אותו לספל.

כמו בכל A.I. מבחן אינטליגנציה, אתה יכול להתווכח על כמה הפרמטרים רחבים או צרים. עם זאת, הרעיון שיש לקשר בין אינטליגנציה ליכולת לנווט בעולם האמיתי הוא מסקרן. זה גם אחד שפרויקט מחקר חדש מבקש לבדוק.

בניית עולמות

"בשנים האחרונות, ה-A.I. הקהילה עשתה צעדי ענק באימון A.I. סוכנים לבצע משימות מורכבות", לוקה וויהס, מדען מחקר ב-Allen Institute for AI, מעבדת בינה מלאכותית שהוקמה על ידי מייסד מיקרוסופט המנוח פול אלן, סיפר ל-Digital Trends.

Weihs ציטט את הפיתוח של DeepMind של A.I. סוכנים שמסוגלים ללמוד לשחק במשחקי Atari קלאסיים ו לנצח שחקנים אנושיים בגו. עם זאת, Weihs ציין כי המשימות הללו "מנותקות לעתים קרובות" מהעולם שלנו. הצג תמונה של העולם האמיתי ל-A.I. מאומן לשחק משחקי אטארי, ולא יהיה לו מושג על מה הוא מסתכל. כאן, חוקרי מכון אלן מאמינים שיש להם מה להציע.

מכון אלן ל-A.I. בנה משהו כמו אימפריית נדל"ן. אבל זה לא נדל"ן פיזי, עד כמה שזה נדל"ן וירטואלי. היא פיתחה מאות חדרים ודירות וירטואליים - כולל מטבחים, חדרי שינה, חדרי רחצה וחדרי מגורים - שבהם A.I. סוכנים יכולים ליצור אינטראקציה עם אלפי אובייקטים. חללים אלה מתהדרים בפיזיקה מציאותית, תמיכה במספר סוכנים, ואפילו מצבים כמו חם וקר. בכך שנתן ל-A.I. סוכנים משחקים בסביבות אלה, הרעיון הוא שהם יכולים לבנות תפיסה מציאותית יותר של העולם.

"בעבודה [החדשה שלנו] רצינו להבין כיצד A.I. סוכנים יכולים ללמוד על סביבה מציאותית על ידי משחק אינטראקטיבי בתוכה", אמר Weihs. "כדי לענות על השאלה הזו, אימנו שני סוכנים לשחק Cache, גרסה של מחבואים, תוך שימוש בלימוד חיזוק יריב במסגרת הנאמנות הגבוהה סביבת AI2-THOR. דרך המשחק הזה, גילינו שהסוכנים שלנו למדו לייצג תמונות בודדות, תוך התקרבות לביצועים של שיטות דורש מיליוני תמונות עם תווית יד - ואפילו החלו לפתח כמה פרימיטיבים קוגניטיביים שנחקרו לעתים קרובות על ידי [התפתחותית] פסיכולוגים."

חוקי המשחק

בניגוד למחבואים רגילים, ב-Cache, הבוטים מסתירים בתורו חפצים כמו בוכנות אסלה, כיכרות לחם, עגבניות ועוד, שכל אחד מהם מתהדר בגיאומטריה האישית שלו. שני הסוכנים - אחד מסתיר, השני מחפש - אז מתחרים כדי לראות אם אחד מצליח להסתיר את החפץ מהאחר. זה כרוך במספר אתגרים, כולל חקר ומיפוי, הבנת פרספקטיבה, הסתרה, מניפולציה של אובייקטים וחיפוש. הכל מדומה בצורה מדויקת, אפילו עד לדרישה שהמסתיר יוכל לתמרן את החפץ שבידו ולא להפיל אותו.

שימוש בלמידת חיזוק עמוק - פרדיגמת למידת מכונה המבוססת על למידה לנקוט בפעולות ב- סביבה כדי למקסם את התגמול - הבוטים משתפרים יותר ויותר בהסתרת החפצים, כמו גם בחיפושים הם החוצה.

"מה שמקשה כל כך על A.I.s זה שהם לא רואים את העולם כמונו", אמר Weihs. "מיליארדי שנים של אבולוציה גרמו לכך שגם כתינוקות, המוח שלנו מתרגם ביעילות פוטונים למושגים. מצד שני, A.I. מתחיל מאפס ורואה את העולם שלו כרשת ענקית של מספרים שאותה עליו ללמוד לפענח למשמעות. יתרה מכך, שלא כמו בשחמט, שבו העולם כלול בצורה מסודרת ב-64 ריבועים, כל תמונה שראה הסוכן לוכדת רק פרוסה קטנה של הסביבה, ולכן עליה לשלב את התצפיות שלה לאורך זמן כדי ליצור הבנה קוהרנטית של עוֹלָם."

שיהיה ברור, העבודה האחרונה הזו לא עוסקת בבניית A.I סופר אינטליגנטי. בסרטים כמו קטלנית 2: יום הדין, מחשב העל Skynet משיג מודעות עצמית בדיוק בשעה 2:14 לפנות בוקר שעון המזרח ב-29 באוגוסט 1997. למרות התאריך, כעת כמעט רבע מאה במראה האחורית הקולקטיבית שלנו, לא סביר שתהיה נקודת מפנה כה מדויקת כאשר A.I. הופך ל-AGI. במקום זאת, יותר ויותר פירות חישוביים - תלויים נמוך ותלויים גבוהים - ייקטפו עד שלבסוף יהיה לנו משהו שמתקרב לאינטליגנציה כללית על פני מספר תחומים.

דברים קשים הם קלים, דברים קלים הם קשים

חוקרים נמשכו באופן מסורתי לבעיות מורכבות עבור A.I. לפתור בהתבסס על הרעיון שאם ניתן למיין את הבעיות הקשות, הקלות לא צריכות להיות יותר מדי מאחור. אם אתה יכול לדמות את קבלת ההחלטות של מבוגר, יכולים רעיונות כמו קביעות אובייקט (הרעיון שחפצים עדיין קיימים כשאיננו יכולים לראות אותם) שילד לומד במהלך החודשים הראשונים לחייו באמת מוכיחים זאת קָשֶׁה? התשובה היא כן - והפרדוקס הזה שכאשר מדובר ב-A.I דברים קשים הם לרוב קלים, והדברים הקלים הם קשים, האם עבודה כמו זו מתכוונת לטפל.

"הפרדיגמה הנפוצה ביותר לאימון A.I. סוכנים [כרוכים] מערכי נתונים ענקיים עם תווית ידנית הממוקדים במשימה אחת - למשל, זיהוי אובייקטים", אמר Weihs. "למרות שגישה זו זכתה להצלחה רבה, אני חושב שזה אופטימי להאמין שאנחנו יכולים ליצור ידנית מספיק מערכי נתונים כדי לייצר A.I. סוכן שיכול לפעול בצורה מושכלת בעולם האמיתי, לתקשר עם בני אדם ולפתור כל מיני בעיות שהוא לא נתקל בהן בעבר. כדי לעשות זאת, אני מאמין שנצטרך לתת לסוכנים ללמוד את הפרימיטיבים הקוגניטיביים הבסיסיים שאנו מקבלים כמובנים מאליהם על ידי מתן אפשרות לאינטראקציה חופשית עם העולם שלהם. העבודה שלנו מראה ששימוש במשחק כדי להניע A.I. סוכנים לתקשר איתם ולחקור את עולמם מביאים לכך שהם מתחילים ללמוד הפרימיטיבים האלה - ובכך מראה שמשחקיות היא כיוון מבטיח הרחק ממערכי נתונים מסומנים ידנית לכיוון חווייתי לְמִידָה."

א נייר המתאר את העבודה הזו יוצג בכנס הבינלאומי הקרוב לשנת 2021 על ייצוגי למידה.

המלצות עורכים

• אשליות אופטיות יכולות לעזור לנו לבנות את הדור הבא של AI
• הנוסחה המצחיקה: מדוע הומור שנוצר על ידי מכונה הוא הגביע הקדוש של A.I.
• קרא את 'הכתב הסינטטי' היפה להחריד של א.י. שחושב שזה אלוהים
• ארכיטקטורה אלגוריתמית: האם לתת ל-A.I. לעצב לנו מבנים?
• חישת רגשות א.י. נמצא כאן, וזה יכול להיות בראיון העבודה הבא שלך