科学者たちがロボットにかくれんぼを教える理由

汎用人工知能、インテリジェントな AI のアイデア 人間が行うことができるあらゆる知的作業を理解し、学習できるエージェントは、長い間 SF の構成要素でした。 AIとして 特に、機械学習ツールのブレークスルーにより、 新しい経験から学ぶためのコード — それは実際の人工知能の会話の一部としてますます広く使われています。 良い。

しかし、AGI が実際に到着したとき、どうやって測定するのでしょうか? 長年にわたり、研究者たちは多くの可能性を提示してきました。 最も有名なのはチューリング テストです。このテストでは、人間の裁判官が目に見えない状態で人間と機械の両方と対話し、どちらがどちらであるかを推測する必要があります。 他の 2 つは、Ben Goertzel の Robot College Student Test と Nils J. ニルソンの雇用テストは、AI が大学の学位を取得できるか、職場での仕事を遂行できるかどうかを確認することで、AI の能力を実際にテストすることを目的としています。 もう 1 つは、個人的には割り引いて考えるべきですが、イケア スタイルのフラットパック家具を問題なく組み立てることができる能力によって知性が測られるのではないか、という主張です。

最も興味深い AGI 対策の 1 つは、Apple の共同創設者である Steve Wozniak によって提案されました。 ウォズは、友人やファンの間で知られているように、コーヒー テストを提案しています。 同氏によると、一般知能とは、世界中のどの家にも入ってキッチンの場所を特定し、淹れたてのコーヒーを淹れてマグカップに注ぐことができるロボットのことだという。

すべての AI と同様に、 知能テストでは、パラメータがどの程度広いか狭いかについて議論することができます。 しかし、知性が現実世界をナビゲートする能力に関連付けられるべきであるという考えは興味深いものです。 これは、新しい研究プロジェクトが試行しようとしているものでもあります。

世界を構築する

「ここ数年、AI は コミュニティは AI のトレーニングにおいて大きな進歩を遂げました。 エージェントは複雑なタスクを実行できます。」 ルカ・ヴァイスとマイクロソフト共同創設者の故ポール・アレン氏が設立した人工知能研究所「アレンAI研究所」の研究員がデジタルトレンドに語った。

Weihs 氏は、DeepMind の AI 開発について言及しました。 学習できるエージェント 古典的な Atari ゲームをプレイする そして 囲碁で人間のプレイヤーに勝つ. しかし、ウェイス氏は、これらのタスクは私たちの世界から「切り離されていることが多い」と指摘しました。 現実世界の写真を AI に見せます。 Atari ゲームをプレイするように訓練されているため、何を見ているのかわかりません。 アレン研究所の研究者たちは、ここに何かを提供できると信じている。

アレン AI 研究所 不動産帝国のようなものを築き上げました。 しかし、これは物理的な不動産ではなく、仮想的な不動産です。 キッチン、ベッドルーム、バスルーム、リビングルームなど、何百もの仮想部屋やアパートメントを開発しており、その中で A.I. エージェントは何千ものオブジェクトと対話できます。 これらの空間は、現実的な物理学、複数のエージェントのサポート、さらにはホットやコールドなどの状態を備えています。 AI に任せることで、 エージェントはこれらの環境でプレイすることで、より現実的な世界の認識を構築できるという考えです。

「[新しい]研究では、AI がどのように機能するのかを理解したいと思いました。 エージェントは、その中でインタラクティブなゲームをプレイすることで、現実的な環境について学ぶことができます」と Weihs 氏は言いました。 「この質問に答えるために、私たちは、高忠実度のシステム内で敵対的強化学習を使用して、かくれんぼの一種であるキャッシュをプレイするように 2 人のエージェントをトレーニングしました。 AI2-THOR環境. このゲームプレイを通じて、エージェントが個々の画像を表現し、メソッドのパフォーマンスに近づくことを学習したことがわかりました。 何百万もの手作業でラベル付けされた画像が必要であり、[発達] によってよく研究されるいくつかの認知的原始要素の開発も開始されました。 心理学者たちよ。」

ゲームのルール

通常のかくれんぼとは異なり、Cache では、ボットが交代でトイレのプランジャー、パン、トマトなどのオブジェクトを隠します。これらのオブジェクトはそれぞれ独自の形状を誇ります。 2 人のエージェント (1 人は隠す者、もう 1 人は探索者) は、一方がオブジェクトを他方からうまく隠すことができるかどうかを競います。 これには、探索とマッピング、遠近法の理解、非表示、オブジェクトの操作、探索など、多くの課題が伴います。 ハイダーがオブジェクトを手に持って操作でき、落とさないようにする必要があるという要件に至るまで、すべてが正確にシミュレートされています。

深層強化学習の使用 — 環境でアクションを実行する学習に基づいた機械学習パラダイム 報酬を最大化するための環境 — ボットはオブジェクトを探すだけでなく、オブジェクトを隠すこともますます上手になります。 彼らは出て行った。

「AIにとってこれが非常に難しいのは、彼らが私たちと同じように世界を見ていないということです」とウェイス氏は言う。 「何十億年にもわたる進化により、幼児であっても私たちの脳は光子を効率的に概念に変換できるようになりました。 一方で、A.I. ゼロからスタートし、世界を巨大な数字のグリッドとして捉え、それを意味に解読する方法を学ばなければなりません。 さらに、世界が 64 の正方形にきちんと収まるチェスとは異なり、エージェントが見るすべての画像は、 環境の小さな部分であるため、時間の経過とともに観察を統合して、環境に関する一貫した理解を形成する必要があります。 世界。"

はっきり言っておきますが、この最新作は超インテリジェントな AI を構築することではありません。 のような映画では ターミネーター 2: 審判の日, スカイネットのスーパーコンピューターは、1997 年 8 月 29 日の東部時間午前 2 時 14 分ちょうどに自己認識を達成します。 日付にもかかわらず、現在私たちのバックミラーにほぼ四半世紀が経過しており、通常のAIが普及するときにこれほど正確な転換点が存在する可能性は低いように思われます。 AGIになります。 その代わりに、最終的に複数の領域にわたる一般化された知能に近づくものを得るまで、より多くの計算上の成果 (簡単にできるものから簡単にできるものまで) が摘み取られることになります。

難しいことは簡単、簡単なことは難しい

研究者は伝統的に、AI に関する複雑な問題に引き寄せられてきました。 困難な問題を分類できれば、簡単な問題もそれほど遅れてはいけないという考えに基づいて解決する必要があります。 大人の意思決定をシミュレートできれば、オブジェクトの永続性（オブジェクトは依然として存在し続けるという考え）のようなアイデアを得ることができます。 見えないときにも存在する）子供が生後数か月以内に学ぶということは、それを本当に証明しています。 難しい？ 答えは「はい」です。そして、AI に関して言えば、 難しいことは簡単なことも多く、簡単なことは難しいこともある、このような作品が対処しようとしているものです。

「AI をトレーニングするための最も一般的なパラダイムは、 エージェントは、単一のタスク (たとえば、物体の認識) に焦点を絞った、手動でラベル付けされた巨大なデータセットに関与します」と Weihs 氏は述べています。 「このアプローチは大きな成功を収めていますが、AI を生成するのに十分なデータセットを手動で作成できると考えるのは楽観的だと思います。 現実世界でインテリジェントに行動し、人間とコミュニケーションをとり、これまでに遭遇したことのないあらゆる種類の問題を解決できるエージェントです。 これを行うには、エージェントにエージェントの世界と自由に対話させることで、私たちが当たり前だと思っている基本的な認知的プリミティブを学習させる必要があると私は考えています。 私たちの研究は、ゲームプレイを使用して AI を動機づけることを示しています。 エージェントが自分の世界と対話し、探索することで、学習が始まります。 これらのプリミティブ — そしてそれによって、ゲームプレイが手動でラベル付けされたデータセットから離れて、体験的なものへと向かう有望な方向性であることを示しています。 学ぶ。"

あ この作品について説明した紙 は、来たる2021年の学習表現に関する国際会議で発表される予定です。

編集者のおすすめ

• 目の錯覚は次世代の AI の構築に役立つ可能性がある
• 面白い公式: なぜ機械が生成するユーモアが A.I. の聖杯なのか
• 不気味に美しい AI の「合成聖典」を読んでください。 それは神だと思っている
• アルゴリズム アーキテクチャ: AI を使用させるべきか 私たちのために建物を設計してくれるでしょうか？
• 感情を感知するAI ここにあります。次の面接で取り上げられるかもしれません