Kāpēc zinātnieki māca robotiem spēlēt paslēpes

Mākslīgais vispārējais intelekts, ideja par inteliģentu A.I. aģents, kas spēj saprast un apgūt jebkuru intelektuālu uzdevumu, ko var veikt cilvēki, jau sen ir zinātniskās fantastikas sastāvdaļa. Kā norāda A.I. kļūst arvien gudrāks un gudrāks — īpaši ar sasniegumiem mašīnmācības rīkos, kas spēj pārrakstīt savus kods, lai mācītos no jaunas pieredzes — tas arvien plašāk kļūst par daļu no īstām mākslīgā intelekta sarunām kā labi.

Bet kā mēs izmērām AGI, kad tas pienāk? Gadu gaitā pētnieki ir izstrādājuši vairākas iespējas. Slavenākais joprojām ir Tjūringa tests, kurā cilvēka tiesnesis mijiedarbojas ar neredzamu skatu gan ar cilvēkiem, gan ar mašīnu, un viņam ir jāmēģina un jāuzmin, kurš ir kurš. Divi citi, Bena Gērcela Robotu koledžas studentu tests un Nils Dž. Nilsson's Employment Test, cenšas praktiski pārbaudīt A.I. spējas, pārbaudot, vai tas varētu iegūt koledžas grādu vai veikt darbu darba vietā. Vēl viens, ko es personīgi vēlētos samazināt, norāda, ka inteliģenci var mērīt pēc veiksmīgas spējas bez problēmām salikt Ikea stila plakanas mēbeles.

Vienu no interesantākajiem AGI pasākumiem izvirzīja Apple līdzdibinātājs Stīvs Vozņaks. Vozs, kā viņu pazīst draugi un cienītāji, iesaka kafijas testu. Viņš teica, ka vispārējs intelekts nozīmētu robotu, kas spēj iekļūt jebkurā pasaules mājā, atrast virtuvi, uzvārīt svaigu tasi kafijas un pēc tam ieliet to krūzē.

Tāpat kā ar katru A.I. intelekta tests, jūs varat strīdēties par to, cik plaši vai šauri ir parametri. Tomēr ideja, ka intelekts ir jāsaista ar spēju orientēties reālajā pasaulē, ir intriģējoša. Tas ir arī viens, ko vēlas pārbaudīt jauns pētniecības projekts.

Veidojot pasaules

"Pēdējos gados A.I. sabiedrība ir guvusi milzīgus panākumus, apmācot A.I. aģenti, lai veiktu sarežģītus uzdevumus. Lūka Veihs, pētnieks Alena AI institūtā, mākslīgā intelekta laboratorijā, kuru dibināja vēlais Microsoft līdzdibinātājs Pols Allens, pastāstīja Digital Trends.

Veihs minēja DeepMind izstrādāto A.I. aģenti, kas spēj mācīties spēlēt klasiskās Atari spēles un pārspēt cilvēku spēlētājus pie Go. Tomēr Veihs atzīmēja, ka šie uzdevumi “bieži vien ir atdalīti” no mūsu pasaules. Parādiet reālās pasaules attēlu A.I. apmācīts spēlēt Atari spēles, un tam nebūs ne jausmas, ko tas skatās. Tieši šeit Allena institūta pētnieki uzskata, ka viņiem ir ko piedāvāt.

Allena institūts A.I. ir izveidojis kaut ko līdzīgu nekustamo īpašumu impērijai. Bet tas nav fizisks nekustamais īpašums, bet gan virtuāls nekustamais īpašums. Tas ir izstrādājis simtiem virtuālu istabu un dzīvokļu, tostarp virtuves, guļamistabas, vannas istabas un dzīvojamās istabas, kurās A.I. aģenti var mijiedarboties ar tūkstošiem objektu. Šīs telpas lepojas ar reālistisku fiziku, atbalstu vairākiem aģentiem un pat tādiem stāvokļiem kā karsts un auksts. Ļaujot A.I. aģenti spēlē šajās vidēs, ideja ir tāda, ka viņi var veidot reālistiskāku pasaules uztveri.

“[Mūsu jaunajā] darbā mēs vēlējāmies saprast, kā A.I. aģenti varētu uzzināt par reālistisku vidi, spēlējot tajā interaktīvu spēli, ”sacīja Veihs. "Lai atbildētu uz šo jautājumu, mēs apmācījām divus aģentus spēlēt kešatmiņu, kas ir paslēpes variants, izmantojot pretinieku pastiprināšanas mācīšanos augstas precizitātes ietvaros. AI2-THOR vide. Izmantojot šo spēli, mēs atklājām, ka mūsu aģenti iemācījās attēlot atsevišķus attēlus, tuvojoties metožu veiktspējai bija nepieciešami miljoniem ar roku marķētu attēlu — un pat sāka attīstīt dažus kognitīvos primitīvus, kurus bieži pētīja [attīstības] psihologi."

Spēles noteikumi

Atšķirībā no parastajām paslēpēm kešatmiņā robotprogrammatūras pēc kārtas slēpj objektus, piemēram, tualetes virzuļus, maizes klaipus, tomātus un citus objektus, kuriem katram ir sava individuālā ģeometrija. Abi aģenti - viens slēpnis, otrs meklētājs - sacenšas, vai viens var veiksmīgi paslēpt objektu no otra. Tas ietver vairākus izaicinājumus, tostarp izpēti un kartēšanu, perspektīvas izpratni, slēpšanu, manipulācijas ar objektu un meklēšanu. Viss ir precīzi simulēts, pat līdz prasībai, ka slēpotājam ir jāspēj manipulēt ar priekšmetu, kas atrodas rokā, nevis nomest to.

Padziļinātas pastiprināšanas mācīšanās izmantošana — mašīnmācīšanās paradigma, kuras pamatā ir mācīšanās veikt darbības vide, lai maksimāli palielinātu atlīdzību — robotprogrammatūra arvien labāk paslēpj objektus, kā arī meklē tos ārā.

"Tas padara A.I.s tik sarežģītu tas, ka viņi neredz pasauli tā, kā mēs," sacīja Veihs. “Miljardiem gadu ilgas evolūcijas rezultātā mūsu smadzenes, pat būdami zīdaiņiem, efektīvi pārvērš fotonus jēdzienos. No otras puses, A.I. sāk no nulles un uztver savu pasauli kā milzīgu skaitļu režģi, kas pēc tam jāiemācās atšifrēt nozīmi. Turklāt atšķirībā no šaha, kur pasaule ir glīti ietverta 64 lauciņos, katrs aģenta redzētais attēls tver tikai maza vides daļa, un tāpēc tai ir jāintegrē novērojumi laika gaitā, lai veidotu saskaņotu izpratni par pasaule.”

Lai būtu skaidrs, šis jaunākais darbs nav par īpaši inteliģentas A.I. Tādās filmās kā Terminators 2: Tiesas diena, Skynet superdators sasniedz pašapziņu tieši pulksten 2.14 pēc austrumu laika 1997. gada 29. augustā. Neatkarīgi no datuma, kas tagad ir gandrīz ceturtdaļgadsimts mūsu kolektīvajā atpakaļskata spogulī, šķiet maz ticams, ka būs tik precīzs lūzuma punkts, kad parastais A.I. kļūst par AGI. Tā vietā tiks plūkts arvien vairāk skaitļošanas augļu — zemu un augstu karājošo —, līdz beidzot mums būs kaut kas, kas tuvosies vispārinātam intelektam vairākās jomās.

Cietas lietas ir vieglas, vieglas ir smagas

Pētnieki tradicionāli ir pievērsušies sarežģītām problēmām A.I. atrisināt, balstoties uz domu, ka, ja sarežģītās problēmas var atrisināt, vieglākajām nevajadzētu pārāk tālu atpalikt. Ja jūs varat simulēt pieauguša cilvēka lēmumu pieņemšanu, tad tādas idejas kā objekta pastāvība (ideja, ka objekti joprojām pastāv, kad mēs tos nevaram redzēt), ka bērns uzzina dažu pirmo dzīves mēnešu laikā, tas patiešām pierāda grūti? Atbilde ir jā — un šis paradokss, ka, runājot par A.I., smagas lietas bieži ir vienkāršas, un vieglas lietas ir smagas, ir paredzēts, lai risinātu tādu darbu kā šis.

“Visizplatītākā A.I. apmācības paradigma. aģenti [ietver] milzīgas, manuāli marķētas datu kopas, kas šauri fokusētas uz vienu uzdevumu, piemēram, objektu atpazīšanu, ”sacīja Veihs. "Lai gan šai pieejai ir bijuši lieli panākumi, es domāju, ka ir optimistiski uzskatīt, ka mēs varam manuāli izveidot pietiekami daudz datu kopu, lai radītu A.I. aģents, kas var gudri rīkoties reālajā pasaulē, sazināties ar cilvēkiem un atrisināt visas problēmas, ar kurām tas iepriekš nav saskāries. Lai to izdarītu, es uzskatu, ka mums būs jāļauj aģentiem apgūt fundamentālās kognitīvās primitīvas, kuras mēs uzskatām par pašsaprotamām, ļaujot viņiem brīvi mijiedarboties ar savu pasauli. Mūsu darbs liecina, ka, izmantojot spēli, lai motivētu A.I. aģenti, kas mijiedarbojas ar un izpēta savu pasauli, dod viņiem iespēju mācīties šie primitīvie — un tādējādi parāda, ka spēle ir daudzsološs virziens prom no manuāli abeled datu kopām un uz pieredzi mācīšanās.”

A papīrs, kurā aprakstīts šis darbs tiks prezentēts gaidāmajā 2021. gada starptautiskajā konferencē par mācīšanās reprezentācijām.

Redaktoru ieteikumi

• Optiskās ilūzijas varētu palīdzēt mums izveidot nākamās paaudzes AI
• Smieklīgā formula: kāpēc mašīnu radīts humors ir A.I. svētais grāls?
• Izlasiet šausminoši skaisto A.I. — sintētisko rakstu pantu. kas domā, ka tas ir Dievs
• Algoritmiskā arhitektūra: vai mums vajadzētu ļaut A.I. projektēt ēkas mums?
• Emociju sensors A.I. ir šeit, un tas varētu būt jūsu nākamajā darba intervijā