Hvorfor forskere lærer roboter å leke gjemsel

Kunstig generell intelligens, ideen om en intelligent A.I. agent som er i stand til å forstå og lære enhver intellektuell oppgave som mennesker kan gjøre, har lenge vært en del av science fiction. Som A.I. blir smartere og smartere - spesielt med gjennombrudd innen maskinlæringsverktøy som er i stand til å omskrive sine kode for å lære av nye erfaringer – det er i økende grad en del av ekte kunstig intelligens-samtaler som vi vil.

Men hvordan måler vi AGI når den kommer? I løpet av årene har forskere lagt frem en rekke muligheter. Den mest kjente er Turing-testen, der en menneskelig dommer samhandler, usynlig, med både mennesker og en maskin, og må prøve å gjette hvilken som er hvilken. To andre, Ben Goertzels Robot College Student Test og Nils J. Nilssons Employment Test, prøv å praktisk talt teste en A.I.s evner ved å se om den kan oppnå en høyskolegrad eller utføre arbeidsplasser. En annen, som jeg personlig skulle elske å avslå, antyder at intelligens kan måles ved den vellykkede evnen til å sette sammen flatpakkemøbler i Ikea-stil uten problemer.

Et av de mest interessante AGI-tiltakene ble fremmet av Apples medgründer Steve Wozniak. Woz, som han er kjent for venner og beundrere, foreslår kaffetesten. En generell intelligens, sa han, ville bety en robot som er i stand til å gå inn i ethvert hus i verden, lokalisere kjøkkenet, brygge opp en fersk kopp kaffe og deretter helle den i et krus.

Som med alle A.I. intelligenstest, kan du krangle om hvor brede eller smale parametrene er. Ideen om at intelligens skal knyttes til en evne til å navigere gjennom den virkelige verden er imidlertid spennende. Det er også en som et nytt forskningsprosjekt prøver å teste ut.

Bygge verdener

«I de siste årene har A.I. samfunnet har gjort store fremskritt i å trene A.I. agenter til å utføre komplekse oppgaver» Luca Weihs, fortalte en forsker ved Allen Institute for AI, et kunstig intelligenslaboratorium grunnlagt av den avdøde Microsoft-grunnleggeren Paul Allen, til Digital Trends.

Weihs siterte DeepMinds utvikling av A.I. agenter som er i stand til å lære seg spill klassiske Atari-spill og slå menneskelige spillere på Go. Weihs bemerket imidlertid at disse oppgavene er "ofte løsrevet" fra vår verden. Vis et bilde av den virkelige verden til en A.I. trent til å spille Atari-spill, og den har ingen anelse om hva den ser på. Det er her Allen Institute-forskerne tror de har noe å tilby.

Allen Institute for A.I. har bygget opp noe av et eiendomsimperium. Men dette er ikke fysisk eiendom, så mye som det er virtuell eiendom. Det har utviklet hundrevis av virtuelle rom og leiligheter – inkludert kjøkken, soverom, bad og stuer – der A.I. agenter kan samhandle med tusenvis av objekter. Disse områdene kan skilte med realistisk fysikk, støtte for flere agenter og til og med tilstander som varmt og kaldt. Ved å la A.I. agenter spiller i disse miljøene, er tanken at de kan bygge opp en mer realistisk oppfatning av verden.

«I [vårt nye] arbeid ønsket vi å forstå hvordan A.I. agenter kan lære om et realistisk miljø ved å spille et interaktivt spill i det, sa Weihs. "For å svare på dette spørsmålet trente vi opp to agenter til å spille Cache, en variant av gjemsel, ved å bruke motstandsdyktig forsterkende læring innenfor høytroskap. AI2-THOR miljø. Gjennom denne spillingen fant vi ut at agentene våre lærte å representere individuelle bilder, og nærmet seg ytelsen til metoder krever millioner av håndmerkede bilder - og begynte til og med å utvikle noen kognitive primitiver ofte studert av [utviklings] psykologer."

Spilleregler

I motsetning til vanlig gjemsel, i Cache, bytter robotene på å gjemme gjenstander som toalettstempler, brød, tomater og mer, som hver har sin egen individuelle geometri. De to agentene - den ene en skjuler, den andre en søker - konkurrerer så for å se om den ene klarer å skjule objektet for den andre. Dette innebærer en rekke utfordringer, inkludert utforskning og kartlegging, forståelse av perspektiv, gjemming, objektmanipulering og søking. Alt er nøyaktig simulert, helt ned til kravet om at skjuleren skal kunne manipulere objektet i hånden og ikke slippe det.

Bruk av dyp forsterkende læring - et maskinlæringsparadigme basert på å lære å utføre handlinger i en miljø for å maksimere belønningen — robotene blir bedre og bedre til å skjule objektene, samt å søke de ut.

"Det som gjør dette så vanskelig for A.I.s er at de ikke ser verden slik vi gjør," sa Weihs. «Milliarder av år med evolusjon har gjort det slik at selv som spedbarn, oversetter hjernen vår effektivt fotoner til konsepter. På den annen side har en A.I. starter fra bunnen av og ser sin verden som et stort rutenett av tall som den så må lære seg å avkode til mening. Dessuten, i motsetning til i sjakk, hvor verden er pent inneholdt i 64 ruter, fanger hvert bilde som er sett av agenten bare en liten del av miljøet, og derfor må det integrere sine observasjoner gjennom tiden for å danne en sammenhengende forståelse av verden."

For å være tydelig, handler ikke dette siste arbeidet om å bygge en superintelligent A.I. I filmer som Terminator 2: Judgment Day, oppnår Skynet-superdatamaskinen selvbevissthet nøyaktig klokken 02.14 Eastern Time 29. august 1997. Til tross for datoen, nå nesten et kvart århundre i vårt kollektive bakspeil, virker det usannsynlig at det vil være et så presist vippepunkt når vanlig A.I. blir AGI. I stedet vil flere og flere beregningsmessige frukter – lavthengende og høythengende – plukkes til vi endelig har noe som nærmer seg en generalisert intelligens på tvers av flere domener.

Vanskelige ting er enkelt, enkle ting er vanskelige

Forskere har tradisjonelt gravitert mot komplekse problemer for A.I. å løse basert på ideen om at hvis de vanskelige problemene kan løses, bør de enkle ikke være for langt bak. Hvis du kan simulere beslutningstakingen til en voksen, kan ideer som objektpermanens (ideen om at objekter fortsatt eksisterer når vi ikke kan se dem) som et barn lærer i løpet av de første månedene av sitt liv, beviser virkelig det vanskelig? Svaret er ja - og dette paradokset at når det gjelder A.I vanskelige ting er ofte lett, og de enkle tingene er vanskelige, er hva arbeid som dette tar sikte på.

"Det vanligste paradigmet for trening av A.I. agenter [involverer] enorme, manuelt merkede datasett som er snevert fokusert på en enkelt oppgave - for eksempel gjenkjenne objekter," sa Weihs. "Selv om denne tilnærmingen har hatt stor suksess, tror jeg det er optimistisk å tro at vi manuelt kan lage nok datasett til å produsere en A.I. agent som kan handle intelligent i den virkelige verden, kommunisere med mennesker og løse alle slags problemer som den ikke har møtt før. For å gjøre dette tror jeg at vi må la agenter lære de grunnleggende kognitive primitivene vi tar for gitt ved å la dem fritt samhandle med sin verden. Arbeidet vårt viser at bruk av spill for å motivere A.I. agenter å samhandle med og utforske sin verden resulterer i at de begynner å lære disse primitivene — og viser dermed at spillingen er en lovende retning bort fra manuelt merket datasett og mot erfaringsbasert læring.»

EN papir som beskriver dette arbeidet vil bli presentert på den kommende internasjonale konferansen om læringsrepresentasjoner i 2021.

Redaktørenes anbefalinger

• Optiske illusjoner kan hjelpe oss med å bygge neste generasjon AI
• Den morsomme formelen: Hvorfor maskingenerert humor er den hellige gral til A.I.
• Les den uhyggelig vakre 'syntetiske skriften' til en A.I. som tror det er Gud
• Algoritmisk arkitektur: Bør vi la A.I. designe bygninger for oss?
• Følelsesfølende A.I. er her, og det kan være i ditt neste jobbintervju