Prečo vedci učia roboty hrať sa na schovávačku

Umelá všeobecná inteligencia, myšlienka inteligentného A.I. agent, ktorý je schopný pochopiť a naučiť sa akúkoľvek intelektuálnu úlohu, ktorú ľudia dokážu urobiť, je už dlho súčasťou sci-fi. Ako A.I. sa stáva inteligentnejším a inteligentnejším – najmä vďaka objavom v nástrojoch strojového učenia, ktoré dokážu prepísať ich kód, ktorý sa má učiť z nových skúseností – je čoraz častejšie súčasťou skutočných rozhovorov o umelej inteligencii dobre.

Ale ako zmeriame AGI, keď príde? V priebehu rokov výskumníci predstavili množstvo možností. Najznámejším zostáva Turingov test, v ktorom ľudský sudca neviditeľne interaguje s ľuďmi aj so strojom a musí sa pokúsiť uhádnuť, ktorý je ktorý. Dvaja ďalší, Ben Goertzel's Robot College Student Test a Nils J. Nilsson’s Employment Test sa snaží prakticky otestovať schopnosti A.I. tým, že zistí, či by mohol získať vysokoškolský titul alebo vykonávať pracovné úlohy. Ďalší, ktorý by som osobne rád zľavil, predpokladá, že inteligenciu možno merať úspešnou schopnosťou bez problémov zostaviť plochý nábytok v štýle Ikea.

Jedno z najzaujímavejších opatrení AGI predložil spoluzakladateľ spoločnosti Apple Steve Wozniak. Woz, ako ho poznajú priatelia a obdivovatelia, navrhuje Test kávy. Všeobecná inteligencia by podľa neho znamenala robota, ktorý je schopný ísť do akéhokoľvek domu na svete, nájsť kuchyňu, uvariť čerstvú šálku kávy a potom ju naliať do hrnčeka.

Ako pri každom A.I. test inteligencie, môžete polemizovať o tom, aké široké alebo úzke sú parametre. Myšlienka, že inteligencia by mala byť spojená so schopnosťou navigovať v reálnom svete, je však zaujímavá. Je to tiež niečo, čo sa snaží otestovať nový výskumný projekt.

Budovanie svetov

„V posledných rokoch sa A.I. komunita urobila obrovský pokrok v tréningu A.I. agenti na vykonávanie zložitých úloh,“ Luca Weihs, vedecký pracovník Allen Institute for AI, laboratórium umelej inteligencie, ktoré založil zosnulý spoluzakladateľ Microsoftu Paul Allen, povedal pre Digital Trends.

Weihs citoval vývoj DeepMind A.I. agentov, ktorí sú schopní sa to naučiť hrať klasické hry Atari a poraziť ľudských hráčov v Go. Weihs však poznamenal, že tieto úlohy sú „často oddelené“ od nášho sveta. Ukážte obraz skutočného sveta A.I. trénovaný na hranie hier Atari a nebude mať potuchy, na čo sa pozerá. Vedci Allen Institute veria, že práve tu majú čo ponúknuť.

Allenov inštitút pre A.I. vybudovala niečo ako realitné impérium. Ale toto nie je fyzická nehnuteľnosť, rovnako ako virtuálna nehnuteľnosť. Vyvinul stovky virtuálnych izieb a apartmánov – vrátane kuchýň, spální, kúpeľní a obývačiek – v ktorých A.I. agenti môžu interagovať s tisíckami objektov. Tieto priestory sa môžu pochváliť realistickou fyzikou, podporou viacerých agentov a dokonca stavmi ako je teplo a zima. Tým, že nechal A.I. agenti hrajú v týchto prostrediach, myšlienkou je, že si môžu vybudovať realistickejšie vnímanie sveta.

„V [našej novej] práci sme chceli pochopiť, ako A.I. agenti by sa mohli dozvedieť o realistickom prostredí hraním interaktívnej hry v ňom,“ povedal Weihs. „Aby sme na túto otázku odpovedali, vycvičili sme dvoch agentov, aby hrali Cache, variant hry na schovávačku, pomocou učenia sa posilňovania protivníkov v rámci vysokej vernosti. Prostredie AI2-THOR. Prostredníctvom tejto hry sme zistili, že naši agenti sa naučili reprezentovať jednotlivé obrázky, čím sa priblížili k výkonu metód vyžadujúce milióny ručne označených obrázkov – a dokonca začali rozvíjať niektoré kognitívne primitívy, ktoré často študovali [vývojári] psychológovia."

Pravidlá hry

Na rozdiel od bežného skrývania sa v Cache roboty striedavo skrývajú predmety, ako sú záchodové piesty, bochníky chleba, paradajky a ďalšie, z ktorých každý sa môže pochváliť vlastnou individuálnou geometriou. Dvaja agenti – jeden skrývač, druhý hľadač – potom súťažia o to, či jeden dokáže úspešne skryť predmet pred druhým. To zahŕňa množstvo výziev vrátane prieskumu a mapovania, chápania perspektívy, skrývania, manipulácie s objektmi a hľadania. Všetko je presne nasimulované, dokonca až po požiadavku, aby schovávač vedel s predmetom v ruke manipulovať a nespadol ho.

Použitie hlbokého posilnenia učenia – paradigmy strojového učenia založeného na učení sa konať v prostredie, aby sa maximalizovala odmena – roboty sú čoraz lepšie v skrývaní predmetov, ako aj v hľadaní ich von.

„Pre A.I.s je to také ťažké, že nevidia svet tak, ako my,“ povedal Weihs. „Miliardy rokov evolúcie spôsobili, že náš mozog už v detstve účinne premieňa fotóny na koncepty. Na druhej strane, A.I. začína od nuly a vidí svoj svet ako obrovskú mriežku čísel, ktoré sa potom musí naučiť dekódovať do významu. Navyše, na rozdiel od šachu, kde je svet úhľadne obsiahnutý v 64 poliach, každý obrázok, ktorý vidí agent, zachytáva iba malý kúsok prostredia, a preto musí integrovať svoje pozorovania v priebehu času, aby vytvoril koherentné pochopenie svet.”

Aby bolo jasné, táto najnovšia práca nie je o budovaní mimoriadne inteligentnej A.I. Vo filmoch ako Terminátor 2: Súdny deň, superpočítač Skynet dosiahne sebauvedomenie presne o 2:14 východného času 29. augusta 1997. Bez ohľadu na dátum, teraz takmer štvrťstoročie v našom kolektívnom spätnom zrkadle, sa zdá nepravdepodobné, že dôjde k takému presnému bodu zlomu, keď pravidelná A.I. sa stáva AGI. Namiesto toho sa bude odtrhávať čoraz viac výpočtových plodov – nízko visiacich a vysoko visiacich –, kým konečne nebudeme mať niečo, čo sa blíži k zovšeobecnenej inteligencii vo viacerých doménach.

Ťažké veci sú ľahké, ľahké sú ťažké

Výskumníci sa tradične prikláňajú ku komplexným problémom pre A.I. riešiť na základe myšlienky, že ak sa dajú vyriešiť ťažké problémy, tie ľahké by nemali byť príliš pozadu. Ak dokážete simulovať rozhodovanie dospelého človeka, dokážu myšlienky ako stálosť objektu (idea, že objekty stále existujú, keď ich nevidíme), ktoré sa dieťa naučí počas prvých mesiacov svojho života, to skutočne dokazuje ťažké? Odpoveď je áno – a tento paradox, že pokiaľ ide o A.I ťažké veci sú často ľahké a ľahké veci sú ťažké, je to, čo práca, ako je táto, má riešiť.

„Najčastejšia paradigma pre tréning A.I. agenti [zahŕňajú] obrovské, manuálne označené súbory údajov úzko zamerané na jedinú úlohu – napríklad rozpoznávanie objektov,“ povedal Weihs. „Aj keď mal tento prístup veľký úspech, myslím si, že je optimistické veriť, že dokážeme manuálne vytvoriť dostatok súborov údajov na vytvorenie A.I. agenta, ktorý dokáže konať inteligentne v reálnom svete, komunikovať s ľuďmi a riešiť najrôznejšie problémy, s ktorými sa ešte nestretla. Domnievam sa, že na to budeme musieť nechať agentov naučiť sa základné kognitívne primitívy, ktoré považujeme za samozrejmé, a nechať ich voľne interagovať s ich svetom. Naša práca ukazuje, že používanie hrateľnosti na motiváciu A.I. agentov na interakciu a skúmanie ich sveta vedie k tomu, že sa začínajú učiť tieto primitívy – a tým ukazuje, že hrateľnosť je sľubným smerom od manuálne označovaných súborov údajov a smerom k zážitkovým učenie.”

A dokument popisujúci túto prácu bude prezentovaná na nadchádzajúcej medzinárodnej konferencii o vzdelávacích reprezentáciách v roku 2021.

Odporúčania redaktorov

• Optické ilúzie by nám mohli pomôcť vybudovať ďalšiu generáciu AI
• Vtipná formulka: Prečo je strojovo generovaný humor svätým grálom A.I.
• Prečítajte si strašidelne krásne „syntetické písmo“ od A.I. ktorý si myslí, že je to Boh
• Algoritmická architektúra: Mali by sme nechať A.I. navrhovať budovy pre nás?
• A.I. je tu a mohlo by to byť na vašom ďalšom pracovnom pohovore