Zakaj znanstveniki učijo robote igrati skrivalnice

Umetna splošna inteligenca, ideja o inteligentnem A.I. agent, ki je sposoben razumeti in se naučiti katere koli intelektualne naloge, ki jo lahko opravijo ljudje, je že dolgo del znanstvene fantastike. Kot A.I. postaja pametnejši in pametnejši – zlasti s preboji v orodjih za strojno učenje, ki lahko prepišejo svoje kodo za učenje iz novih izkušenj – vse bolj je del resničnih pogovorov o umetni inteligenci, dobro.

Toda kako izmerimo AGI, ko prispe? Z leti so raziskovalci predstavili številne možnosti. Najbolj znan ostaja Turingov test, pri katerem človeški sodnik nevidno komunicira z ljudmi in strojem ter mora poskušati uganiti, kateri je kateri. Dva druga, študentski test Robot College Bena Goertzela in Nils J. Nilssonov zaposlitveni test poskuša praktično preizkusiti sposobnosti umetne inteligence tako, da ugotovi, ali lahko pridobi visokošolsko diplomo ali opravlja delo na delovnem mestu. Druga, ki bi jo osebno rad zavrnil, pravi, da se inteligenca lahko meri z uspešno zmožnostjo brez težav sestaviti pohištvo v obliki ploščatega paketa Ikea.

Enega najbolj zanimivih ukrepov AGI je predlagal soustanovitelj Appla Steve Wozniak. Woz, kot ga poznajo prijatelji in oboževalci, predlaga test kave. Splošna inteligenca bi po njegovih besedah ​​pomenila robota, ki je sposoben vstopiti v katero koli hišo na svetu, poiskati kuhinjo, skuhati novo skodelico kave in jo natočiti v skodelico.

Kot pri vsakem A.I. inteligenčnega testa se lahko prepirate o tem, kako široki ali ozki so parametri. Vendar pa je zamisel, da bi morala biti inteligenca povezana s sposobnostjo krmarjenja po resničnem svetu, zanimiva. To je tudi tisto, kar želi preizkusiti nov raziskovalni projekt.

Gradnja svetov

»V zadnjih nekaj letih je A.I. skupnost je naredila velik korak pri usposabljanju A.I. agenti za opravljanje kompleksnih nalog,« Luca Weihs, raziskovalec na Allen Institute for AI, laboratoriju za umetno inteligenco, ki ga je ustanovil pokojni soustanovitelj Microsofta Paul Allen, je povedal za Digital Trends.

Weihs je navedel DeepMindov razvoj A.I. agenti, ki se lahko naučijo igrajte klasične igre Atari in premagati človeške igralce na Go. Vendar je Weihs opozoril, da so te naloge "pogosto ločene" od našega sveta. Pokažite sliko resničnega sveta AI. usposobljen za igranje iger Atari in ne bo vedel, kaj gleda. Raziskovalci inštituta Allen verjamejo, da imajo tukaj nekaj za ponuditi.

Inštitut Allen za A.I. je zgradil nekakšen nepremičninski imperij. Vendar to ni fizična nepremičnina, temveč virtualna nepremičnina. Razvil je na stotine virtualnih sob in stanovanj – vključno s kuhinjami, spalnicami, kopalnicami in dnevnimi sobami – v katerih je A.I. agenti lahko komunicirajo s tisoči predmetov. Ti prostori se ponašajo z realistično fiziko, podporo za več agentov in celo stanji, kot sta vroče in hladno. S tem, da je A.I. agenti igrajo v teh okoljih, ideja je, da lahko ustvarijo bolj realistično dojemanje sveta.

»V [našem novem] delu smo želeli razumeti, kako A.I. agenti bi se lahko učili o realnem okolju z igranjem interaktivne igre v njem,« je dejal Weihs. »Da bi odgovorili na to vprašanje, smo usposobili dva agenta, da igrata Cache, različico skrivalnic, z uporabo kontradiktornega okrepitvenega učenja v visoko zvestobi. okolje AI2-THOR. S tem igranjem smo ugotovili, da so se naši agenti naučili predstavljati posamezne slike in se tako približali učinkovitosti metod zahteva milijone ročno označenih slik – in celo začel razvijati nekatere kognitivne primitive, ki jih pogosto preučujejo [razvojni] psihologi."

Pravila igre

Za razliko od običajnih skrivalnic v Cache roboti izmenično skrivajo predmete, kot so straniščni bati, štruce kruha, paradižniki in drugo, od katerih se vsak ponaša s svojo lastno geometrijo. Dva agenta - eden je skrivalec, drugi iskalec - nato tekmujeta, ali lahko eden uspešno skrije predmet pred drugim. To vključuje številne izzive, vključno z raziskovanjem in kartiranjem, razumevanjem perspektive, skrivanjem, manipulacijo predmetov in iskanjem. Vse je natančno simulirano, tudi do zahteve, da mora skrivač manipulirati s predmetom v roki in ga ne sme izpustiti.

Uporaba globokega okrepljenega učenja – paradigma strojnega učenja, ki temelji na učenju ukrepanja v okolje za čim večjo nagrado — roboti postajajo vse boljši pri skrivanju predmetov in iskanju jih ven.

"Kar je to tako težko za AI, je, da ne vidijo sveta tako, kot ga mi," je dejal Weihs. »Milijarde let evolucije so pripomogle k temu, da naši možgani že kot dojenčki učinkovito prevajajo fotone v koncepte. Po drugi strani pa je A.I. začne iz nič in svoj svet vidi kot ogromno mrežo števil, ki se jih mora nato naučiti dekodirati v pomen. Poleg tega v nasprotju s šahom, kjer je svet lepo sestavljen iz 64 polj, vsaka slika, ki jo vidi agent, zajame samo majhen košček okolja, zato mora svoja opazovanja integrirati skozi čas, da oblikuje skladno razumevanje svet.”

Da bo jasno, to najnovejše delo ni namenjeno izgradnji nad-inteligentnega AI. V filmih, kot je Terminator 2: Sodni dan, superračunalnik Skynet doseže samozavedanje točno ob 2.14 zjutraj po vzhodnem času 29. avgusta 1997. Ne glede na datum, ki je zdaj že skoraj četrt stoletja v našem skupnem vzvratnem ogledalu, se zdi malo verjetno, da bo prišlo do tako natančne točke preloma, ko bo običajni A.I. postane AGI. Namesto tega bo vse več računalniških sadežev - nizko visečih in visokovisečih - potrganih, dokler končno ne bomo imeli nečesa, kar bi se približalo splošni inteligenci na več področjih.

Težke stvari so lahke, lahke stvari so težke

Raziskovalci so tradicionalno težili k kompleksnim problemom za AI. rešiti na podlagi zamisli, da če je težke probleme mogoče rešiti, lahki ne bi smeli preveč zaostajati. Če lahko simulirate odločanje odrasle osebe, lahko ideje, kot je trajnost predmeta (ideja, da predmeti še vedno obstajajo, ko jih ne moremo videti), da se otrok nauči v prvih nekaj mesecih svojega življenja, to resnično dokazuje težko? Odgovor je pritrdilen - in ta paradoks, da je, ko gre za AI, težke stvari so pogosto lahke in lahke stvari so težke, je delo, ki ga namerava obravnavati takšno delo.

»Najpogostejša paradigma za usposabljanje A.I. agenti [vključujejo] ogromne, ročno označene nize podatkov, ki so ozko osredotočeni na eno samo nalogo – na primer prepoznavanje predmetov,« je dejal Weihs. »Čeprav je bil ta pristop zelo uspešen, menim, da je optimistično verjeti, da lahko ročno ustvarimo dovolj naborov podatkov za izdelavo A.I. agent, ki lahko inteligentno deluje v resničnem svetu, komunicira z ljudmi in rešuje najrazličnejše probleme, s katerimi se še ni srečal. Da bi to dosegli, menim, da bomo morali agentom dovoliti, da se naučijo temeljnih kognitivnih primitivov, ki jih imamo za samoumevne, tako da jim dovolimo svobodno interakcijo s svojim svetom. Naše delo kaže, da uporaba igranja za motiviranje A.I. agentov, s katerimi komunicirajo in raziskujejo njihov svet, se začnejo učiti teh primitivov – in s tem pokaže, da je igranje obetavna smer stran od ročno označenih naborov podatkov proti izkustvenemu učenje.”

A dokument, ki opisuje to delo bo predstavljen na prihajajoči mednarodni konferenci o predstavitvah učenja leta 2021.

Priporočila urednikov

• Optične iluzije bi nam lahko pomagale zgraditi naslednjo generacijo umetne inteligence
• Smešna formula: Zakaj je strojno ustvarjen humor sveti gral A.I.
• Preberite srhljivo lepe "sintetične spise" A.I. ki misli, da je Bog
• Algoritemska arhitektura: Ali naj pustimo A.I. projektirati zgradbe za nas?
• A.I., ki zaznava čustva je tukaj in bi lahko bil na vašem naslednjem razgovoru za službo