Зашто научници уче роботе да се играју скривача

Вештачка општа интелигенција, идеја интелигентног А.И. агент који је у стању да разуме и научи било који интелектуални задатак који људи могу да ураде, одавно је саставни део научне фантастике. Како А.И. постаје све паметнији и паметнији — посебно са открићима у алатима за машинско учење који су у стању да препишу своје код за учење из нових искустава – он је све више део стварних разговора о вештачкој интелигенцији као добро.

Али како да измеримо АГИ када стигне? Током година, истраживачи су изнели бројне могућности. Најпознатији остаје Тјурингов тест, у којем људски судија комуницира, невидљив поглед, и са људима и са машином, и мора покушати да погоди шта је шта. Два друга, тест студената Робот Цоллегеа Бена Гоертзела и Нилс Ј. Нилссонов тест запошљавања, настоји да практично тестира способности АИ тако што ће видети да ли може да стекне факултетску диплому или да обавља послове на радном месту. Други, који бих лично волео да одбацим, тврди да се интелигенција може мерити успешном способношћу да се без проблема саставља намештај у Икеином стилу.

Једну од најзанимљивијих АГИ мера изнео је суоснивач Аппле-а Стив Вознијак. Воз, како је познат пријатељима и обожаваоцима, предлаже тест кафе. Општа интелигенција, рекао је, значила би робота који је у стању да уђе у било коју кућу на свету, лоцира кухињу, скува свежу шољицу кафе, а затим је сипа у шољу.

Као и сваки А.И. тест интелигенције, можете расправљати о томе колико су широки или уски параметри. Међутим, идеја да би интелигенцију требало повезати са способношћу навигације кроз стварни свет је интригантна. То је такође онај који нови истраживачки пројекат жели да тестира.

Изградња светова

„У последњих неколико година, А.И. заједница је направила огроман напредак у обуци А.И. агенти за обављање сложених задатака“, Луца Веихс, рекао је за Дигитал Трендс научник истраживач на Аллен институту за АИ, лабораторији за вештачку интелигенцију коју је основао покојни суоснивач Мајкрософта Пол Ален.

Веихс је цитирао ДеепМиндов развој А.И. агенти који су у стању да науче да играјте класичне Атари игре и победио људске играче у Го. Међутим, Веихс је приметио да су ови задаци „често одвојени“ од нашег света. Покажите слику стварног света АИ обучен да игра Атари игре, и неће имати појма шта гледа. Овде истраживачи Аллен института верују да имају нешто да понуде.

Алленов институт за А.И. изградио нешто попут империје некретнина. Али ово није физичка некретнина, колико виртуелна некретнина. Развио је стотине виртуелних соба и станова - укључујући кухиње, спаваће собе, купатила и дневне собе - у којима је А.И. агенти могу да комуницирају са хиљадама објеката. Ови простори се могу похвалити реалном физиком, подршком за више агената, па чак и стањима као што су топло и хладно. Допуштањем А.И. агенти играју у овим окружењима, идеја је да они могу изградити реалистичнију перцепцију света.

„У [нашем новом] раду, желели смо да разумемо како А.И. агенти би могли да уче о реалном окружењу играјући интерактивну игру у њему“, рекао је Веихс. „Да бисмо одговорили на ово питање, обучили смо два агента да играју Цацхе, варијанту скривача, користећи супротстављено учење појачања у високој верности АИ2-ТХОР окружење. Кроз ову игру, открили смо да су наши агенти научили да представљају појединачне слике, приближавајући се перформансама метода захтевају милионе ручно обележених слика — и чак су почели да развијају неке когнитивне примитиве које често проучавају [развојни] психолози.”

Правила игре

За разлику од обичних скривача, у Цацхе-у, ботови се наизменично скривају предмете као што су клипови за тоалет, векне хлеба, парадајз и још много тога, од којих се сваки може похвалити својом индивидуалном геометријом. Два агента - један скривач, други трагач - затим се такмиче да виде да ли један може успешно да сакрије објекат од другог. Ово укључује бројне изазове, укључујући истраживање и мапирање, разумевање перспективе, скривање, манипулацију објектима и тражење. Све је прецизно симулирано, чак и до захтева да скривач буде у стању да манипулише предметом у руци и да га не испусти.

Коришћење учења са дубоким појачањем — парадигма машинског учења заснована на учењу да се предузимају радње у окружење како би се максимизирала награда — ботови постају све бољи у скривању објеката, као и у тражењу их напоље.

„Оно што ово чини толико тешким за АИ је то што они не виде свет као ми“, рекао је Веихс. „Милијарде година еволуције довеле су до тога да, чак и као бебе, наш мозак ефикасно преводи фотоне у концепте. С друге стране, А.И. почиње од нуле и види свој свет као огромну мрежу бројева које онда мора научити да декодира у значење. Штавише, за разлику од шаха, где је свет уредно садржан у 64 поља, свака слика коју агент види само хвата мали део окружења, па мора да интегрише своја запажања кроз време како би формирао кохерентно разумевање свет.”

Да будемо јасни, овај најновији рад није о изградњи супер-интелигентног АИ. У филмовима попут Терминатор 2: Судњи дан, Скајнет суперкомпјутер постиже самосвест тачно у 2.14 по источном времену 29. августа 1997. године. Без обзира на датум, сада већ скоро четврт века у нашем колективном ретровизору, чини се мало вероватним да ће постојати тако прецизна тачка преокрета када обични А.И. постаје АГИ. Уместо тога, све више и више рачунарских плодова - ниско и високо - биће брано док коначно не будемо имали нешто што се приближава општој интелигенцији у више домена.

Тешке ствари су лаке, лаке ствари су тешке

Истраживачи су традиционално тежили сложеним проблемима за А.И. да се реши на основу идеје да, ако се тешки проблеми могу решити, они лаки не би требало да заостају превише. Ако можете симулирати доношење одлука одрасле особе, могу ли идеје попут трајности објекта (идеја да објекти и даље постоје када их не можемо видети) да дете научи у првих неколико месеци свог живота то заиста доказују тешко? Одговор је да - и овај парадокс да, када је у питању АИ, тешке ствари су често лаке, а лаке ствари су тешке, је оно чему се рад као што је овај бави.

„Најчешћа парадигма за обуку А.И. агенти [укључују] огромне, ручно означене скупове података уско фокусиране на један задатак — на пример, препознавање објеката“, рекао је Веихс. „Иако је овај приступ имао велики успех, мислим да је оптимистично веровати да можемо ручно да креирамо довољно скупова података да произведемо А.И. агент који може да делује интелигентно у стварном свету, комуницира са људима и решава све врсте проблема са којима се раније није сусрео. Да бисмо то урадили, верујем да ћемо морати да дозволимо агентима да науче фундаменталне когнитивне примитиве које узимамо здраво за готово допуштајући им да слободно комуницирају са својим светом. Наш рад показује да коришћење играња за мотивисање А.И. агенти да комуницирају и истражују свој свет резултирају тиме да они почињу да уче ове примитиве — и на тај начин показује да је играње обећавајући правац даље од ручно напуштених скупова података ка искуственим учење.”

А рад који описује ово дело биће представљен на предстојећој Међународној конференцији о репрезентацијама учења 2021.

Препоруке уредника

• Оптичке илузије би нам могле помоћи да изградимо следећу генерацију вештачке интелигенције
• Смешна формула: Зашто је хумор генерисан машинама свети грал А.И.
• Прочитајте сабласно лепе „синтетичке списе“ АИ. који мисли да је то Бог
• Алгоритамска архитектура: треба ли дозволити А.И. дизајнирати зграде за нас?
• Осећајући емоције А.И. је овде, и то би могло бити на вашем следећем интервјуу за посао