AI lærer at skabe sig selv

Mennesker har kæmpet for at lave virkelig intelligente maskiner. Måske skal vi lade dem komme videre med det selv.

Shuhua Xiong

ved

• Will Douglas himlen arkiv side

27. maj 2021

En lille pindefigur med et kileformet hoved blander sig hen over skærmen. Den bevæger sig halvt på hug og trækker det ene knæ langs jorden. Det går! Øh, sådan set.

Alligevel er Rui Wang henrykt. Hver dag går jeg ind på mit kontor og åbner min computer, og jeg ved ikke, hvad jeg skal forvente, siger han.

En kunstig intelligens-forsker ved Uber, Wang kan lide at forlade Parret Open-Ended Trailblazer , et stykke software, han var med til at udvikle, og kørte på sin bærbare computer natten over. POET er en slags træningsdojo for virtuelle bots. Indtil videre lærer de slet ikke at gøre meget. Disse AI-agenter er ikke spiller Go , spotte tegn på kræft , eller folde proteiner - de forsøger at navigere i et groft tegneserielandskab af hegn og kløfter uden at falde om.

Men det er ikke det, botterne lærer, der er spændende – det er hvordan de lærer. POET genererer forhindringsbanerne, vurderer bots' evner og tildeler deres næste udfordring, alt sammen uden menneskelig involvering. Trin for vaklende trin forbedres bots via trial and error. På et tidspunkt hopper den måske over en klippe som en kung fu-mester, siger Wang.

Det kan virke grundlæggende i øjeblikket, men for Wang og en håndfuld andre forskere antyder POET en revolutionerende ny måde at skabe supersmarte maskiner på: ved at få AI til at lave sig selv.

Wangs tidligere kollega Jeff Clune er blandt de største boostere af denne idé. Clune har arbejdet på det i årevis, først på University of Wyoming og derefter på Uber AI Labs, hvor han arbejdede med Wang og andre. Nu deler han sin tid mellem University of British Columbia og OpenAI, og han har opbakning fra et af verdens bedste kunstig intelligens-laboratorier .

Clune kalder forsøget på at bygge virkelig intelligent AI for den mest ambitiøse videnskabelige søgen i menneskehedens historie. I dag, syv årtier efter at seriøse bestræbelser på at lave kunstig intelligens begyndte, er vi stadig langt fra at skabe maskiner, der er nær så smarte som mennesker, endsige smartere. Clune mener, at POET måske peger på en genvej.

Vi skal tage lænkerne af og komme ud af vores egen måde, siger han.

Hvis Clune har ret, bruge AI til at lave AI kunne være et vigtigt skridt på den vej, som en dag fører til kunstig generel intelligens (AGI) - maskiner, der kan overskue mennesker. På kortere sigt kan teknikken også hjælpe os med at opdage forskellige former for intelligens: ikke-menneskelige smarte, der kan finde løsninger på uventede måder og måske supplere vores egen intelligens i stedet for at erstatte den.

Efterligner evolution

Jeg talte første gang med Clune om ideen i begyndelsen af ​​sidste år, blot et par uger efter hans skift til OpenAI. Han var glad for at diskutere tidligere arbejde, men forblev mundret om, hvad han lavede med sit nye team. I stedet for at tage opkaldet indenfor, foretrak han at gå op og ned ad gaderne uden for kontorerne, mens vi snakkede.

Alt Clune ville sige var, at OpenAI passede godt. Min idé er meget i tråd med mange af de ting, som de tror på, siger han. Det var en slags ægteskab lavet i himlen. De kunne lide visionen og ville have mig til at komme her og forfølge den. Et par måneder efter Clune kom til, hyrede OpenAI også det meste af sit gamle Uber-hold.

Clunes ambitiøse vision er baseret på mere end OpenAIs investering. AI's historie er fyldt med eksempler, hvor menneskedesignede løsninger gav plads til maskinlærte. Tag computervision: For et årti siden kom det store gennembrud inden for billedgenkendelse, da eksisterende håndlavede systemer blev erstattet af dem, der lærte sig selv fra bunden. Det er det samme for mange AI-succeser.

En af de fascinerende ting ved AI, og maskinlæring i særdeleshed, er dens evne til at finde løsninger, som mennesker ikke har fundet - for at overraske os. Et ofte nævnt eksempel er AlphaGo (og dets efterfølger AlphaZero), som slog det bedste, menneskeheden har at tilbyde i det ældgamle, forførende spil Go ved at bruge tilsyneladende fremmede strategier. Efter hundreder af års studier af menneskelige mestre fandt AI løsninger, som ingen nogensinde havde tænkt på.

Clune arbejder nu med et team hos OpenAI, der udviklede bots, der lærte at lege gemmeleg i et virtuelt miljø i 2018. Disse AI'er startede med enkle mål og enkle værktøjer til at nå dem: Det ene par skulle finde det andet, som kunne gemme sig bag bevægelige forhindringer. Men da disse bots blev sluppet løs for at lære, fandt de hurtigt måder at drage fordel af deres miljø på på måder, som forskerne ikke havde forudset. De udnyttede fejl i den simulerede fysik i deres virtuelle verden til at hoppe over og endda passere gennem vægge.

Den slags uventet opstået adfærd giver fristende hints om, at kunstig intelligens kan nå frem til tekniske løsninger, som mennesker ikke selv ville tænke på, ved at opfinde nye og mere effektive typer af algoritmer eller neurale netværk – eller endda helt droppe neurale netværk, en hjørnesten i moderne kunstig intelligens.

Clune kan lide at minde folk om, at intelligens allerede er opstået fra en simpel begyndelse. Det interessante ved denne tilgang er, at vi ved, at den kan fungere, siger han. Den meget simple algoritme for darwinistisk evolution producerede din hjerne, og din hjerne er den mest intelligente læringsalgoritme i universet, som vi hidtil kender. Hans pointe er, at hvis intelligens, som vi kender den, er et resultat af den tankeløse mutation af gener gennem utallige generationer, hvorfor så ikke forsøge at replikere den intelligensproducerende proces – som velsagtens er enklere – i stedet for selve intelligensen?

Relateret historie

Kunstig generel intelligens: Er vi tæt på, og giver det overhovedet mening at prøve?

En maskine, der kunne tænke som en person, har været den vejledende vision for AI-forskning siden de tidligste dage - og er stadig dens mest splittende idé.

Men der er en anden afgørende observation her. Intelligens var aldrig et endepunkt for evolution, noget at sigte efter. I stedet opstod det i mange forskellige former fra utallige bittesmå løsninger til udfordringer, der gjorde det muligt for levende ting at overleve og tage fremtidige udfordringer op. Intelligens er det aktuelle højdepunkt i en løbende og åben proces. I denne forstand er evolution helt anderledes end algoritmer, som folk typisk tænker på dem - som midler til at nå målet.

Det er denne åbne ende, som skimtes i den tilsyneladende formålsløse række af udfordringer genereret af POET, som Clune og andre mener kan føre til nye former for kunstig intelligens. I årtier har AI-forskere forsøgt at bygge algoritmer til at efterligne menneskelig intelligens, men det virkelige gennembrud kan komme fra at bygge algoritmer, der forsøger at efterligne evolutionens åbne problemløsning – og læne sig tilbage for at se, hvad der dukker op.

Forskere bruger allerede maskinlæring på sig selv og træner den til at finde løsninger på nogle af feltets sværeste problemer, såsom hvordan man laver maskiner, der kan lære mere end én opgave ad gangen eller klare situationer, de ikke har mødt før. Nogle tror nu, at at tage denne tilgang og løbe med den, kan være den bedste vej til kunstig generel intelligens. Vi kunne starte en algoritme, der i starten ikke har meget intelligens i sig, og se den bootstra sig helt op til AGI, siger Clune.

Sandheden er, at for nu er AGI fortsat en fantasi. Men det er i høj grad, fordi ingen ved, hvordan man laver det. Fremskridt inden for kunstig intelligens er stykkevis og udført af mennesker, hvor fremskridt typisk involverer justeringer af eksisterende teknikker eller algoritmer, hvilket giver trinvise spring i ydeevne eller nøjagtighed. Clune karakteriserer disse bestræbelser som forsøg på at opdage byggestenene til kunstig intelligens uden at vide, hvad du leder efter, eller hvor mange blokke du skal bruge. Og det er kun begyndelsen. På et tidspunkt må vi påtage os den herkuliske opgave at samle dem alle sammen, siger han.

At bede AI om at finde og samle disse byggeklodser for os er et paradigmeskifte. Det siger, at vi ønsker at skabe en intelligent maskine, men vi er ligeglade med, hvordan den kan se ud - bare giv os, hvad der virker.

Selvom AGI aldrig opnås, kan selvlærende tilgang stadig ændre, hvilken slags AI der skabes. Verden har brug for mere end en meget god Go-spiller, siger Clune. For ham betyder det at skabe en supersmart maskine at bygge et system, der opfinder sine egne udfordringer, løser dem og derefter opfinder nye. POET er et lille glimt af dette i aktion. Clune forestiller sig en maskine, der lærer en bot at gå, derefter at spille hopscotch og så måske at spille Go. Så lærer den måske matematiske gåder og begynder at finde på sine egne udfordringer, siger han. Systemet fornyer sig løbende, og himlen er grænsen for, hvor det kan gå hen.

Det er måske vilde spekulationer, men et håb er, at maskiner som denne måske vil være i stand til at omgå vores konceptuelle blindgyder og hjælpe os med at udvælge meget komplekse kriser som klimaændringer eller global sundhed.

Men først skal vi lave en.

Hvordan man skaber en hjerne

Der er mange forskellige måder at tilslutte en kunstig hjerne på.

Neurale netværk er lavet af flere lag af kunstige neuroner kodet i software. Hver neuron kan forbindes med andre i lagene ovenfor. Den måde et neuralt netværk er forbundet med gør en stor forskel, og nye arkitekturer fører ofte til nye gennembrud.

De neurale netværk kodet af menneskelige videnskabsmænd er ofte resultatet af forsøg og fejl. Der er lidt teori om, hvad der virker og ikke virker, og ingen garanti for, at de bedste designs er fundet. Det er derfor, at automatisering af jagten på bedre neurale netværksdesign har været et af de hotteste emner inden for AI siden i det mindste 1980'erne. Den mest almindelige måde at automatisere processen på er at lade en AI generere mange mulige netværksdesigns og lade netværket automatisk prøve hver af dem og vælge de bedste. Dette er almindeligvis kendt som neuro-evolution eller neural arkitektursøgning (NAS).

I de sidste par år er disse maskindesigns begyndt at overgå de menneskelige. I 2018 brugte Esteban Real og hans kolleger hos Google NAS til at generere et neuralt netværk til billedgenkendelse, der slå de bedste menneskeskabte netværk dengang. Det var en øjenåbner.

2018-systemet er en del af et igangværende Google-projekt kaldet AutoML, som også har brugt NAS til at producere EfficientNets, en familie af deep-learning-modeller, der er mere effektive end menneskeskabte , der opnår høje niveauer af nøjagtighed på billedgenkendelsesopgaver med mindre, hurtigere modeller.

Tre år efter flytter Real grænserne for, hvad der kan genereres fra bunden. De tidligere systemer omarrangerede netop afprøvede og testede neurale netværksstykker, såsom eksisterende typer lag eller komponenter. Vi kunne forvente et godt svar, siger han.

Sidste år tog Real og hans hold træningshjulene af. Det nye system, kaldet AutoML Zero , forsøger at bygge en AI fra bunden ved hjælp af intet andet end de mest grundlæggende matematiske begreber, der styrer maskinlæring.

Utroligt nok byggede AutoML Zero ikke kun spontant et neuralt netværk, men det kom med gradient descent, den mest almindelige matematiske teknik, som menneskelige designere bruger til at træne et netværk. Jeg var ret overrasket, siger Real. Det er en meget simpel algoritme - den tager ligesom seks linjer kode - men den skrev de nøjagtige seks linjer.

AutoML Zero genererer endnu ikke arkitekturer, der konkurrerer med ydeevnen af ​​menneskedesignede systemer – eller faktisk gør meget, som en menneskelig designer ikke ville have gjort. Men Real tror på, at det kan en dag.

Tid til at uddanne en ny slags lærer

Først laver du en hjerne; så skal du lære det. Men maskinhjerner lærer ikke, som vores gør. Vores hjerner er fantastiske til at tilpasse sig nye miljøer og nye opgaver. Nutidens AI'er kan løse udfordringer under visse forhold, men mislykkes, når disse betingelser ændrer sig en lille smule. Denne manglende fleksibilitet hæmmer søgen efter at skabe mere generaliserbar AI, som kan være nyttig på tværs af en lang række scenarier, hvilket ville være et stort skridt i retning af at gøre dem virkelig intelligente.

For Jane Wang, en forsker ved DeepMind i London, er den bedste måde at gøre AI mere fleksibel på at få den til at lære den egenskab selv. Med andre ord, hun ønsker at bygge en AI, der ikke kun lærer specifikke opgaver, men lærer at lære disse opgaver på måder, der kan tilpasses nye situationer.

Forskere har i årevis forsøgt at gøre kunstig intelligens mere tilpasningsdygtig. Wang mener, at at få AI til at løse dette problem for sig selv undgår noget af forsøget og fejlen ved en hånddesignet tilgang: Vi kan umuligt forvente at falde over det rigtige svar med det samme. I den proces håber hun, at vi også vil lære mere om, hvordan hjerner fungerer. Der er stadig så meget, vi ikke forstår om den måde, mennesker og dyr lærer på, siger hun.

Der er to hovedtilgange til at generere indlæringsalgoritmer automatisk, men begge starter med et eksisterende neuralt netværk og bruger AI til at lære det.

Relateret historie

AI bevæbnet med flere sanser kunne opnå mere fleksibel intelligens

Menneskelig intelligens udspringer af vores kombination af sanser og sproglige evner. Måske gælder det samme for kunstig intelligens.

Den første tilgang, opfundet separat af Wang og hendes kolleger hos DeepMind og af et hold hos OpenAI på nogenlunde samme tid, bruger tilbagevendende neurale netværk. Denne type netværk kan trænes på en sådan måde, at aktiveringerne af deres neuroner - nogenlunde beslægtet med affyring af neuroner i biologiske hjerner - koder for enhver form for algoritme. DeepMind og OpenAI udnyttede dette til at træne et tilbagevendende neuralt netværk til at generere forstærkningsindlæringsalgoritmer, som fortæller en AI, hvordan den skal opføre sig for at nå givne mål.

Resultatet er, at DeepMind- og OpenAI-systemerne ikke lærer en algoritme, der løser en specifik udfordring, såsom genkendelse af billeder, men lærer en læring algoritme, der kan anvendes på flere opgaver og tilpasses efterhånden. Det er ligesom det gamle ordsprog om at lære nogen at fiske: Mens en hånddesignet algoritme kan lære en bestemt opgave, bliver disse AI'er lavet til at lære at lære selv. Og nogle af dem præsterer bedre end menneskeskabte.

Den anden tilgang kommer fra Chelsea Finn ved University of California, Berkeley, og hendes kolleger. Hedder modelagnostisk metalæring , eller MAML, træner den en model ved hjælp af to maskinlæringsprocesser, den ene indlejret i den anden.

Sådan fungerer det groft sagt. Den indre proces i MAML trænes på data og testes derefter – som sædvanligt. Men så tager den ydre model ydeevnen af ​​den indre model – hvor godt den identificerer billeder, f.eks. – og bruger den til at lære, hvordan man justerer modellens læringsalgoritme for at øge ydeevnen. Det er, som om du havde en skoleinspektør, der holder øje med en flok lærere, der hver tilbyder forskellige læringsteknikker. Inspektøren tjekker, hvilke teknikker der hjælper eleverne med at få de bedste resultater og tilpasser dem derefter.

Gennem disse tilgange bygger forskere AI, der er mere robust, mere generaliseret og i stand til at lære hurtigere med færre data. For eksempel ønsker Finn, at en robot, der har lært at gå på fladt underlag, med minimal ekstra træning kan skifte til at gå på en skråning eller på græs eller mens man bærer en byrde.

Sidste år udvidede Clune og hans kolleger Finns teknik til at designe en algoritme, der lærer ved at bruge færre neuroner, så den ikke overskriver alt, hvad den tidligere har lært, et stort uløst problem i maskinlæring kendt som katastrofal forglemmelse. En trænet model, der bruger færre neuroner, kendt som en sparsom model, vil have flere ubrugte neuroner tilovers til at dedikere til nye opgaver, når de genoptrænes, hvilket betyder, at færre af de brugte neuroner vil blive overskrevet. Clune fandt ud af, at det at sætte sin AI til udfordringen med at lære mere end én opgave førte til, at den kom med sin egen version af en sparsom model, der overgik den menneskeskabte.

Hvis vi går all in på at lade AI skabe og undervise sig selv, så bør AI'er også generere deres egne træningsmiljøer - skolerne og lærebøgerne såvel som lektionsplanerne.

Og det seneste år har set en række projekter, hvor AI er blevet trænet på automatisk genererede data. Ansigtsgenkendelsessystemer trænes for eksempel med AI-genererede ansigter. AI'er lærer også at træne hinanden. I et nyligt eksempel, to robotarme arbejdede sammen, hvor den ene arm lærte at sætte hårdere og hårdere blokstablingsudfordringer, der trænede den anden til at gribe og gribe genstande.

Faktisk spekulerer Clune på, om menneskelig intuition om, hvilken slags data en AI har brug for for at lære, kan være slået fra. For eksempel har han og hans kolleger udviklet det, han kalder generative undervisningsnetværk , som lærer, hvilke data de skal generere for at få de bedste resultater, når de træner en model. I et eksperiment brugte han et af disse netværk til at tilpasse et datasæt af håndskrevne tal, der ofte bruges til at træne billedgenkendelsesalgoritmer. Det, den kom frem til, så meget anderledes ud end det oprindelige menneske-kuraterede datasæt: hundredvis af ikke-helt cifre, såsom den øverste halvdel af tallet syv eller hvad der lignede to cifre, der smeltede sammen. Nogle AI-genererede eksempler var svære at tyde overhovedet. På trods af dette gjorde de AI-genererede data stadig et godt stykke arbejde med at træne håndskriftsgenkendelsessystemet til at identificere faktiske cifre.

Forsøg ikke at lykkes

AI-genererede data er stadig kun en del af puslespillet. Den langsigtede vision er at tage alle disse teknikker – og andre der endnu ikke er opfundet – og overdrage dem til en AI-træner, der styrer, hvordan kunstige hjerner forbindes, hvordan de trænes, og hvad de trænes i. Selv Clune er ikke klar over, hvordan sådan et fremtidigt system vil se ud. Nogle gange taler han om en slags hyperrealistisk simuleret sandkasse, hvor AI'er kan skære deres tænder og flå deres virtuelle knæ. Noget så komplekst er stadig år væk. Det nærmeste endnu er POET, systemet Clune skabte med Ubers Rui Wang og andre.

POET var motiveret af et paradoks, siger Wang. Hvis du prøver at løse et problem, vil du fejle; hvis du ikke prøver at løse det, er der større sandsynlighed for at få succes. Dette er en af ​​de indsigter, som Clune henter fra sin analogi med evolution - fantastiske resultater, der fremkommer fra en tilsyneladende tilfældig proces, kan ofte ikke genskabes ved at tage bevidste skridt mod samme ende. Der er ingen tvivl om, at sommerfugle eksisterer, men spol tilbage til deres encellede forstadier og prøv at skabe dem fra bunden ved at vælge hvert trin fra bakterie til insekt, og du vil sandsynligvis mislykkes.

POET starter sin tobenede agent i et enkelt miljø, såsom en flad sti uden forhindringer. Først ved agenten ikke, hvad han skal gøre med sine ben og kan ikke gå. Men gennem forsøg og fejl lærer forstærkningsindlæringsalgoritmen, der styrer den, hvordan man bevæger sig langs flad jord. POET genererer derefter et nyt tilfældigt miljø, der er anderledes, men ikke nødvendigvis sværere at bevæge sig i. Agenten prøver at gå der. Hvis der er forhindringer i dette nye miljø, lærer agenten, hvordan man kommer over eller på tværs af dem. Hver gang en agent lykkes eller sidder fast, flyttes den til et nyt miljø. Med tiden lærer agenterne en række gå- og springhandlinger, der lader dem navigere hårdere og hårdere forhindringsbaner.

Holdet fandt ud af, at tilfældig skift af miljøer var afgørende.

For eksempel lærte agenter nogle gange at gå på flad jord med en mærkelig, halvt knælende shuffle, for det var godt nok. De lærer aldrig at stå frem, fordi de aldrig behøver det, siger Wang. Men efter at de var blevet tvunget til at lære alternative strategier på forhindringsstrøet jord, kunne de vende tilbage til det tidlige stadie med en bedre måde at gå på - ved at bruge begge ben i stedet for at trække det ene bagud for eksempel - og så tage den forbedrede version af sig selv fremad til sværere udfordringer.

POET træner sine bots på en måde, som intet menneske ville - det tager uberegnelige, uintuitive veje til succes. På hvert trin forsøger bots at finde en løsning på den udfordring, de bliver præsenteret for. Ved at klare et tilfældigt udvalg af forhindringer, der kastes deres vej, bliver de generelt bedre. Men der er intet slutpunkt for denne proces, ingen ultimativ test at bestå eller høj score at slå.

Clune, Wang og en række af deres kolleger mener, at dette er en dyb indsigt. De undersøger nu, hvad det kan betyde for udviklingen af ​​supersmarte maskiner. kunne prøve ikke at kortlægge en specifik vej faktisk være et centralt gennembrud på vejen mod kunstig generel intelligens?

POET inspirerer allerede andre forskere, såsom Natasha Jaques og Michael Dennis ved University of California, Berkeley. De har udviklet et system kaldet PARRING der bruger AI til at generere en række labyrinter for at træne en anden AI til at navigere i dem.

Rui Wang mener, at menneskeskabte udfordringer vil være en flaskehals, og at reelle fremskridt inden for kunstig intelligens vil kræve, at kunstig intelligens kommer op med sine egne. Uanset hvor gode algoritmer er i dag, bliver de altid testet på et eller andet hånddesignet benchmark, siger han. Det er meget svært at forestille sig, at kunstig generel intelligens kommer fra dette, fordi det er bundet af faste mål.

En ny form for intelligens

Den hurtige udvikling af AI, der kan træne sig selv, rejser også spørgsmål om, hvor godt vi kan kontrollere væksten. Ideen om AI, der bygger bedre AI, er en afgørende del af mytedannelsen bag Singularity, det forestillede punkt i fremtiden, hvor AI'er begynder at forbedre sig med en eksponentiel hastighed og bevæger sig uden for vores kontrol. Til sidst advarer visse dommesigere, AI kan beslutte, at den slet ikke har brug for mennesker.

Det er ikke, hvad nogen af ​​disse forskere har i tankerne: deres arbejde er meget fokuseret på at gøre nutidens AI bedre. Maskiner, der løber amok, forbliver en fjern anti-fantasi.

Alligevel har DeepMinds Jane Wang forbehold. En stor del af attraktionen ved at bruge AI til at lave AI er, at det kan komme med design og teknikker, som folk ikke havde tænkt på. Alligevel bemærker Wang, at ikke alle overraskelser er gode overraskelser: Åbenhed er per definition noget, der er uventet. Hvis hele ideen er at få AI til at gøre noget, du ikke havde forudset, bliver det sværere at kontrollere. Det er både spændende og skræmmende, siger hun.

Clune understreger også vigtigheden af ​​at tænke på etikken i den nye teknologi fra starten. Der er en god chance for, at AI-designede neurale netværk og algoritmer vil være endnu sværere at forstå end nutidens allerede uigennemsigtige black-box-systemer. Er AI'er genereret af algoritmer sværere at revision for bias ? Er det sværere at garantere, at de ikke vil opføre sig på uønskede måder?

Clune håber, at sådanne spørgsmål vil blive stillet og besvaret, efterhånden som flere mennesker indser potentialet i selvgenererende AI'er. De fleste mennesker i maskinlæringsfællesskabet taler aldrig rigtig om vores overordnede vej til ekstremt kraftfuld AI, siger han - i stedet har de en tendens til at fokusere på små, trinvise forbedringer. Clune vil gerne starte en samtale om feltets største ambitioner igen.

Hans egne ambitioner knytter sig tilbage til hans tidlige interesser i menneskelig intelligens, og hvordan den udviklede sig. Hans store vision er at sætte tingene op, så maskiner en dag kan se deres egen intelligens – eller intelligenser – dukke op og forbedre sig gennem utallige generationer af forsøg og fejl, styret af algoritmer uden noget ultimativt plan i tankerne.

Hvis AI begynder at generere intelligens af sig selv, er der ingen garanti for, at det vil være menneskelignende. I stedet for at mennesker lærer maskiner at tænke som mennesker, kan maskiner lære mennesker nye måder at tænke på.

Der er sandsynligvis et stort antal forskellige måder at være meget intelligent på, siger Clune. En af de ting, der ophidser mig ved AI, er, at vi måske kommer til at forstå intelligens mere generelt ved at se, hvilken variation der er mulig.

Det synes jeg er fascinerende. Jeg mener, det er næsten som at opfinde interstellare rejser og være i stand til at besøge fremmede kulturer. Der ville ikke være noget større øjeblik i menneskehedens historie end at møde en fremmed race og lære om dens kultur, dens videnskab, alt. Interstellar rejse er ekstremt vanskeligt, men vi har evnen til potentielt at skabe fremmede intelligenser digitalt.