Disse underlige virtuelle væsner udvikler deres kroppe for at løse problemer

Agrim Gupta, Silvio Savarese, Surya Ganguli & Li Fei-Fei

En endeløs række af virtuelle væsner slynger og slingrer hen over skærmen, kæmper over forhindringer eller trækker bolde mod et mål. De ligner halvformede krabber lavet af pølser - eller måske Thing, den kropsløse hånd fra Familien Addams . Men disse 'unimaler' (en forkortelse for universelle dyr) kunne faktisk hjælpe forskere med at udvikle mere generel intelligens i maskiner.

Agrim Gupta fra Stanford University og hans kollegaer (inklusive Fei-Fei Li, der er medleder Stanford Institute for Human-Centered AI og ledede oprettelsen af ​​ImageNet) brugte disse unimals til at udforske to spørgsmål, der ofte bliver overset i AI-forskning: hvordan intelligens er knyttet til den måde, kroppe er lagt ud på, og hvordan evner kan udvikles gennem evolution såvel som indlært.

Relateret historie

En uendelig foranderlig legeplads lærer AI'er at multitaske

Virtuelle spilverdener giver en non-stop strøm af åbne udfordringer, der skubber AI mod generel intelligens.

Dette arbejde er et vigtigt skridt i et årtier langt forsøg på bedre at forstå krop-hjerne-forholdet i robotter, siger Josh Bongard, der studerer evolutionær robotik ved University of Vermont og ikke var involveret i arbejdet.

Hvis forskere vil genskabe intelligens i maskiner, mangler de måske noget, siger Gupta. I biologi opstår intelligens fra sind og kroppe, der arbejder sammen. Aspekter af kropsplaner, såsom antallet og formen af ​​lemmer, bestemmer, hvad dyr kan gøre, og hvad de kan lære. Tænk på aye-aye, en lemur, der udviklede en aflang langfinger for at sondere dybt ned i huller efter larver.

AI fokuserer typisk kun på sindet og bygger maskiner til at udføre opgaver, der kan mestres uden krop, såsom at bruge sprog, genkende billeder og spille videospil. Men dette begrænsede repertoire kunne hurtigt blive gammelt. Indpakning af AI'er i kroppe, der er tilpasset specifikke opgaver, kan gøre det lettere for dem at lære en lang række nye færdigheder. Én ting har hvert enkelt intelligent dyr på planeten til fælles i en krop, siger Bongard. Embodiment er vores eneste håb om at lave maskiner, der er både smarte og sikre.

Unimaler har et hoved og flere lemmer. For at se, hvad de kunne gøre, udviklede holdet en teknik kaldet deep evolutionary reinforcement learning (DERL). Unimalerne trænes først ved hjælp af forstærkningslæring til at udføre en opgave i et virtuelt miljø, såsom at gå på tværs af forskellige typer terræn eller flytte et objekt.

De enedyr, der præsterer bedst, udvælges derefter, og mutationer introduceres, og det resulterende afkom placeres tilbage i miljøet, hvor de lærer de samme opgaver fra bunden. Processen gentages hundredvis af gange: udvikle og lære, udvikle sig og lære.

Mutations-unimalerne udsættes for at involvere tilføjelse eller fjernelse af lemmer eller ændring af lemmers længde eller fleksibilitet. Antallet af mulige kropskonfigurationer er stort: ​​der er 10^18 unikke variationer med 10 lemmer eller færre. Over tid tilpasser unimalernes kroppe sig til forskellige opgaver. Nogle unimaler har udviklet sig til at bevæge sig hen over fladt terræn ved at falde fremad; nogle udviklede en firben-lignende vral; andre udviklede tang til at gribe en æske.

Forskerne testede også, hvor godt de udviklede unimaler kunne tilpasse sig en opgave, de ikke havde set før, et væsentligt træk ved generel intelligens. Dem, der havde udviklet sig i mere komplekse miljøer, der indeholdt forhindringer eller ujævnt terræn, var hurtigere til at lære nye færdigheder, såsom at rulle en bold i stedet for at skubbe en kasse. De fandt også ud af, at DERL valgte kropsplaner, der lærte hurtigere, selvom der ikke var noget selektivt pres for at gøre det. Det synes jeg er spændende, fordi det viser, hvor dybt kropsform og intelligens hænger sammen, siger Gupta.

Relateret historie

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.

Det er allerede kendt, at visse kroppe fremskynder læring, siger Bongard. Dette arbejde viser, at AI, der kan søge efter sådanne kroppe. Bongards laboratorium har udviklet robotkroppe, der er tilpasset til bestemte opgaver, såsom at give callus-lignende belægninger til fødderne for at reducere slitage. Gupta og hans kolleger udvider denne idé, siger Bongard. De viser, at den rigtige krop også kan fremskynde ændringer i robottens hjerne.

I sidste ende kan denne teknik vende den måde, vi tænker på at bygge fysiske robotter på, siger Gupta. I stedet for at starte med en fast kropskonfiguration og derefter træne robotten til at udføre en bestemt opgave, kan du bruge DERL til at lade den optimale kropsplan for den pågældende opgave udvikle sig og derefter bygge den.

Guptas unimals er en del af et bredt skift i, hvordan forskere tænker om AI. I stedet for at træne AI'er i specifikke opgaver, såsom at spille Go eller analysere en medicinsk scanning, begynder forskere at droppe bots i virtuelle sandkasser – som f.eks. DIGTER , OpenAIs virtuelle gemmeleg arena , og DeepMinds virtuelle legeplads XLand – og få dem til at lære at løse flere opgaver i stadigt skiftende, åbne træningsdojoer. I stedet for at mestre en enkelt udfordring, lærer AI'er, der er trænet på denne måde, generelle færdigheder.

For Gupta vil udforskning i fri form være nøglen til den næste generation af AI'er. Vi har brug for virkelig åbne miljøer for at skabe intelligente agenter, siger han.

skjule