211service.com
Forøgelse af AI's IQ
Nutidens kunstige intelligens er langt fra intelligent. Men Josh Tenenbaum, PhD '99, arbejder på det. 27. juni 2018
Bob O'Connor
En søndag eftermiddag i slutningen af marts sidder kognitiv videnskabsmand Josh Tenenbaum, PhD '99, foran et bordspil i træ, han svinger en magnetisk pagaj og forsøger at banke en lille orange bold ind i sin modstanders mål. Tenenbaum, en professor i computational cognitive science, og hans modstander, en førsteårs kandidatstuderende, griner, mens bolden hopper fra siden af brættet og rikochetterer baglæns ind i Tenenbaums mål, hvilket koster ham et point.
Tenenbaums Building 46-arbejdsplads er fyldt med legetøj - ikke kun det magnetiske padlespil, men også et træformet puslespil og et spil kaldet Stormy Seas, hvor spillere forsøger at balancere små objekter med pirat-tema på en ustabil platform. En første klasse ville være lige hjemme her. Alligevel inspirerer legetøjet også Tenenbaum og hans elever til at udforske mere spændende spørgsmål om, hvad der gør folk intelligente – hvad der gør det muligt for os at tænke og lære så hurtigt, og i sidste ende hvad der gør os klogere end noget nuværende kunstig intelligens-system.
Et menneske, der så Tenenbaum og hans elev slå bolden frem og tilbage, ville hurtigt forstå, at de spillede et spil. Efter et par øjeblikke ville observatøren finde ud af reglerne og være i stand til at deltage. Det ville være svært nok at få en robot til at samle de fleste af tingene på dette bord, endsige finde ud af, hvad der foregår, siger Tenenbaum. Kunstig intelligens er ikke rustet til at arbejde baglæns fra et mål og planlægge på en ny måde, siger han. Mennesker kan dog gøre det, delvist ved at skabe mentale modeller af verden omkring dem. Det kan være muligt at bygge smartere maskiner ved at reverse-engineere disse mentale processer.
På trods af al den seneste hype omkring kunstig intelligens, anser Tenenbaum ingen af nutidens AI-systemer for virkelig intelligente. Ja, kunstig intelligens har gjort slående fremskridt med at gøre det muligt for computere at udføre relativt snævre opgaver, som at genkende ansigter eller objekter. Men selvom mange af disse fokuserede AI-systemer fungerer utroligt godt og har en enorm indflydelse, er det ikke lykkedes for forskere at efterligne den generelle, fleksible intelligens, der lader folk løse problemer uden at være specielt uddannet til det. Hans arbejde, siger han, er inspireret af filosofi, herunder spørgsmål, som Platon, Aristoteles, Kant og Hume overvejer. Hvordan går man fra enkeltheder til almenheder? Hvordan ser man på én ting og siger: Det, jeg lærer, handler ikke kun om den ting – det handler også om andre ting? Det er spændende for mig – at tænke på disse store spørgsmål om, hvordan vi kommer til at vide noget, siger han.
Bob O'Connor
Tenenbaum hævder, at fokus på det menneskelige sind er en værdifuld måde at fremme AI. Historisk set blev mange, hvis ikke de fleste innovationer på området, udført af folk, der er interesserede i at forstå menneskelig intelligens fra et matematisk eller ingeniørmæssigt perspektiv, siger han. Så selvom dette ikke er den eneste mulige tilgang, mener han, at det sandsynligvis vil være frugtbart. Derudover er mange af den slags teknologi, vi ser til AI efter, teknologier, der vil leve i en menneskelig verden, siger han. Disse omfatter maskiner, der kan hjælpe med huslige pligter eller endda tage sig af børn eller ældre, der tager sig af opgaver i menneskelig skala. Og, siger han, hvis vi ønsker, at maskiner skal interagere med os, som vi interagerer med hinanden, så er det til en vis grad essentielt for dem at have en menneskelignende intelligens.
I marts, da instituttet lancerede MIT Intelligence Quest (nu kaldet MIT Quest for Intelligence), et initiativ til at udforske grundlaget for menneskelig intelligens, var Tenenbaum ærlig omkring grænserne for eksisterende AI-systemer. Hver enkelt skal bygges af virkelig kloge ingeniører, sagde han, og hver gør kun én ting. Men han uddybede sin dristigere vision om at udvikle kunstig intelligens til at efterligne menneskelig læring. Tænk, hvis vi kunne bygge en maskine, der vokser til intelligens, som et menneske gør, der starter som en baby og lærer som et barn, sagde han. Det ville være AI, der er virkelig intelligent, hvis vi kunne bygge det. Han tilføjede, at det næsten helt sikkert ikke kunne gøres om 10 år, sandsynligvis ikke om 20 - og muligvis ikke engang i vores liv. Men det er okay, sagde han. Derfor kalder vi det en søgen.
Intuitiv fysik
I denne tid med big data og deep learning er det let at blive forført, siger Robert Goldstone, professor i psykologi og hjernevidenskab ved Indiana University. Han mener, at det er fristende at tro, at maskinlæringssystemer ikke behøver sammenhængende fortolkninger af verden omkring dem for at opføre sig intelligent - hvem har brug for teori, når vi har nok data? Tenenbaums arbejde viser imidlertid vigtigheden af teori, siger Goldstone, fordi det viser, at eleverne skal skabe interne modeller af deres miljøer for at komme videre.
Overvej hverdagsfysikkens område, hvor mennesker viser klar intuition. Når vi ser et barn klatre i et træ, har vi en fornemmelse af, om grenene er stærke nok til at bære hendes vægt. Når vi ser en kop placeret ved kanten af et bord, ved vi, at hvis bordet bliver rykket, vil koppen sandsynligvis falde. Hver dag møder vi en visuel mangfoldighed af scenarier, men alligevel kan vi ræsonnere og dømme om dem. Tenenbaum mener, at folk har en evne til mentalt at simulere fysikkens mekanismer, og dette giver os mulighed for at forudsige, hvordan objekter vil opføre sig.
Mens han tester denne teori, er Tenenbaums mål ikke kun at forstå menneskelig kognition bedre, men også at skabe computerprogrammer, der kan tilnærme den mere effektivt. I et projekt byggede han og hans team en række virtuelle tårne med værktøjer, der blev brugt i videospildesign. De designede hvert tårn med 10 blokke stablet i mere eller mindre prekære arrangementer. Derefter præsenterede holdet menneskelige forsøgspersoner for disse konstruktioner og spurgte dem, om tårnene ville falde, som i et spil Jenga. Efter emnet svarede, faldt tårnet - eller gjorde det ikke. Tenenbaum hævder, at folk nærmer sig denne opgave ved hjælp af en intuitiv fysikmotor - en mental model baseret på en forståelse af masse, friktion, tyngdekraft og andre aspekter af den fysiske verden.
Bob O'Connor
I mellemtiden havde Tenenbaum og hans team også skrevet et computerprogram til at fange menneskelige tanker og opfattelser om sådanne fysiske scenarier. Deres mål var, at programmet skulle indkode information om et bloktårn, såsom dets position og konfiguration, og derefter køre simuleringer baseret på denne information for at forudsige, om tårnet ville falde. Det gav forudsigelser, der var sandsynlige, som han siger, at vores egen fysiske ræsonnement også gør. (Vi har en tendens til at tænke i statistiske termer om forskellige mulige udfald, forklarer han, fordi vi i den daglige verden må kæmpe med usikkerhed om objekter, vi observerer.)
I et papir udgivet i 2013, Tenenbaum, postdoc Peter Battaglia og Jessica Hamrick ’11, MEng ’12, beskrevet at teste systemet og finde ud af, at dets forudsigelser var stærkt korreleret med dem, der blev lavet af menneskelige forsøgspersoner. I yderligere eksperimenter manipulerede holdet massen af blokkene, så nogle var tunge og nogle var lette. De lavede også et stød til bordet og spurgte, hvilke blokke der var mest tilbøjelige til at falde på gulvet. I hvert af disse tilfælde lignede computermodellens forudsigelser dem, der blev lavet af menneskelige forsøgspersoner, siger Tenenbaum: Vi var i stand til at modellere den slags simulering, nogen kunne bygge i deres eget hoved.
At lære at lære
Til dato har de bedste AI-algoritmer krævet, at systemer trænes i tusindvis – eller i nogle tilfælde millioner – af eksempler. Dette gælder for eksempel inden for brevidentifikation, en standard benchmark inden for maskinlæring. Det bemærkelsesværdige ved menneskelig kognition er dog, at vi ikke behøver 6.000 eksempler på et brev for at lære, hvad det er og genkende det i forskellige skrifttyper eller forskellige håndskrifter, siger Brenden Lake, PhD '14, en assisterende professor i psykologi og data. videnskab ved New York University og en tidligere kandidatstuderende fra Tenenbaum's.
Fra 2009 satte Lake, Tenenbaum og postdoc Ruslan Salakhutdinov (nu lektor ved Carnegie Mellon University og Apples direktør for AI-forskning) sig for at udvikle et program inspireret af indsigt i, hvordan folk lærer om og opfatter karakterer. Efter at have videooptaget 20 personer, der tegnede bogstaver fra fremmede alfabeter, de aldrig havde brugt før, fandt de stærke fællestræk i, hvordan folk gik til opgaven - de dele, de brød karaktererne ind i, deres udgangspunkt og retningen af deres streger. På baggrund af disse observationer besluttede forskerne at lave en håndskriftsalgoritme, der ville tage højde for hvordan bogstaver blev produceret og ikke blot hvilke pixels der var til stede i det endelige resultat.
Nøgleideen var at repræsentere begrebet et bogstav som en program , hvilket er en meget rigere repræsentation, end der typisk bruges i maskinlæring, siger Lake. De gjorde også programmet sandsynligt. Den kunne observere en skrevet karakter, udlede den måde, den højst sandsynligt var blevet tegnet på (programmet til at tegne den), og så forestille sig, hvordan nye forekomster af den samme karakter kunne tegnes. Det kunne også rumme en vis usikkerhed i den information, det arbejdede med, og generere en række output: hvert eksempel på bogstavet A var for eksempel lidt anderledes. Denne evne til at tolerere usikkerhed hjalp algoritmen med at håndtere situationer i den virkelige verden. Med erfaring kunne programmet også blive bedre til at tegne nye karakterer. En del af det, der begejstrede os, var denne idé om 'at lære at lære', siger Tenenbaum. Og det, forklarer han, er, hvordan vi opnår evnen til at generalisere effektivt ved at bruge sparsomme data eller endda blot et eksempel.
I et papir fra 2015 udgivet i Videnskab , testede holdet algoritmen ved at vise det et enkelt ukendt bogstav og bede det om at producere en ny karakter, der lignede. De præsenterede menneskelige forsøgspersoner for den samme opgave, og bad derefter dommerne om at bestemme, hvilke af karaktererne der var blevet skabt af mennesker og hvilke af maskiner. Bemærkelsesværdigt nok kunne langt de fleste dommere ikke se forskel. Algoritmen bestod med andre ord en enkel, visuel form for Turing-testen, det klassiske kriterium for maskinintelligens.
Modellering af babyer
I de tidlige dage af kunstig intelligens var videnskaben om menneskelig læring ikke avanceret nok til at tilbyde megen vejledning. Turing kunne kun antage, hvordan et barns hjerne var, siger Tenenbaum - den britiske matematiker betragtede det som en tom notesbog - men nej, det er meget mere. Og som en del af hans stræben efter at forstå videns oprindelse, har Tenenbaum også samarbejdet om arbejde med at udforske små børns sind. I 2008 underviste han i en klasse på Harvard med den anerkendte psykolog Elizabeth Spelke, som har vist, at selv små babyer har visse former for viden, der ser ud til at være indbygget. (I modsætning til Jean Piagets grundlæggende arbejde - som mente, at børn udvikle objektpermanens, forståelsen af, at objekter ikke blot blinker ind og ud af eksistensen, omkring otte måneder – Spelke viste, at en eller anden form for denne forståelse er til stede hos to til tre måneder gamle.) Spelke overbeviste Tenenbaum om, at hjernen er sat op for at udvikle bestemte koncepter, og at for at kunne værdsætte menneskelig intelligens fuldt ud, er det nødvendigt at modellere kerneviden hos helt små børn. Dette inkluderer intuition om både fysik og psykologi - især vores evne til at fortolke andre menneskers handlinger i forhold til deres mentale tilstande, overbevisninger og mål.
Bob O'Connor
Senest har Tenenbaum og Spelke undersøgt, hvordan 10 måneder gamle babyer er i stand til at finde ud af, hvad andre mennesker vil have, og hvor meget de værdsætter de mål, de forfølger. For at gøre det lavede forskerne animationer, hvor blå, røde og gule figurer hoppede over vægge eller udførte andre fysiske opgaver for at nå hinanden. For eksempel kan en rød figur hoppe over en lille væg for at komme til en blå figur, men nægte at hoppe over en mellemvæg. Den samme figur kan dog skalere en høj mur for at nå sin gule modstykke. Forskerne antog, at hvis babyer så en karakter arbejde hårdere for at nå et mål, ville de udlede, at karakteren værdsatte det mere end alternativet. Ja, da forskere viste en rød figur, der stod mellem gul og blå uden væg og derefter fik den til at bevæge sig mod blå, stirrede babyerne længere. Det vil sige, efter at have set den røde figur udføre mere arbejde for at nå gul, havde de udledt, at rød foretrak gul og blev overraskede, da den valgte blå i stedet for. Dette tyder på, at selv præverbale babyer har en intuitiv forståelse af balancen mellem omkostninger og belønninger, og hvordan den spiller ind i andre menneskers adfærd, siger Tenenbaum og tilføjer, at denne psykologiske intuition er grundlaget for mere kompleks social forståelse senere. Værket, ledet af postdoc Tomer Ullman, ph.d. ’15, og Spelkes ph.d.-studerende Shari Liu, blev udgivet i Videnskab i 2017.
Tager en vandretur
Hamrick var junior ved MIT, da hun kom til Tenenbaums laboratorium i 2010 og begyndte at arbejde på det Jenga-lignende fysikprojekt. Når eleverne første gang udsættes for forskning, fokuserer de typisk snævert på det problem, der ligger foran dem, siger hun. Men Tenenbaum inspirerer dem til også at tænke over, hvordan det passer ind i de større spørgsmål i videnskaben (ikke ulig den måde, han siger, vi lærer). Det fik mig til at føle, at forskning var en fantastisk ting at lave, tilføjer Hamrick og krediterer sin erfaring i Tenenbaums laboratorium med beslutningen om at forfølge en karriere inden for videnskab. (Hun er nu forsker hos DeepMind, et britisk kunstig intelligens-firma ejet af Google.)
En måde, hvorpå Tenenbaum har fremmet en tæt og samarbejdsånd i sit laboratorium, er ved at tage sine studerende og postdocs med på årlige vandreture, hvoraf nogle har været notorisk intense, siger han. Da han voksede op i Californien, betragtede han Yosemite National Park som et af sine yndlingssteder. Og fra 2002, da han blev adjunkt ved MIT, begyndte han at organisere årlige ture til White Mountains i New Hampshire. Gruppen går normalt omkring Columbus Day, på højden af efterårsløvsæsonen. Men selv dengang har de af og til mødt vinterlige forhold i de højere højder. Tenenbaum husker en tur langs Franconia Ridge Trail og joker: Det var ikke en dødsmarch - ingen døde - men der var lidt sne, og ikke alle var forberedte, selvom de blev advaret!
Sammen med den intense kropslighed giver vandreture også gruppemedlemmer mulighed for at tale bredt om videnskab og livet. Når folk vandrer langs en smal sti, har de en tendens til at sprede sig. Nogle gange befinder jeg mig forrest, nogle gange bagerst, siger Tenenbaum. Uanset hvad, tilføjer han, har jeg altid sådan et stort udvalg af samtaler, der bevæger sig op og ned ad linjen, alt imens jeg bliver inspireret af dette smukke sted, vi går igennem.
Tenenbaum henter også inspiration fra forældreskabet. Hans 16-årige datter, Abi, har været kendt for at give en hånd med hans forskning; i en alder af otte eller ni var hun den første deltager i Jenga-eksperimentet. Med det samme fandt hun en fejl - i bund og grund en måde at få en perfekt score på - og da hun forklarede det for os, tænkte vi: 'Åh, god pointe' og omskrev hele eksperimentet, husker han. Men mere generelt hænger forældreskab sammen med Tenenbaums interesse for menneskelig læring, især hos babyer og børn. Oplevelsen af at se dit barn smage deres første is eller se deres første hest er fantastisk, siger han. Det slår ind i min interesse for, hvad det er, man lærer fra første gang, man ser noget.
Håndtering af store spørgsmål i krydsfeltet mellem hjerner, sind og intelligente maskiner
MIT Intelligence Quest (nu kaldet MIT Quest for Intelligence) har til formål at præge AI med ægte intelligens ved at samle tænkere inden for en række discipliner, fra psykologi til datalogi. Initiativet behandler den menneskelige hjerne (og AI-systemerne, der forsøger at efterligne den) som en stor ingeniørudfordring. Da projektet blev annonceret i marts, delte Josh Tenenbaum dette diagram, der opsummerer nogle af de store spørgsmål, MIT-forskere arbejder på i seks hovedkategorier - og påpegede, at spørgsmål, der endnu ikke er stillet, kan vise sig at være de vigtigste.