Image
31.7.2018 0 Comments

Prehľad: Umelá inteligencia sa bude učiť rovnako, ako malé dieťa. Pomocou inštinktov

Gary Marcus, kognitívny vedec z Newyorskej univerzity, má trojročnú dcérku Chloe, ktorá si veľmi obľúbila stavebnice Lego. Všetky jej stavby však boli vertikálne, smerovali zdola hore. Preto jej otec jedného dňa priniesol lego pásky, umožňujúce stavať výtvory z lego kociek hoci bokom či dole hlavou. Najprv dcére navrhol stavať na boku stola, no Chloe o chvíľu sama nalepila pásku na stenu a jej soška z lega už o pár minút vytŕčala zo steny.

Marcus tak vlastne urobil experiment, či bude Chloe schopná uplatniť to, čo už o tejto aktivite vie, v novom kontexte. Chloe tu preukázala zdravý úsudok, akýsi druh inteligencie, ktorá umelej inteligencii, zameranej skôr na reprodukciu, robí problémy. No Marcus sa domnieva, že umelá inteligencia by sa mohla učiť podobne ako deti.

Výskumníci zaoberajúci sa strojovým učením tvrdia, že počítače trénované na veľkých objemoch dát dát sa môžu naučiť čokoľvek vrátane zdravého úsudku, potrebujú len niekoľko naprogramovaných pravidiel. Podľa Marcusa však počítačoví vedci ignorujú desiatky rokov práce v kognitívnych vedách a vývojovej psychológii, ktoré ukazujú, že ľudia majú vrodené schopnosti, naprogramované inštinkty, ktoré sa objavujú pri narodení alebo v ranom detstve a pomáhajú nám premýšľať abstraktne a pružne ako Chloe. Myslí si, že vedci by mali do svojich programov pre umelú inteligenciu zahrnúť práve také inštinkty.

Mnohí počítačoví vedci doposiaľ skúmajú hranice toho, čo môže zvládnuť „naivná“ umelá inteligencia. Veľká časť z nich je proti vkladajú priveľkého množstva poznatkov o pozadí. Navyše veľa vedcov oceňuje jednoduchosť a má averziu k ladeniu príliš komplexného kódu. Ďalší faktor sú spoločnosti ako Facebook či Google, ktoré sa najviac zaujímajú o umelú inteligenciu zameranú na úzko definované problémy, ako je vyhľadávanie na webe či rozpoznávanie tvárí. Na tieto úkony systémy umelej inteligencie nepotrebujú nijaké predbežné poznatky a možno ich vyškoliť  na rozsiahlych súboroch údajov. Pritom v nich dosahujú veľmi dobré výsledky.

Z dlhodobého hľadiska však vedci očakávajú, že umelá inteligencia bude plniť oveľa zložitejšie úlohy, ktoré vyžadujú flexibilitu a zdravý úsudok. Chcú vytvoriť chatboty, ktoré vysvetlia novinky, autonómne taxíky zvládajúce chaotickú mestskú dopravu a roboty ošetrujúce starších ľudí. „Ak chceme vytvoriť roboty, ktoré sú schopné interakcie skutočne v celom ľudskom svete, ako je C-3PO,“ hovorí Josh Tenenbaum, psychológ z Massachusettskej technickej univerzity (MIT), „budeme musieť riešiť všetky tieto problémy na oveľa všeobecnejšej úrovni.“

Niektorí počítačoví vedci sa o to už snažia. Vo februári spustil MIT projekt Intelligence Quest, čo je výskumná iniciatíva na pochopenie ľudskej inteligencie z technického hľadiska. Projekt získal už investície vo výške niekoľko stoviek miliónov dolárov. Vedci dúfajú, že sa im podarí dostať umelú inteligenciu niekde na rozhranie medzi čistým strojovým učením a čistým inštinktom. Bude sledovať niektoré zabudované pravidlá, ale bude sa aj učiť tak ako doteraz.

Dôležitou časťou tejto úlohy bude zistiť, čo deti vedia a kedy – tieto poznatky potom môžu byť aplikované na stroje. Prednedávnom Allenov inštitút pre umelú inteligenciu v Seattli v štáte Washington získal 125 miliónov dolárov na vývoj a testovanie zdravého „sedliackeho“  rozumu v umelej inteligencii. „Radi by sme stavali na štruktúre, ktorá je v ľudskom mozgu vrodená,“ Oren Etzioni, generálny riaditeľ inštitútu, „ale nechápeme, ako mozog spracúva jazyk, myslenie a vedomosti.“

Postupom času sa umelá inteligencia (AI) posunula z algoritmov založených na naprogramovaných pravidlách a logike k strojovému učeniu, kde algoritmy obsahujú niekoľko pravidiel a získavajú údaje v tréningu metódou pokus – omyl. Ľudská myseľ je niekde medzi tým.

„Snažíme sa uskutočniť jeden z najstarších snov o AI: že by sme mohli postaviť stroj, ktorý rozvíja svoju inteligenciu, ako to robí človek – začína ako dieťa a učí sa ako dieťa,“ vysvetľuje Tenenbaum. V posledných rokoch AI ukázala, že dokáže preložiť reč, diagnostikovať rakovinu a poraziť ľudí v pokeri. Vždy sa však môže vyskytnúť chyba. Aj algoritmy, ktoré vedia rozlišovať plemená psov lepšie ako vy, môžu občas označiť čivavu ako čučoriedkový muffin.

Za tieto úspechy a zlyhania je zodpovedné strojové učenie – typ umelej inteligencie. Dá sa povedať, že umelá inteligencia sa presťahovala zo softvéru, ktorý sa spolieha na mnohé naprogramované pravidlá, do systémov, ktoré sa učia prostredníctvom pokusov a omylov. Umožnili to výkonné počítače, veľké dáta a pokroky v algoritmoch nazývaných neurónové siete, ktoré sú modelované podľa vzoru neurónov v ľudskom mozgu.

Tento postup bol použitý v programe Alpha spoločnosti DeepMind, ktorá dnes patrí Googlu. V roku 2016 AlphaGo porazil ľudského šampióna v klasickej čínskej strategickej hre go. O rok neskôr AlphaGo Zero s oveľa menším počtom pravidiel poľahky zvíťazil nad AlphaGo. A o niekoľko mesiacov neskôr ešte jednoduchší systém AlphaZero porazil AlphaGo Zero a naučil sa aj hrať šachy. IBM Deep Blue síce už v roku 1997 porazil šachového veľmajstra Garryho Kasparova, bola to však klasická umelá inteligencia založená na pravidlách. Ukázalo sa však, že skutočná šachová virtuozita spočíva v poznaní výnimiek a výnimiek z výnimiek atď. A takéto informácie sa najlepšie dajú získať skúsenosťami. Preto AlphaZero, ktorý sa znova a znova učí, môže poraziť Deep Blue, dnešné najlepšie šachové programy, aj každého šampióna.

No systémy ako Alpha nemôžu extrahovať svoje skúsenosti na základe zdravého úsudku. Keby mala Alpha hrať hru go na doske 21 × 21 namiesto klasickej 19 × 19, musela by sa hru učiť odznovu. Nedokáže teda preniesť poznatky z jednej oblasti do druhej, ako to urobila Chloe, keď začala budovať stavby z lego kociek dole hlavou.

Riešením nie je návrat k umelej inteligencii založenej na pravidlách. Ani dieťa nerozpozná psa na základe pravidiel, ako napr.  že „počet jeho končatín = 4, má chvost a je väčší ako mačka“. Takéto pravidlá by neumožnili rozpoznať napr. čivavu s tromi nohami. Ľudia majú predispozície, ktoré im pomáhajú učiť sa a zdôvodňovať svet. Príroda nám neposkytuje hotový súbor zručností, ale „lešenie“ na ich budovanie.

Podľa psychológov máme aspoň štyri systémy „hlavných vedomostí“, ktoré nám dávajú základ na pochopenie objektov, činností, čísel a priestoru. Podľa jednej štúdie napríklad deti staršie ako 3 dni interpretujú dva konce čiastočne zakrytej tyče ako časti jednej entity – to naznačuje, že naše mozgy môžu byť predisponované na vnímanie súdržných objektov.

Marcus zostavil minimálny zoznam 10 ľudských inštinktov, o ktorých sa domnieva, že by mali byť zabudované do AI. Zahrnul sem napríklad pojem príčinnej súvislosti, analýzy nákladov a prínosov a pod. Yan LeCun, počítačový vedec z Newyorskej univerzity, ktorý teraz vedie výskum v oblasti AI vo Facebooku, nesúhlasí s mnohými vývojovými psychológmi a tvrdí, že ak sa deti môžu naučiť takéto schopnosti v priebehu niekoľkých dní, mohli by to aj algoritmy strojového učenia. Jeho presvedčenie je založené na skúsenostiach.

Pracuje na rozpoznávaní obrazu a už v 80. rokoch argumentoval, že ručne programované algoritmy na identifikáciu funkcií v obraze sa môžu stať zbytočnými. O tridsať rokov neskôr sa ukázalo, že mal pravdu. Kritici sa ho pýtali, prečo treba schopnosti trénovať, ak sa dajú aj zabudovať. Odpovedal v tom zmysle, že zabudovanie je ťažké, a ak úplne nerozumiete, ako niečo funguje, pravidlá, ktoré navrhnete, budú pravdepodobne zlé.

No Marcus poukázal na to, že sám LeCun vložil do svojich algoritmov na rozpoznávanie obrazov jeden z 10 kľúčových inštinktov: translačnú invariantnosť, schopnosť rozpoznať objekt bez ohľadu na to, kde sa nachádza v zornom poli. Translačná invariantnosť je princíp konvolučných neurónových sietí. Tie sa v posledných piatich rokoch stali stredobodom pri rozpoznávaní obrázkov.

LeCun hovorí, že aj translačná invariantnosť by sa mohla objaviť spontánne pri lepších všeobecných mechanizmoch výcviku. Diskusia o tom, kam umiestniť AI na spektre medzi čistým učením a čistým inštinktom, bude pokračovať. Často sa tu však opomína jeden praktickejší problém: ako navrhovať a programovať taký zmiešaný stroj. Zatiaľ nie je jasné, ako skombinovať strojové učenie a miliardy parametrov neurónovej siete s pravidlami a logikou. Rovnako ani to, ako identifikovať najdôležitejšie inštinkty a naprogramovať ich flexibilne. To však nebráni niektorým výskumníkom a spoločnostiam v tom, aby sa o to pokúšali.

Napríklad laboratórium robotiky pôsobiace pri Univerzite Nového Južného Walesu v austrálskom Sydney sa snaží vybaviť robot Toyota Human Support Robot (HSR), ktorý má jednu ruku a obrazovku namiesto tváre, dvoma ľudskými inštinktmi. Najskôr ho chcú naučiť rozložiť problém na menšie a ľahšie úlohy rovnako, ako by človek rozdelil riešenie na niekoľko krokov. Následne chcú dať robotovi schopnosť odôvodňovať domnienky a ciele, ako ľudia inštinktívne premýšľajú o zámeroch druhých. Ako by napríklad HSR reagoval, keby ho niekto požiadal, aby priniesol červený pohár, no našiel by len modrý pohár a červený tanier?

Ich softvér preukazuje niektoré ľudské schopnosti vrátane zdravého úsudku priniesť radšej modrý pohár než červený tanier. Do softvéru však musia byť naprogramované aj ďalšie pravidlá. Napríklad umelej inteligencii treba povedať, že slovo pohár je dôležitejšie ako slovo červený. V ideálnom prípade by robot mal mať sociálne inštinkty, aby sa rýchlo naučil osobné preferencie.

Ďalší výskumníci sa snažia dať svojej umelej inteligencii intuitívne poznatky z fyziky, ktoré majú deti zrejme vrodené. Napríklad vedci z DeepMind vyvinuli tzv. interakčné siete. Tie zahŕňajú isté predpoklady o fyzickom svete: existujú diskrétne objekty, ktoré majú charakteristické interakcie. Tak ako deti rýchlo analyzujú svet pomocou interakcií entít, aj tieto systémy sa ľahko naučia vlastnosti objektov a vzťahy medzi nimi. Výsledky naznačujú, že interakčné siete dokážu oveľa presnejšie predpovedať napríklad správanie guľôčok odrážajúcich sa od stien škatule ako všeobecná neurónová sieť.

Kalifornská spoločnosť Vicarious, zameraná na softvér pre roboty, rozvíja túto myšlienku ešte ďalej vo svojej sieti schém (schema network). Aj tieto systémy predpokladajú existenciu objektov a interakcií, ale snažia sa aj vyvodiť príčinnú súvislosť, ktorá ich spája.  Ich softvér sa učí plánovať spätne, vychádzajúc z požadovaného výsledku. (Napríklad chcem, aby ma nesvrbel nos – pravdepodobne mi pomôže poškriabanie.)

Výskumníci porovnávali svoju metódu s najmodernejšou neurónovou sieťou v hre Atari Breakout, v ktorej hráč posúva pálku, aby odrážal loptu, ktorá potom vyrazí tehly z múra. Sieť schém sa môže dozvedieť o príčinných súvislostiach, napr. o tom, že lopta vyrazí tehly pri kontakte bez ohľadu na jej rýchlosť. Potom môžete tehly presunúť či nechať hráča žonglovať s tromi loptičkami – sieť schém nepotrebuje ďalší výcvik pri zmene hry. Iná sieť pri tom neuspela.

Jedna z najnáročnejších úloh výskumníkov je naprogramovať inštinkty pružne, aby sa AI mohla vyrovnať s chaotickým svetom, kde sa nie vždy dodržiavajú pravidlá. Autonómne autá sa napríklad nemôžu spoliehať na to, že ostatní vodiči budú striktne dodržiavať dopravné predpisy. Na riešenie tejto nepredvídateľnosti Noah Goodman, psychológ a počítačový vedec na Stanfordovej univerzite v Palo Alto (Kalifornia, USA), pomáha rozvíjať pravdepodobnostné programovacie jazyky (probabilistic programming languages – PPLs).

Opisuje ich ako kombináciu pevných štruktúr počítačového kódu s matematikou pravdepodobnosti, ktorá odráža spôsob, ako ľudia môžu sledovať logiku, no zohľadňovať aj neistotu: Ak je tráva mokrá, pravdepodobne pršalo, ale možno len niekto polieval. Rozhodujúce je, že PPL sa dá kombinovať s hlbokým učením. Goodman hovorí, že PPL nezohľadňuje len fyziku a logiku, ale aj to, ako ľudia komunikujú a vyrovnávajú sa s komplikovanými formami prejavu, ako je zveličovanie, irónia a sarkazmus.

Chloe možno pochopí sarkazmus až vo veku okolo 10 rokov. No jazykový cit malých detí je jasný. Slová a myšlienky kombinujú ako kocky lega, miešajú ich, prispôsobujú a dychtivo testujú vo svete. A podobne postupom času jemne dolaďujú aj svoj intuitívny zmysel pre fyziku. A takto by sa mala učiť aj umelá inteligencia.

Zdroj: sciencemag.org.

Zobrazit Galériu
Autor: Redakcia

Nechajte si posielať prehľad najdôležitejších správ emailom

Mohlo by Vás zaujímať

Technológie 3

Dvojnohé roboty môžu pomôcť ľuďom znovu chodiť. Teraz sa učia udržať rovnováhu a chodiť v piesku či snehu

14.12.2018 00:10

Na univerzite Caltech v Kalifornii sa nachádza AMBER Lab (Advanced Mechanical Bipedal Experimental Robotics Lab), kde sa venujú výskumu dvojnohých robotov, ktoré by mohli v blízkej budúcnosti pomôcť p ...

Technológie 1

Sen každého chlapa realitou. Automat HomeBrew na domácu výrobu piva z kapsúl

13.12.2018 00:30

Spoločnosť LG ohlásila „systém na remeselnú výrobu piva“. Pritom remeselná výroba tu znamená len jednoduché ovládanie jedným tlačidlom. Prístroj sa nazýva LG HomeBrew a bude predstavený na budúcoročne ...

Technológie

17-palcový Gram od LG je „najľahší“ notebook na svete. Váži len 1,34 kg

13.12.2018 00:20

Spoločnosť LG predstaví na veľtrhu CES 2019 dve nové zariadenia z ultraľahkého radu Gram - 17-palcový notebook pre tých, ktorí uprednostňujú veľké displeje, a konvertibilné zariadenie 2-v-1. Nový 17- ...

q

Žiadne komentáre

Vyhľadávanie

DOCKITIN

Najnovšie videá



PC forum button