Сможет ли компьютер когда-нибудь сойти за живое существо — одна из ключевых проблем для исследователей в области искусственного интеллекта. С тех пор, как Алан Тьюринг впервые создал то, что сейчас называется тестом Тьюринга, в области искусственного интеллекта произошли огромные успехи — может ли машина демонстрировать интеллектуальное поведение, эквивалентное поведению человека или неотличимое от него. Однако машины по-прежнему борются с одним из фундаментальных навыков, который является второй натурой людей и других форм жизни: обучением на протяжении всей жизни. То есть учиться и адаптироваться во время выполнения задачи, не забывая предыдущие задачи, или интуитивно перенося знания, полученные из одной задачи, в другую область.
Теперь, при поддержке программы DARPA Lifelong Learning Machines (L2M), исследователи Университета Южной Калифорнии в Витерби совместно с коллегами из институтов США и всего мира работают над новым ресурсом для будущего обучения ИИ, определяя, как искусственные системы могут успешно мыслить, действовать и приспосабливаться в реальном мире так же, как это делают живые существа.
Статья, написанная в соавторстве с профессором электротехники и вычислительной техники декана Элис Паркер и профессором биомедицинской инженерии, а также биокинезиологии и физиотерапии Франсиско Валеро-Куэвасом и их исследовательскими группами, была опубликована в журнале Nature Machine Intelligence в сотрудничестве с профессором Диришей. Кудитипуди в Техасском университете в Сан-Антонио, а также в 22 других университетах.
В исследовательскую группу также входил научный сотрудник ValeroLab Али Марджанинежад, доктор биомедицинской инженерии Дарио Урбина и доктор технических наук в области электротехники. кандидат Сурадж Чакраварти Раджа. Предыдущая работа ValeroLab в области искусственного интеллекта, вдохновленного биотехнологиями, включала роботизированную конечность, управляемую искусственным интеллектом, приводимую в движение сухожилиями, подобными животным, которые могут научиться ходить без предварительных знаний .
Валеро-Куэвас сказал, что цель этой публикации — предоставить исследователям в области искусственного интеллекта ресурс на десятилетия вперед, сосредоточив внимание на концепции непрерывного обучения в искусственных системах. План будет намечать разработку нового типа искусственного интеллекта, который будет иметь основополагающее значение для технологий следующего поколения, таких как автомобили с автоматическим управлением, автономные роботы и дроны, а также интеллектуальные протезы, экзоскелеты и носимые устройства.
Обучение на протяжении всей жизни — это совокупность биологических способностей, которые мы считаем само собой разумеющимися, таких как способность приобретать новые навыки без ущерба для наших старых, адаптироваться к изменениям и применять ранее полученные знания для решения новых задач.
«То, как мы с вами учимся, основано на опыте, подражании и самопознании, и то, что вы изучаете новую задачу, не означает, что вы забываете предыдущие задачи», — сказал Валеро-Куэвас. «Люди учатся на работе. Мы появляемся и начинаем учиться, и тогда мы знаем, как это делать. Машины этого не делают — пока».
Валеро-Куэвас сказал, что машины можно запрограммировать с помощью алгоритма. Например, беспилотный автомобиль может использовать алгоритмы, которые получают данные от других транспортных средств, чтобы он мог научиться работать до того, как будет развернут в мире.
«Но есть очень четкая разница между обучением и развертыванием. Когда машина развертывается, это не обязательно обучение, и если вы хотите научить ее чему-то новому, обычно вам приходится стирать память, и она забывает, как выполнять действия. прежде всего», — сказал Валеро-Куэвас.
Это проблема, известная как «катастрофическое забывание», которая является одним из ключевых недостатков современных систем искусственного интеллекта, который подчеркивается в новом плане.
«Как человек, вы могли бы показать мне, как играть в пинг-понг, а затем я смогу использовать этот навык и передать его, чтобы научиться играть в теннис или бадминтон». — сказал Валеро-Куэвас. «В настоящее время машину можно научить играть только в один вид спорта с ракеткой, например в пинг-понг. Если вы хотите, скажем, играть в теннис, который требует от вас использования своего тела по-другому, вам нужно изменить программу. »
Наряду с преодолением фактора катастрофического забывания, план исследователей наметил ряд других компетенций, которые необходимы искусственным системам для достижения обучения на протяжении всей жизни так же, как это могут сделать живые существа. Это включает:
- Передача и адаптация — способность передавать и повторно использовать знания и адаптироваться к новым условиям.
- Использование схожести задач — возможность изучать несколько задач и передавать эти знания между ними.
- Независимое от задачи обучение — понимание того, когда во время обучения нужно переключаться с одной задачи на другую без указания.
- Устойчивость к шуму — возможность выполнять ту же задачу в реальном сценарии, когда условия отличаются от условий периода обучения (например, работа ночью, а не днем).
- Эффективность использования ресурсов и устойчивость — обеспечение того, чтобы обучение на протяжении всей жизни не оказывало негативного влияния на емкость хранилища и не замедляло время отклика.
Эксперт в области биологически вдохновленных цепей, Паркер имеет долгую историю исследований человеческого мозга .понять, как это работает и как эти знания можно применить к искусственным системам. В этой последней статье Паркер внес свой вклад в области нейромодуляции: системы в мозге живых существ, которая помогает улучшить обучение, преодолеть проблему катастрофического забывания, адаптироваться к неопределенной среде и понимать изменения в контексте. Паркер фокусируется на создании электронных структур, поддерживающих нейроморфные схемы (электроника, моделирующая мозг), добавляя биологические функции, которых нет в существующем оборудовании нейронных сетей, но которые поддерживают обучение на протяжении всей жизни. К особенностям относятся астроциты — другие клетки мозга, которые взаимодействуют с нейронами для поддержки обучения, — и нейронный код — всплески и всплески, которые передают информацию в закодированной форме.
Валеро-Куэвас сказал, что сотрудничество должно стать всеобъемлющим ресурсом для будущих исследований в области машинного обучения и искусственного интеллекта.
«Вдохновением служит биология. Ярким примером обучения на протяжении всей жизни является биологическая система», — сказал Валеро-Куэвас. «То, что мы делаем, — это смотрим на все то, что могут делать биологические системы, чему мы крайне завидуем, и задаемся вопросом, что потребуется для того, чтобы это сделали машины».
«Мы думаем, что по крайней мере некоторые механизмы из биологии — уроки, извлеченные за миллионы лет эволюции — могут быть переведены и приняты ИИ», — сказал он.
