Forskere søger inspiration fra dyr til at give forstærket læringssystemer sund fornuft

Forskere i kunstig intelligens fra institutter som Imperial College London, University of Cambridge og Google DeepMind søger inspiration fra dyr for at forbedre præstationen af forstærket læringssystemer. I en fælles artikel offentliggjort i CellPress Reviews, med titlen “Kunstig intelligens og dyrs sund fornuft”, argumenterer forskerne for, at dyrs kognition giver nyttige målestokke og metoder til vurdering af forstærket læring og kan også informere udviklingen af opgaver og miljøer.

Forskere i kunstig intelligens og ingeniører har længe søgt inspiration fra biologiske neurale netværk, når de designer algoritmer, og har brugt principper fra adfærdsvidenskab og neurovidenskab til at informere struktureringen af algoritmerne. Dog er de fleste hints, som forskere i kunstig intelligens tager fra neurovidenskab og adfærdsvidenskab, baseret på mennesker, hvor kognitionen hos små børn og spædbørn fungerer som fokus. Forskere i kunstig intelligens har endnu ikke taget megen inspiration fra dyremodeller, men dyrs kognition er en urørt ressource, der har potentialet til at føre til vigtige gennembrud i forstærket læring.

Forstærket læringssystemer trænes gennem en proces med prøver og fejl, hvor belønninger gives, når en forstærket læreningsagent kommer tættere på at fuldføre et ønsket mål. Dette ligner undervisning af et dyr i at udføre en ønsket opgave ved at bruge mad som belønning. Biologer og specialister i dyrs kognition har gennemført mange eksperimenter for at vurdere de kognitive evner hos en række forskellige dyr, herunder hunde, bjørne, egern, svin, krager, delfiner, katte, mus, elefanter og blæksprutter. Mange dyr viser imponerende udtryk for intelligens, og nogle dyr som elefanter og delfiner kan måske endda have en teori om sind.

At se på den samlede forskning om dyrs kognition kan inspirere forskere i kunstig intelligens til at overveje problemer fra forskellige vinkler. Da forstærket læring er blevet mere avanceret og sofistikeret, søger forskere i kunstig intelligens, der specialiserer sig i feltet, efter nye måder at teste de kognitive evner hos forstærket læreningsagenter på. I forskningsartiklen henviser forskerholdet til de typer eksperimenter, der er udført med primater og fugle, og nævner, at de har til hensigt at designe systemer, der kan udføre lignende opgaver, og give en kunstig intelligens en slags “sund fornuft“. Ifølge artiklens forfattere “forkaster de en tilgang, hvor RL-agenter, måske med endnu ikke udviklede arkitekturer, tilegner sig, hvad der er nødvendigt gennem udvidet interaktion med rige virtuelle miljøer.”

Ifølge VentureBeat argumenterer forskerne i kunstig intelligens for, at sund fornuft ikke er en egenskab, der er unik for mennesker, og at det afhænger af en forståelse af grundlæggende egenskaber ved den fysiske verden, såsom hvordan et objekt besætter et punkt og rum, hvilke begrænsninger der er for objektsbevægelser, og en værdsættelse af årsag og virkning. Dyr viser disse egenskaber i laboratoriestudier. For eksempel forstår krager, at objekter er permanente ting, da de kan hente frø, selv når frøet er skjult for dem, dækket af et andet objekt.

For at udstyre et forstærket læringssystem med disse egenskaber argumenterer forskerne for, at de vil benötige til at oprette opgaver, der, når de kombineres med den rette arkitektur, kan skabe agenter, der kan overføre lærede principper til andre opgaver. Forskerne argumenterer for, at træning af sådanne modeller bør involvere teknikker, der kræver, at en agent opnår forståelse af et begreb efter at have været udsat for kun få eksempler, kaldet few-shot-træning. Dette er i modsætning til de traditionelle hundredvis eller tusindvis af forsøg, der normalt indgår i træningen af en RL-agent.

Forskerholdet forklarer yderligere, at selvom nogle moderne RL-agenter kan lære at løse multiple opgaver, hvoraf nogle kræver overføring af lærede principper, er det ikke klart, om RL-agenter kan lære et så abstrakt begreb som “sund fornuft”. Hvis der var en agent, der potentielt kunne lære et sådant begreb, ville de benötige tests, der kan fastslå, om en RL-agent forstod begrebet om en beholder.

DeepMind er i særdeleshed ivrig efter at engagere sig i nye og forskellige måder at udvikle og teste forstærket læring på. For nylig, ved Stanford HAI-konferencen, der fandt sted tidligere i oktober, opfordrede DeepMinds chef for neurovidenskabsforskning, Matthew Botvinick, maskinlæringsforskere og ingeniører til at samarbejde mere med andre videnskabsfelter. Botvinick fremhævede vigtigheden af tværfagligt arbejde med psykologer og neurovidenskab for kunstig intelligensfeltet i en tale kaldet “Triangulating Intelligence: Melding Neuroscience, Psychology, and AI”.