Hvorfor Industry 5.0 har brug for kunstig generel intelligens

Af: Bas Steunebrink, Medstifter og Direktør for Kunstig Generel Intelligens, Eric Nivel, Lead AGI Ingeniør & Jerry Swan, Forskningsvidenskabsmand ved NNAISENSE.

Vi tager automation for givet i vores moderne verden, og nyder hver dag af fordelene ved globale forsyningskæder, der leverer en bred vifte af varer til vores hylder. Men bag kulisserne genererer produktion og transport af varer mange optimeringsudfordringer, såsom pakning, planlægning, ruteplanlægning og automatisering af samlebåndsproduktion. Disse optimeringsudfordringer er dynamiske og ændrer sig konstant i takt med den virkelige verden. For eksempel kan forventede forsyningsruter pludselig blive kompromitteret på grund af uforudsete omstændigheder – for eksempel kan Suez-kanalen være blokeret; lufruter kan ændre sig på grund af vulkanudbrud; hele lande kan være utilgængelige på grund af konflikt. Ændringer i lovgivning, valutakollaps og knappe ressourcer er også eksempler på forsynings-side-variable, der konstant er i flux.

For at give et andet eksempel skal en ny komponent undertiden integreres i en maskine eller arbejdsgang (brugere kan ønske forskellige materialer eller farver, for eksempel). I øjeblikket kræves eksperthåndværk for at foretage ændringer i systemet, eller – i tilfælde af maskinlæring – yderligere at genskole og genudsende løsningen. På lignende vis er “digitale tvillinger” i Industry 4.0 stadig stærkt afhængige af antagelsen, at problembeskrivelsen og fordelingen af indgange kan specificeres én gang for alle ved systemdesignets begyndelse.

Den seneste pandemi fremhæver sårbarheden ved “just-in-time”-planlægning af forsyningskæder. Det bliver mere tydeligt, at i en stadig mere kompleks og usikker verden kan industrien ikke længere tillade sig sådanne infleksibilitet. I øjeblikket skal produktionen træffe et fast valg mellem “Low-Mix High-Volume” (LMHV) og “High-Mix Low-Volume” (HMLV). Industry 5.0 forudser muligheden for “High-Mix High-Volume” (HMHV), hvor arbejdsgangen kan omkonfigureres til lav omkostning for at imødekomme flydende krav. For at opnå dette er det nødvendigt at “automatisere automation”, for at eliminere behovet for menneskelig indgriben og/eller systemnedtid, når problemet eller omgivelserne ændrer sig. Dette kræver systemer, der “fungerer på kommando”, reagerer på sådanne ændringer, mens de stadig har en rimelig chance for at fuldføre deres tildelte opgaver inden for virkelige tidsbegrænsninger. Overvej for eksempel at instruere en samlebåndsrobot, der i øjeblikket er beskæftiget med opgave X, som følger:

“Stop med at samle X med det samme: her er en specifikation af Y, og her er de fleste af dine gamle og nogle nye effektorer. Start nu med at samle Y, undgå sådanne og sådanne typer af fejl og spild.”

Trods vidt udbredt snak om det forestående ankomst af “Kunstig Generel Intelligens” (AGI) via såkaldte store sprogmodeller som GPT-3, er ingen af de foreslåede tilgange virkelig i stand til at “fungerer på kommando”. Det vil sige, at de ikke kan tildèles noget, der ligger helt uden for deres træningsmængde uden nedtid af offline-genskoling, verificering og genudsendelse.

Det er sandsynligvis klart, at enhver virkelig verdensbegreb om intelligens er uadskilleligt forbundet med respons på ændring. Et system, der forbliver uændret – uanset hvor mange uventede begivenheder det udsættes for – er hverken selvstændigt eller intelligent. Dette er ikke for at mindske de utvivlsomme styrker af sådanne dybe læringsmetoder (DL), der har haft stor succes som middel til at syntetisere programmer for problemer, der er svære at specificere eksplicit.

Hvad for slags systemfunktionalitet kunne så muligvis tillade AI at gå ud over denne træning, fryse og udsendelsesparadigme, mod et, der er i stand til ubrudt adaptiv læring? Overvej behovet for at erstatte en defekt komponent i en produktionsarbejdsgang med en fra en anden leverandør, der måske har forskellige tolerancer. Med den samlede sorte kasse-modellering af moderne AI skal den digitale tvilling-proces gøres på ny. For at imødekomme begrænsningerne af moderne tilgange er en radikal ændring nødvendig: en model, der kan direkte resonere om konsekvenserne af en komponentændring – og mere generelt kontrafaktiske “hvad hvis”-scenarier. At nedbryde en arbejdsgang i komponenter med kendte egenskaber og gensamle dem efter behov kræver, hvad der kaldes “sammensætning”.

Sammensætning har hidtil undgået moderne AI, hvor det ofte forveksles med den svagere begreb “modularitet”. Modularitet beskæftiger sig med evnen til at “lime” komponenter sammen, men dette fejler at fange essensen af sammensætning, der er evnen til at resonere om betændingen af den resulterende arbejdsgang for at bestemme og sikre bevarelse af en ønsket egenskab. Denne evne er vital af hensyn til verificering og sikkerhed: for eksempel evnen for systemet til at resonere, at “at antage en motor fra en alternativ producent vil øge den samlede anlægs effekt, mens alle dens andre komponenter forbliver inden for temperaturgrænser”.

Selvom moderne neurale netværksmetoder er fremragende til at lære regler fra data, mangler de sammensætningsresonnering. Som alternativ til at håbe, at sammensætningsresonnering vil opstå fra inden for neurale netværksarkitekturer, er det muligt at bruge direkte konstruktioner af kategoriteori, den matematiske studie af sammensætning. Specielt dets underfelt kategorisk kybernetik beskæftiger sig med to-vejs kontrollere som grundlæggende repræsentations-elementer. To-vejs er evnen til at udføre både fremad- og inverse inferens: forudsigelsesdannelse fra årsager til virkninger og vice versa. Sammensætnings-invers inferens er særligt vigtig, da det tillader inkorporering af feedback fra miljøet på enhver skala af struktur-repræsentation – dette faciliterer hurtig læring fra et lille antal eksempler.

Givet en ønsket systemadfærd, er læringssopgaven så at bygge en samlet kontrolstruktur, der opfylder den. Først-lærte strukturer fungerer som en skelet for efterfølgende læring.

Da systemets viden øges, kan dette skelet dekoreres med lærte sammensætnings-egenskaber, ligesom en H2O-molekyle kan bestemmes til at have forskellige egenskaber end dem af dets bestanddele. Desuden, ligesom “at kaste en bold” og “at svinge en tennisracket” kan ses som relaterede muskelske handlinger for et menneske, kan relaterede opgaver dele en skelet-kontroller-struktur, der udsmykkes på en opgave-specifik måde via feedback fra miljøet. Denne adskillelse af årsags-struktur fra opgave-specifikke kan facilitere læring af nye opgaver uden den katastrofale glemsomhed, der plager moderne tilgange. Derfor kan en hybrid numerisk-symbolisk tilgang af den type, der er beskrevet ovenfor, kombinere styrkerne fra både neurale og symboliske tilgange, ved at have både en eksplicit notion af struktur og evnen til at lære adaptivt, hvordan egenskaber er sammensat. Resonnering om sammensætnings-egenskaber er grundlagt på en løbende basis af det arbejde, systemet i øjeblikket er kommanderet til at udføre.

I konklusion er det klart, at en ny tilgang er nødvendig for at skabe virkelig selvstændige systemer: systemer, der kan tilpasse sig betydelige ændringer og/eller operere i ukendte miljøer. Dette kræver ubrudt adaptiv læring og generalisering fra, hvad der allerede er kendt. Trods deres navn har dybe læringsmetoder kun en overfladisk repræsentation af verden, der ikke kan manipuleres på et højt niveau af læringssprocessen. I modsætning hertil foreslår vi, at AGI-systemerne i den næste generation vil inkorporere dyb læring inden for en bredere arkitektur, udstyret med evnen til at resonere direkte om, hvad det ved.

Evnen for et system til at resonere symbolisk om sin egen repræsentation giver betydelige fordele for industrien: med en eksplicit sammensætnings-repræsentation kan systemet auditeres – enten af mennesker eller internt af systemet selv – for at opfylde væsentlige krav til sikkerhed og retfærdighed. Selv om der har været megen akademisk bekymring om den såkaldte x-risiko af AGI, er den passende fokus i stedet det konkrete ingeniør-problem med at gen-tildele et kontrolsystem, mens man fastholder disse væsentlige krav, en proces, vi kalder interaktiv justering. Det er kun gennem antagelse af denne type kontrolsystemer, der er troværdige og effektive kontinuerlige lærere, at vi vil kunne realisere den næste generation af selvstændighed, som Industry 5.0 forestiller.