Hvorfor Industry 5.0 har brug for Artificial General Intelligence

Af: Bas Steunebrink, Medstifter og Direktør for Artificial General Intelligence, Eric Nivel, Lead AGI Engineer & Jerry Swan, Research Scientist at NNAISENSE.

Vi tager automation for givet i vores moderne verden, og nyder hver dag af forsyningskæder, der spænder over hele verden, og leverer en bred vifte af varer til vores hylder. Men bag kulisserne genererer produktion og bevægelse af varer mange optimeringsudfordringer, såsom pakning, planlægning, ruteplanlægning og automatisering af samlebånd. 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 forsyningsvariabler, 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 ekspertmæssig menneskeligt arbejde for at lave ændringer i systemet, eller – i tilfælde af maskinlæring – yderligere at genskole og genudbyde løsningen. På en lignende måde er “digitale tvillinger” i Industry 4.0 stadig stærkt afhængige af, at problembeskrivelsen og fordelingen af input kan specificeres én gang for alle ved systemdesignets begyndelse.

Den seneste pandemi fremhæver sårbarheden af “just-in-time”-planlægning af forsyningskæder. Det bliver mere tydeligt, at industrien i en stigende kompleks og usikker verden ikke længere kan tillade sig sådanne infleksibilitet. I øjeblikket må produktionen træffe et fast valg mellem “Lav-Blandning Høj-Volume” (LBHV) og “Høj-Blandning Lav-Volume” (HBLV). Industry 5.0 forudser udsigten til “Høj-Blandning Høj-Volume” (HBHV), hvor arbejdsgangen kan omkonfigureres til lav omkostning for at møde 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 miljøet ændrer sig. Dette kræver systemer, der “fungerer på kommando”, der reagerer på sådanne ændringer, mens de stadig har en rimelig chance for at fuldføre deres tildelte opgaver inden for virkelige tidsbegrænsninger. Overvej som eksempel at instruere en samlebåndsrobot, der i øjeblikket er beskæftiget med opgave X, på følgende måde:

“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 “Artificial General Intelligence” (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 fuldstændig uden for deres træningssæt uden nedtid af offline-genskoling, verificering og genudbyde.

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

Så hvilken type systemfunktionalitet kunne muligvis aktivere AI til at gå ud over dette træn, fryse og udbyde paradigme, mod et, der er i stand til uafbrudt adaptiv læring? Overvej behovet for at erstatte en defekt komponent i en produktion med en fra en anden leverandør, der måske har forskellige tolerancer. Med den ende-til-ende sorte kasse-modellering af samtidaig AI, skal den digitale tvillingproces gøres på ny. For at imødegå begrænsningerne af samtidaig tilgange, er en radikal ændring nødvendig: en model, der kan direkte resonere om konsekvenserne af en komponentændring – og endda mere generelle kontrafaktiske “hvad hvis”-scenarier. At nedbryde en arbejdsgang i komponenter med kendte egenskaber og gensamle dem efter behov kræver, hvad der kaldes “kompositionelitet”.

Kompositionelitet har hidtil undgået samtidaig AI, hvor det ofte forveksles med den svagere notion af modularitet. Modularitet er beskæftiget med evnen til at “lime” komponenter sammen, men dette fejler at fange essensen af kompositionelitet, der er evnen til at resonere om beteendet 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 fabrikant vil øge den samlede anlægs effekt, mens alle andre komponenter forbliver inden for temperaturgrænser”.

Selvom samtidaig neurale netværkstilgange excellerer i at lære regler fra data, mangler de kompositionel resonans. Som alternativ til at håbe, at kompositionel resonans vil opstå fra inden for neurale netværksarkitekturer, er det muligt at gøre direkte brug af konstruktionerne af kategoriteori, den matematiske studie af kompositionelitet. Specielt er dets underfelt kategorisk kybernetik beskæftiget med to-vejs kontrolsystemer som grundlæggende repræsentations-elementer. To-vejs egenskab er evnen til at udføre både fremad- og inverse inferens: forudsigelse fra årsager til virkninger og vice versa. Kompositionel invers inferens er særligt vigtig, fordi den 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 det. Initialt-lærte strukturer fungerer som en skelet for efterfølgende læring.

Som systemets viden øges, kan dette skelet dekoreres med lærte kompositionelle 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 tennisketsjer” kan ses som relaterede muskuloskeletale handlinger for et menneske, så relaterede opgaver kan dele en skeletkontrolstruktur, der udsmykkes på en opgave-specifik måde via feedback fra miljøet. Denne afkobling af årsagsstruktur fra opgave-specifik kan facilitere læring af nye opgaver uden den katastrofale glemsomhed, der plager samtidaig 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. Resonans om kompositionelle egenskaber er grundet på en løbende basis af det arbejde, systemet er tildelt at udføre.

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

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