Warum Industry 5.0 künstliche allgemeine Intelligenz benötigt

Von: Bas Steunebrink, Mitgründer und Direktor der künstlichen allgemeinen Intelligenz, Eric Nivel, Leitender AGI-Ingenieur und Jerry Swan, Forschungswissenschaftler bei NNAISENSE.

Wir nehmen Automation in unserer modernen Welt als selbstverständlich hin und profitieren täglich von Lieferketten, die den ganzen Globus umspannen und eine riesige Auswahl an Waren auf unsere Regale liefern. Doch hinter den Kulissen erzeugen die Produktion und der Transport von Waren viele Optimierungsprobleme, wie z.B. Verpackung, Terminierung, Routenplanung und Automatisierung von Fließbändern. Diese Optimierungsprobleme sind dynamisch und ändern sich ständig in Verbindung mit der realen Welt. Zum Beispiel können erwartete Lieferwege plötzlich wegen unvorhergesehener Umstände beeinträchtigt werden – wie z.B. die Blockierung des Suez-Kanals; Luftwege können sich aufgrund von Vulkanausbrüchen ändern; ganze Länder können aufgrund von Konflikten unzugänglich sein. Änderungen in der Gesetzgebung, Währungskollaps und knappe Ressourcen sind weitere Beispiele für Liefervariablen, die ständig im Fluss sind.

Um ein weiteres Beispiel zu geben, muss manchmal ein neues Komponenten in eine Maschine oder einen Arbeitsablauf integriert werden (Benutzer möchten möglicherweise unterschiedliche Materialien oder Farben). Derzeit ist Fachpersonal erforderlich, um Änderungen am System vorzunehmen oder – im Falle des maschinellen Lernens – zusätzlich das System umzuschulen und neu zu deployen. Ähnlich verhält es sich mit den “digitalen Zwillingen” von Industry 4.0, die noch immer stark von der Vorstellung abhängig sind, dass die Problembeschreibung und die Verteilung der Eingaben einmalig bei der Initialsystementwicklung spezifiziert werden können.

Die jüngste Pandemie unterstreicht die Fragilität der “Just-in-Time”-Lieferkettenplanung. Es wird deutlicher, dass die Industrie in einer zunehmend komplexen und unsicheren Welt nicht länger solche Inflexibilität hinnehmen kann. Derzeit muss die Fertigung eine feste Wahl zwischen “Low-Mix High-Volume” (LMHV) und “High-Mix Low-Volume” (HMLV) treffen. Industry 5.0 erwartet die Aussicht auf “High-Mix High-Volume” (HMHV), bei dem der Arbeitsablauf zu geringen Kosten so umkonfiguriert werden kann, dass er fluiden Anforderungen gerecht wird. Um dies zu erreichen, ist es erforderlich, “Automation zu automatisieren”, um den Bedarf an menschlicher Intervention und/oder Systemausfall zu eliminieren, wenn sich das Problem oder die Umgebung ändert. Dies erfordert Systeme, die “auf Befehl” arbeiten, auf solche Änderungen reagieren und dennoch eine vernünftige Aussicht darauf haben, ihre Aufgaben innerhalb der realen Zeitbeschränkungen abzuschließen. Betrachten Sie beispielsweise, wie Sie einem Fließbandroboter, der derzeit mit Aufgabe X beschäftigt ist, folgende Anweisung geben:

“Stoppen Sie sofort mit der Montage von X: Hier ist eine Spezifikation von Y, und hier sind die meisten Ihrer alten und einige neuen Effektoren. Beginnen Sie jetzt mit der Montage von Y, vermeiden Sie solche und solche Arten von Fehlern und Verschwendung.”

Trotz der weit verbreiteten jüngsten Diskussionen über die unmittelbar bevorstehende Ankunft von “künstlicher allgemeiner Intelligenz” (AGI) durch sogenannte Large Language Modelle wie GPT-3 ist keiner der vorgeschlagenen Ansätze wirklich in der Lage, “auf Befehl” zu arbeiten. Das heißt, sie können nicht mit etwas beauftragt werden, das völlig außerhalb ihres Trainingssets liegt, ohne dass es zu Ausfallzeiten für Offline-Neuschulung, Verifizierung und Neudeployment kommt.

Es ist sicherlich klar, dass jede realweltliche Vorstellung von Intelligenz untrennbar mit der Reaktion auf Veränderungen verbunden ist. Ein System, das unverändert bleibt – egal wie viele unvorhergesehene Ereignisse es ausgesetzt ist – ist weder autonom noch intelligent. Dies soll nicht die unbestrittenen Stärken solcher Deep-Learning-Ansätze (DL) schmälern, die großen Erfolg als Mittel zur Synthese von Programmen für Probleme hatten, die schwierig explizit zu spezifizieren sind.

Was für eine Systemfunktionalität könnte es ermöglichen, dass künstliche Intelligenz über das Paradigma von Trainieren, Einfrieren und Deployen hinausgeht und zu einem Paradigma gelangt, das in der Lage ist, ununterbrochen adaptiv zu lernen? Betrachten Sie die Notwendigkeit, ein defektes Komponenten in einem Fertigungsarbeitsablauf durch ein Komponenten von einem anderen Hersteller zu ersetzen, das möglicherweise andere Toleranzen aufweist. Mit der End-to-End-Black-Box-Modellierung der zeitgenössischen künstlichen Intelligenz muss der Prozess der digitalen Zwillingserstellung von Neuem durchgeführt werden. Um die Einschränkungen der zeitgenössischen Ansätze zu überwinden, ist eine radikale Änderung erforderlich: Ein Modell, das direkt über die Konsequenzen einer Komponentenänderung – und allgemeiner kontrafaktischer “Was-wäre-wenn”-Szenarien – nachdenken kann. Die Zerlegung eines Arbeitsablaufs in Komponenten mit bekannten Eigenschaften und ihre Neukombination, wenn erforderlich, erfordert das, was als “Komposition” bezeichnet wird.

Komposition hat der zeitgenössischen künstlichen Intelligenz bisher nicht gerecht werden können, wo sie oft mit dem schwächeren Begriff der Modularität verwechselt wird. Modularität befasst sich mit der Fähigkeit, Komponenten “zusammenzukleben”, aber dies erfängt nicht die Essenz der Komposition, die die Fähigkeit ist, über das Verhalten des resultierenden Arbeitsablaufs nachzudenken, um eine gewünschte Eigenschaft zu bestimmen und zu gewährleisten. Diese Fähigkeit ist für Gründe der Verifizierung und Sicherheit von entscheidender Bedeutung: Zum Beispiel die Fähigkeit des Systems, zu erkennen, dass “die Übernahme eines Motors von einem alternativen Hersteller die Gesamtleistung der Anlage erhöhen wird, während alle anderen Komponenten innerhalb der Temperaturgrenzen bleiben”.

Obwohl zeitgenössische neuronale Netzwerksansätze hervorragend darin sind, Regeln aus Daten zu lernen, fehlt ihnen die kompositionale Argumentation. Anstatt zu hoffen, dass kompositionale Argumentation aus neuronaler Netzwerksarchitektur entsteht, kann man direkt die Konstruktionen der Kategorientheorie, der mathematischen Studie der Komposition, nutzen. Insbesondere die Teilgebiete der kategorialen Kybernetik befassen sich mit bidirektionalen Controllern als grundlegenden Repräsentationselementen. Bidirektionalität ist die Fähigkeit, sowohl Vorwärts- als auch Inverse-Inferenz durchzuführen: Vorhersagen von Ursachen zu Effekten und umgekehrt. Kompositionale Inverse-Inferenz ist besonders wichtig, da sie die Einbeziehung von Feedback aus der Umgebung auf jeder Skala der strukturellen Repräsentation ermöglicht – dies erleichtert das schnelle Lernen aus wenigen Beispielen.

Gegeben sei ein gewünschtes Systemverhalten, dann ist die Lernaufgabe, eine aggregierte Steuerstruktur zu erstellen, die es erfüllt. Anfangs gelernte Strukturen dienen als Skelett für nachfolgendes Lernen.

Wenn das Wissen des Systems zunimmt, kann dieses Skelett mit gelernten kompositionalen Eigenschaften dekoriert werden, ähnlich wie ein H2O-Molekül bestimmt werden kann, das unterschiedliche Eigenschaften als die seiner konstituierenden Atome aufweist. Darüber hinaus können, ähnlich wie “einen Ball werfen” und “einen Tennis-Schläger schwingen” als verwandte muskuläre Aktionen für einen Menschen angesehen werden, verwandte Aufgaben eine skelettartige Steuerstruktur teilen, die auf task-spezifische Weise via Feedback aus der Umgebung dekoriert wird. Diese Entkopplung der kausalen Struktur von task-spezifischen Aspekten kann das Lernen neuer Aufgaben ohne das katastrophale Vergessen ermöglichen, das zeitgenössische Ansätze heimsucht. Daher kann ein hybrider numerisch-symbolischer Ansatz der oben beschriebenen Art die Stärken beider neuronalen und symbolischen Ansätze kombinieren, indem er sowohl eine explizite Vorstellung von Struktur als auch die Fähigkeit zum adaptiven Lernen hat, wie Eigenschaften komponiert werden. Die Argumentation über kompositionale Eigenschaften wird durch die Arbeit, die das System derzeit ausführt, laufend begründet.

Zusammenfassend ist es klar, dass ein neuer Ansatz erforderlich ist, um wirklich autonome Systeme zu schaffen: Systeme, die erhebliche Änderungen aushalten und/oder in unbekannten Umgebungen operieren können. Dies erfordert ununterbrochenes adaptives Lernen und Verallgemeinern von dem, was bereits bekannt ist. Trotz ihres Namens haben Deep-Learning-Ansätze nur eine flache Repräsentation der Welt, die nicht auf hohem Niveau durch den Lernprozess manipuliert werden kann. Im Gegensatz dazu schlagen wir vor, dass die AGI-Systeme, die in der nächsten Generation entstehen, Deep Learning in einer breiteren Architektur einsetzen, die mit der Fähigkeit ausgestattet ist, direkt über das nachzudenken, was sie wissen.

Die Fähigkeit eines Systems, symbolisch über seine eigene Repräsentation nachzudenken, verleiht der Industrie erhebliche Vorteile: Mit einer explizit kompositionalen Repräsentation kann das System – sei es durch Menschen oder intern durch das System selbst – auf vitale Anforderungen an Sicherheit und Fairness geprüft werden. Während es in der akademischen Gemeinschaft viel Bedenken bezüglich des sogenannten x-Risikos der AGI gibt, liegt der angemessene Fokus vielmehr auf dem konkreten Ingenieurproblem, ein Steuersystem umzukonfigurieren, während diese vitalen Anforderungen beibehalten werden, ein Prozess, den wir als interaktive Ausrichtung bezeichnen. Es ist nur durch die Einführung solcher Steuersysteme, die vertrauenswürdige und effiziente kontinuierliche Lerner sind, dass wir die nächste Generation von Autonomie realisieren können, die von Industry 5.0 vorgestellt wird.