Ερευνητές Κοιτάζουν στα Ζώα για να Δώσουν Κοινού Λόγου στα Συστήματα Ενίσχυσης Μάθησης

Ερευνητές του τομέα της τεχνητής νοημοσύνης από ιδρύματα όπως το Imperial College London, το Πανεπιστήμιο του Cambridge και η Google DeepMind, κοιτάζουν στα ζώα για έμπνευση σχετικά με τον τρόπο βελτίωσης της απόδοσης των συστημάτων ενίσχυσης μάθησης. Σε một κοινή έκθεση που δημοσιεύθηκε στο CellPress Reviews, με τίτλο «Τεχνητή Νοημοσύνη και ο Κοινούς Λόγος των Ζώων», οι ερευνητές υποστηρίζουν ότι η γνωστική ικανότητα των ζώων παρέχει χρήσιμα σημεία αναφοράς και μεθόδους αξιολόγησης για τους πράκτορες ενίσχυσης μάθησης και μπορεί επίσης να ενημερώσει τη μηχανική των εργασιών και των περιβαλλόντων.

Οι ερευνητές της τεχνητής νοημοσύνης και οι μηχανικοί έχουν κοιτάξει για χρόνια στα βιολογικά νευρωνικά δίκτυα για έμπνευση κατά τη σχεδίαση αλγορίθμων, χρησιμοποιώντας αρχές από την επιστήμη της συμπεριφοράς και τη νευροεπιστήμη για να ενημερώσουν τη δομή των αλγορίθμων. Ωστόσο, οι περισσότερες ενδείξεις που λαμβάνουν οι ερευνητές της τεχνητής νοημοσύνης από τα πεδία της νευροεπιστήμης/επιστήμης της συμπεριφοράς βασίζονται στους ανθρώπους, με τη γνωστική ικανότητα των μικρών παιδιών και των βρεφών να υπηρετεί ως το κεντρικό σημείο. Οι ερευνητές της τεχνητής νοημοσύνης δεν έχουν ακόμη λάβει πολλή έμπνευση από τα ζωικά μοντέλα, αλλά η γνωστική ικανότητα των ζώων είναι một ανεξερεύνητη πηγή που έχει τη δυνατότητα να οδηγήσει σε σημαντικές επιτυχίες στο χώρο της ενίσχυσης μάθησης.

Τα συστήματα ενίσχυσης μάθησης βαθιάς μάθησης εκπαιδεύονται μέσω μιας διαδικασίας δοκιμής και λάθους, ενισχυμένα με ανταμοιβές κάθε φορά που ένας πράκτορας ενίσχυσης μάθησης προσεγγίζει τον στόχο. Αυτό είναι πολύ παρόμοιο με τη διδασκαλία ενός ζώου να εκτελεί μια επιθυμητή εργασία χρησιμοποιώντας τροφή ως ανταμοιβή. Οι βιολόγοι και οι ειδικοί της γνωστικής ικανότητας των ζώων έχουν πραγματοποιήσει πολλές πειραματικές μελέτες αξιολόγησης των γνωστικών ικανοτήτων ενός μεγάλου αριθμού διαφορετικών ζώων, συμπεριλαμβανομένων σκύλων, αρκούδων, σκίουρων, χοίρων, κορακιών, δελφινιών, γατών, ποντικών, ελεφάντων και χταποδιών. Πολλά ζώα παρουσιάζουν εντυπωσιακές εκδηλώσεις νοημοσύνης, και κάποια ζώα όπως τα ελέφαντα και τα δελφίνια μπορεί να έχουν μια θεωρία του νου.

Η εξέταση του σώματος της έρευνας σχετικά με τη γνωστική ικανότητα των ζώων μπορεί να εμπνεύσει τους ερευνητές της τεχνητής νοημοσύνης να σκεφτούν τα προβλήματα από διαφορετικές γωνίες. Καθώς η βαθιά ενίσχυση μάθησης έχει γίνει πιο ισχυρή και εξελιγμένη, οι ερευνητές της τεχνητής νοημοσύνης που ειδικεύονται στο πεδίο αναζητούν νέους τρόπους για να δοκιμάσουν τις γνωστικές ικανότητες των πρακτόρων ενίσχυσης μάθησης. Στην έρευνα, η ερευνητική ομάδα αναφέρει τους τύπους των πειραμάτων που πραγματοποιούνται με πρωτεύοντα και πουλιά, αναφέροντας ότι στοχεύουν να σχεδιάσουν συστήματα ικανά να εκτελέσουν παρόμοιους τύπους εργασιών, δίνοντας στην τεχνητή νοημοσύνη ένα είδος «κοινός λόγος». Σύμφωνα με τους συγγραφείς της έρευνας, «υποστηρίζουμε μια προσέγγιση στην οποία οι πράκτορες RL, ίσως με ακόμη ανεπτυγμένες αρχιτεκτονικές, αποκτάνε αυτό που χρειάζονται μέσω της εκτεταμένης αλληλεπίδρασης με πλούσιους εικονικούς περιβάλλοντες».

Όπως αναφέρθηκε από το VentureBeat, οι ερευνητές της τεχνητής νοημοσύνης υποστηρίζουν ότι ο κοινούς λόγος δεν είναι ένα χαρακτηριστικό που είναι μοναδικό στους ανθρώπους και ότι εξαρτάται από την κατανόηση των βασικών ιδιοτήτων του φυσικού κόσμου, όπως το πώς ένα αντικείμενο καταλαμβάνει ένα σημείο και χώρο, ποια είναι τα όρια των κινήσεων του αντικειμένου και μια εκτίμηση για την αιτία και το αποτέλεσμα. Τα ζώα παρουσιάζουν αυτά τα χαρακτηριστικά στις εργαστηριακές μελέτες. Για παράδειγμα, τα κορακία καταλαβαίνουν ότι τα αντικείμενα είναι μόνιμα, καθώς είναι ικανά να ανακτήσουν σπόρους ακόμη και όταν ο σπόρος είναι κρυμμένος από αυτά, καλυμμένος από ένα άλλο αντικείμενο.

Για να ενδυναμώσουν ένα σύστημα ενίσχυσης μάθησης με αυτές τις ιδιότητες, οι ερευνητές υποστηρίζουν ότι θα πρέπει να δημιουργήσουν εργασίες που, όταν συνδυαστούν με τη σωστή αρχιτεκτονική, θα δημιουργήσουν πράκτορες ικανούς να μεταφέρουν τις μάθειες αρχές σε άλλες εργασίες. Οι ερευνητές υποστηρίζουν ότι η εκπαίδευση για ένα τέτοιο μοντέλο θα πρέπει να περιλαμβάνει τεχνικές που απαιτούν από einen πράκτορα να αποκτήσει κατανόηση ενός εννοήματος μετά από έκθεση σε μόνο quelques παραδείγματα, που ονομάζεται εκπαίδευση με λίγα παραδείγματα. Αυτό είναι σε αντίθεση με τις παραδοσιακές εκατοντάδες ή χιλιάδες δοκιμών που συνήθως εμπλέκονται στην εκπαίδευση ενός πράκτορα RL.

Η ερευνητική ομάδα εξηγεί ότι ενώ κάποιοι σύγχρονοι πράκτορες RL μπορούν να μάθουν να λύσουν πολλές εργασίες, κάποιες από τις οποίες απαιτούν τη βασική μεταφορά των μαθημένων αρχών, δεν είναι σαφές ότι οι πράκτορες RL θα μπορούσαν να μάθουν ένα έννοια τόσο αφηρημένο όσο ο «κοινούς λόγος». Αν υπήρχε ένας πράκτορας που θα μπορούσε να μάθει μια τέτοια έννοια, θα χρειαζόταν δοκιμές ικανές να καθορίσουν εάν ένας πράκτορας RL κατανόησε την έννοια ενός контέινερ.

Η DeepMind είναι ιδιαίτερα ενθουσιασμένη να ασχοληθεί με νέους και διαφορετικούς τρόπους ανάπτυξης και δοκιμής των πρακτόρων ενίσχυσης μάθησης. Πρόσφατα, στη διάρκεια της διάσκεψης Stanford HAI που πραγματοποιήθηκε νωρίτερα τον Οκτώβριο, ο επικεφαλής της ερευνητικής ομάδας νευροεπιστήμης της DeepMind, Matthew Botvinick, παρότρυνε τους ερευνητές της μηχανικής μάθησης και τους μηχανικούς να συνεργαστούν περισσότερο σε άλλα πεδία της επιστήμης. Ο Botvinick τόνισε τη σημασία της διεπιστημονικής εργασίας με ψυχολόγους και νευροεπιστήμονες για το πεδίο της τεχνητής νοημοσύνης σε μια ομιλία με τίτλο «Τριγωνίζοντας την Νοημοσύνη: Συμβαδίζοντας Νευροεπιστήμη, Ψυχολογία και Τεχνητή Νοημοσύνη».