Γιατί η Βιομηχανία 5.0 Χρειάζεται Γενική Νοημοσύνη

Từ: Bas Steunebrink, Συνιδρυτής και Διευθυντής της Γενικής Νοημοσύνης, Eric Nivel, Αρχισυντάκτης της AGI & Jerry Swan, Ερευνητής Επιστήμονας στο NNAISENSE.

Λαμβάνουμε την αυτοματοποίηση ως δεδομένη στον σύγχρονο κόσμο, επωφελούμενοι καθημερινά από αλυσίδες εφοδιασμού που εκτείνονται σε όλο τον κόσμο, παρέχοντας eine μεγάλη ποικιλία προϊόντων στα ράφια μας. Maar πίσω από τις κulisες, η παραγωγή και μεταφορά προϊόντων γεννούν πολλά προβλήματα βελτιστοποίησης, όπως συσκευασία, προγραμματισμός, δρομολόγηση και αυτοματοποίηση της γραμμής παραγωγής. Αυτά τα προβλήματα βελτιστοποίησης είναι δυναμικά και αλλάζουν συνεχώς σε συνδυασμό με τον πραγματικό κόσμο. Για παράδειγμα, οι αναμενόμενες διαδρομές εφοδιασμού μπορεί να καταστραφούν ξαφνικά λόγω απρόβλεπτων περιστάσεων – για παράδειγμα, η Διώρυγα του Σουέζ μπορεί να είναι μπλοκαρισμένη· οι αεροδιαδρομές μπορεί να αλλάξουν λόγω ηφαιστειακών εκρήξεων· ολόκληρες χώρες μπορεί να είναι απρόσιτες λόγω σύγκρουσης. Αλλαγές στη νομοθεσία, κατάρρευση νομισμάτων και σπάνιες πόρους είναι επίσης παραδείγματα μεταβλητών εφοδιασμού που αλλάζουν συνεχώς.

Για να δώσουμε ένα άλλο παράδειγμα, đôi的时候, ένα νέο συστατικό πρέπει να ενσωματωθεί σε μια μηχανή ή ροή εργασίας (οι χρήστες μπορεί να θέλουν διαφορετικά υλικά ή χρώματα, για παράδειγμα). Τώρα, η εμπειρία ανθρώπινου εργατικού δυναμικού απαιτείται για να κάνει αλλαγές στο σύστημα, ή – στην περίπτωση της μηχανικής μάθησης – να επανακαταρτίσει και να αναπτύξει ξανά την λύση. Σε παρόμοιο τρόπο, τα “ψηφιακά δίδυμα” της Βιομηχανίας 4.0 εξακολουθούν να εξαρτώνται έντονα από την έννοια ότι η περιγραφή του προβλήματος και η κατανομή των εισόδων μπορούν να οριστούν μια φορά και για πάντα στο σημείο αρχικής σχεδίασης του συστήματος.

Η πρόσφατη πανδημία υπογραμμίζει την εύθραυστη φύση της “just-in-time” σχεδίασης αλυσίδας εφοδιασμού. Γίνεται πιο εμφανές ότι, σε έναν όλο και πιο σύνθετο και αβέβαιο κόσμο, η βιομηχανία δεν μπορεί πλέον να αντέξει τέτοια ακαμψία. Τώρα, η παραγωγή πρέπει να κάνει μια σταθερή επιλογή μεταξύ “Low-Mix High-Volume” (LMHV) και “High-Mix Low-Volume” (HMLV). Η Βιομηχανία 5.0 προβλέπει την προοπτική της “High-Mix High-Volume” (HMHV), στην οποία η ροή εργασίας μπορεί να αναδιαμορφωθεί με χαμηλό κόστος για να ικανοποιήσει ρευστές απαιτήσεις. Για να επιτευχθεί αυτό, απαιτείται να “αυτοματοποιήσουμε την αυτοματοποίηση”, για να εξαλείψουμε την ανάγκη για ανθρώπινη παρέμβαση και/ή χρόνο εκτός λειτουργίας όταν το πρόβλημα ή το περιβάλλον αλλάζει. Αυτό απαιτεί συστήματα που “δουλεύουν με εντολή”, αντιδρώντας σε τέτοιες αλλαγές, ενώ εξακολουθούν να έχουν μια εύλογη προοπτική να ολοκληρώσουν τις ανατεθειμένες εργασίες τους εντός των πραγματικών χρονικών περιορισμών. Σκεφτείτε, για παράδειγμα, να δώσετε εντολή σε einen ρομποτικό μηχανισμό γραμμής συναρμολόγησης, που είναι τώρα απασχολημένος με την εργασία X, ως εξής:

“Σταμάτησε την συναρμολόγηση X αμέσως: εδώ είναι μια προδιαγραφή του Y, και εδώ είναι τα περισσότερα από τα παλιά και quelques νέα effectors. Τώρα, ξεκίνα την συναρμολόγηση Y, αποφεύγοντας τέτοιους και τέτοιους τύπους ελαττωμάτων και αποβλήτων.”

Παρά την ευρεία πρόσφατη συζήτηση για την επικείμενη άφιξη της “Γενικής Νοημοσύνης” (AGI) μέσω των так λεγόμεων Μεγάλων Μοντέλων Γλώσσας όπως το GPT-3, καμία από τις προτεινόμενες προσεγγίσεις δεν είναι πραγματικά ικανή να “δουλέψει με εντολή”. Đó είναι, δεν μπορούν να ανατεθούν σε κάτι完全 έξω από το σύνολο εκπαίδευσής τους χωρίς την εκτός λειτουργίας επανακαταρτίσεων, επαλήθευσης και αναπτύξεως.

Είναι σίγουρα σαφές ότι οποιαδήποτε πραγματική έννοια της νοημοσύνης είναι αδιαχώριστα συνδεδεμένη με την ανταπόκριση στην αλλαγή. Ένα σύστημα που παραμένει αμετάβλητο – ανεξάρτητα από πόσα απρόβλεπτα γεγονότα εκτίθεται – δεν είναι ούτε αυτόνομο ούτε έξυπνο. Αυτό δεν υποβαθμίζει τις αναμφισβήτητες δυνάμεις των προσεγγίσεων αυτών, οι οποίες έχουν απολαύσει μεγάλη επιτυχία ως μέσο συνθέσεως προγραμμάτων για προβλήματα που είναι δύσκολο να οριστούν ρητά.

Τι είδους λειτουργικότητα συστήματος θα μπορούσε να επιτρέψει στην AGI να κινηθεί πέρα από αυτό το πρότυπο εκπαίδευσης, παγίδευσης και αναπτύξεως, προς ένα που είναι ικανό να μάθει без διακοπής και να γενικεύσει από ότι ήδη γνωρίζει; Σκεφτείτε την ανάγκη να αντικαταστήσετε ένα ελαττωματικό συστατικό σε μια ροή εργασίας με ένα από διαφορετικό προμηθευτή, το οποίο μπορεί να έχει διαφορετικές ανεκτοότητες. Με την ενδο-προς-ενδο μοντελοποίηση της σύγχρονης AGI, η διαδικασία ψηφιακού δίδυμου πρέπει να γίνει ξανά. Για να αντιμετωπίσουμε τις περιορισμούς των σύγχρονων προσεγγίσεων, απαιτείται μια ριζική αλλαγή: ένα μοντέλο που μπορεί να συλλογιστεί trực tiếp για τις συνέπειες μιας αλλαγής συστατικού – και γενικότερα για counterfactual “τι εάν” σενάρια. Η αποσύνθεση μιας ροής εργασίας σε συστατικά με γνωστές ιδιότητες και η ανασύνθεσή τους όπως απαιτείται απαιτεί αυτό που ονομάζεται “σύνθεση”.

Η σύνθεση έχει αποτύχει μέχρι τώρα στις σύγχρονες AGI, όπου συχνά συγχέεται με την πιο αδύναμη έννοια της modularity. Η modularity ασχολείται με την ικανότητα να “κολλήσετε” συστατικά μαζί, αλλά αυτό δεν καταφέρνει να πιάσει την ουσιαστική της σύνθεσης, η οποία είναι η ικανότητα να συλλογιστείτε για τη συμπεριφορά της αποτέλεσματος ροής εργασίας για να καθορίσετε και να διασφαλίσετε την διατήρηση κάποιας επιθυμητής ιδιότητας. Αυτή η ικανότητα είναι ζωτική για λόγους επαλήθευσης και ασφάλειας: για παράδειγμα, η ικανότητα του συστήματος να συλλογιστεί ότι “η υιοθέτηση ενός κινητήρα από έναν εναλλακτικό κατασκευαστή θα αυξήσει την συνολική απόδοση της εγκατάστασης ενώ όλα τα άλλα συστατικά παραμένουν εντός ορίων θερμοκρασίας”.

Αν και οι σύγχρονες προσεγγίσεις των νευρωνικών δικτύων excelling στο να μαθαίνουν κανόνες από δεδομένα, ihnen λείπει η σύνθεση. Ως εναλλακτική λύση στην ελπίδα ότι η σύνθεση θα αναδυθεί από τις νευρωνικές αρχιτεκτονικές, είναι δυνατό να χρησιμοποιηθεί trực tiếp η κατασκευή της θεωρίας κατηγοριών, η μαθηματική μελέτη της σύνθεσης. Συγκεκριμένα, η υποπεδίο της κατηγοριακής κυβερνητικής ασχολείται με τους διπλούς ελεγκτές ως θεμελιώδεις αντιπροσωπευτικούς στοιχεία. Η διπλή ελεγκτική είναι η ικανότητα να εκτελέσετε και προς τα εμπρός και αντίστροφη συλλογή: πρόβλεψη από αιτίες σε αποτελέσματα και vice versa. Η σύνθεση αντίστροφης συλλογιστικής είναι ιδιαίτερα σημαντική επειδή επιτρέπει την ενσωμάτωση της ανατροφοδότησης από το περιβάλλον σε οποιοδήποτε επίπεδο αναπαράστασης – αυτό διευκολύνει τη γρήγορη μάθηση από λίγα παραδείγματα.

Δεδομένης μιας επιθυμητής συμπεριφοράς συστήματος, η εργασία μάθησης είναι να χτίσετε μια συσσωρευμένη δομή ελέγχου που την ικανοποιεί. Αρχικά-μαθημένες δομές λειτουργούν ως σκελετός για επόμενη μάθηση.

Όσο αυξάνεται η γνώση του συστήματος, αυτός ο σκελετός μπορεί να διακοσμηθεί με μαθημένες συνθετικές ιδιότητες, παρόμοια με τον τρόπο που ένα μόριο H2O μπορεί να οριστεί να έχει διαφορετικές ιδιότητες από αυτές των συνθέτων ατόμων. Επιπλέον, όπως “το ρίξιμο μιας μπάλας” και “η κίνηση ενός τενίστα” μπορούν να θεωρηθούν ως συναφείς μυϊκές ενέργειες για έναν άνθρωπο, έτσι και συναφείς εργασίες μπορούν να μοιράζονται μια σκελετική δομή ελέγχου που διακοσμείται με έναν τρόπο που εξαρτάται από την εργασία μέσω της ανατροφοδότησης από το περιβάλλον. Αυτή η αποσύνδεση της αιτιακής δομής από τις λεπτομέρειες της εργασίας μπορεί να διευκολύνει τη μάθηση νέων εργασιών χωρίς την καταστροφική λήθη που πλήττει τις σύγχρονες προσεγγίσεις. Έτσι, μια υβριδική αριθμητική-συμβολική προσέγγιση του τύπου που περιγράφηκε παραπάνω μπορεί να συνδυάσει τις δυνάμεις και των νευρωνικών και των συμβολικών προσεγγίσεων, έχοντας και μια ρητή έννοια της δομής και την ικανότητα να μαθαίνει προσαρμοστικά πώς οι ιδιότητες συνθέτονται. Η σύνθεση των συνθετικών ιδιοτήτων βασίζεται σε μια συνεχής βάση από το έργο που το σύστημα εκτελεί τώρα.

Συμπερασματικά, είναι σαφές ότι μια νέα προσέγγιση απαιτείται για να δημιουργηθούν πραγματικά αυτόνομα συστήματα: συστήματα ικανά να ανταποκρίνονται σε σημαντικές αλλαγές και/ή να λειτουργούν σε άγνωστα περιβάλλοντα. Αυτό απαιτεί不断η προσαρμοστική μάθηση και γενίκευση από ότι ήδη γνωρίζουμε. Παρά το όνομά τους, οι προσεγγίσεις του βαθύ μάθησης έχουν μόνο μια ρηχή αναπαράσταση του κόσμου που δεν μπορεί να χειριστεί σε υψηλό επίπεδο από τη διαδικασία μάθησης. Αντίθετα, προτείνουμε ότι τα συστήματα AGI της επόμενης γενιάς θα ενσωματώνουν το βαθύ μάθηση μέσα σε μια ευρύτερη αρχιτεκτονική, εξοπλισμένα με την ικανότητα να συλλογιστείτε trực tiếp για αυτό που γνωρίζουν.

Η ικανότητα ενός συστήματος να συλλογιστεί συμβολικά για την δική του αναπαράσταση παρέχει σημαντικά οφέλη για τη βιομηχανία: με μια ρητή συνθετική αναπαράσταση, το σύστημα μπορεί να ελεγχθεί – είτε από ανθρώπους είτε εσωτερικά από το σύστημα selbst – για να ικανοποιήσει ζωτικά απαιτήσεις ασφάλειας και δίκαιης. Ενώ υπήρχε πολλή ακαδημαϊκή ανησυχία για το так λεγόμενο x-risk της AGI, ο κατάλληλος εστιασμός είναι μάλλον το συγκεκριμένο πρόβλημα μηχανικής της επανακατάρτισης ενός συστήματος ελέγχου ενώ διατηρείται αυτές τις ζωτικές απαιτήσεις, μια διαδικασία που ονομάζουμε αλληλεπιδραστική ευθυγράμμιση. Είναι μόνο μέσω της υιοθέτησης αυτού του είδους συστημάτων ελέγχου, τα οποία είναι αξιόπιστα και αποτελεσματικά συνεχείς μαθητές, που θα μπορέσουμε να πραγματοποιήσουμε την επόμενη γενιά αυτονομίας που οραματίζεται η Βιομηχανία 5.0.