למה תעשייה 5.0 זקוקה לבינה מלאכותית כללית

מאת: Bas Steunebrink, מייסד-שותף ומנהל של בינה מלאכותית כללית, Eric Nivel, מהנדס AGI ראשי & Jerry Swan, מדען מחקר ב NNAISENSE.

אנו לוקחים אוטומציה כמובנת מאליה בעולם המודרני, ונהנים ממנה כל יום, משרשראות אספקה שחוצות את העולם, ומביאות מגוון רחב של מוצרים למדפים שלנו. אבל מאחורי הקלעים, ייצור ותנועת המוצרים מייצרים אתגרים רבים של אופטימיזציה, כגון אריזה, תזמון, ניווט ואוטומציה של פס ייצור. אתגרים אלו הם דינאמיים ומשתנים באופן תמידי, במקביל עם העולם האמיתי. לדוגמה, נתיבי אספקה צפויים עלולים להיות מושבתים באופן פתאומי עקב נסיבות בלתי צפויות – למשל, תעלת סואץ עלולה להיות חסומה; נתיבי אוויר עלולים להשתנות עקב התפרצויות געשיות; מדינות שלמות עלולות להיות בלתי נגישות עקב סכסוך. שינויים בחקיקה, קריסת מטבעות ומשאבים נדירים הם גם דוגמאות למשתנים של אספקה שמשתנים באופן תמידי.

כדי לתת דוגמה נוספת, לפעמים רכיב חדש צריך להיכלל במכונה או בתהליך עבודה (למשל, לקוחות עלולים לרצות חומרים או צבעים שונים). כרגע, עבודה מומחית של בני אדם נדרשת כדי לבצע שינויים במערכת, או – במקרה של למידת מכונה – לאמן מחדש ולהטמיע את הפתרון. באופן דומה, “התאומים הדיגיטליים” של תעשייה 4.0 עדיין תלויים באופן כבד ברעיון שתיאור הבעיה והפצה של קלטים יכול להיקבע פעם אחת ולתמיד בנקודת עיצוב המערכת.

המגפה האחרונה מדגימה את הרגישות של תכנון שרשראות אספקה “just-in-time”. הוא הופך לברור יותר שבעולם מורכב ולא בטוח, התעשייה לא יכולה עוד להרשות לעצמה אי-גמישות. כרגע, ייצור צריך לבחור בין “Low-Mix High-Volume” (LMHV) ל”High-Mix Low-Volume” (HMLV). תעשייה 5.0 מצפה לפרספקטיבה של “High-Mix High-Volume” (HMHV), בו התהליך העבודה יכול להיות מקונף מחדש בעלות נמוכה כדי לעמוד בדרישות נוזליות. כדי להשיג זאת, נדרש “לאוטומט את האוטומציה”, כדי לבטל את הצורך בהתערבות אנושית ו/או זמן השבתה של המערכת כאשר הבעיה או הסביבה משתנה. זה דורש מערכות ש”עובדות על פקודה”, מגיבות לשינויים כאלה, בעודן מחזיקות בסיכוי סביר להשלים את המטלות המוטלות עליהן בתוך מגבלות זמן העולם האמיתי. ניתן לשקול, למשל, הוראה לרובוט פס ייצור, העוסק כרגע במטלה X, כדלקמן:

“עצור את ההרכבה של X מיד: כאן ישנו תיאור של Y, וכאן ישנם רוב האפקטורים הישנים וכמה חדשים. עכשיו התחיל להרכיב Y, תוך הימנעות מסוגים מסוימים של פגמים ובזבוז.”

למרות הדיונים הרבים לאחרונה על הגעתה הקרובה של “בינה מלאכותית כללית” (AGI) דרך מודלים של שפה גדולים כגון GPT-3, אף אחת מהגישות המוצעות אינה מסוגלת באמת “לעבוד על פקודה”. כלומר, הן לא יכולות להיות מוטלות עליהן משימה שלמה מחוץ לקבוצת האימון שלהן, ללא זמן השבתה של אימון מחדש, אימות והטמעה מחדש.

ברור שכל מושג אמיתי של אינטליגנציה מקושר באופן בלתי ניתן להפרדה עם תגובה לשינוי. מערכת שנשארת ללא שינוי – ללא קשר לכמה אירועים בלתי צפויים היא חשופה – אינה אוטונומית או אינטליגנטית. זה לא לשלול את החוזקות הבלתי מעורערות של גישות כאלה של למידה עמוקה (DL), שזכו להצלחה רבה כאמצעי לסינתיזה של תוכניות לבעיות שקשה לתאר במפורש.

איזו תכונה של מערכת עלולה לאפשר ל-AI לעבור מעבר לפרדיגמה של אימון, קיפאון והטמעה, לזו שמסוגלת ללמידה אדפטיבית ללא הפרעה? ניתן לשקול את הצורך להחליף רכיב פגום בתהליך עבודה עם אחד מספק אחר, שעלול ליהנות מסובלנות שונה. עם דימוי הקופסה השחורה של AI עכשווית, תהליך הדימוי הדיגיטלי צריך להיעשות מחדש. כדי לטפל במגבלות של גישות עכשוויות, שינוי רדיקלי נדרש: מודל שיכול לתכנן באופן ישיר את ההשלכות של שינוי רכיב – ואכן תרחישים נגדיים כלליים “מה אם”. פירוק תהליך עבודה לרכיבים עם תכונות ידועות ואיחודם מחדש כנדרש מצריך מה שנקרא “הרכבה”.

הרכבה עד כה ברחה מ-AI עכשווי, שם היא לעיתים קרובות מבולבלת עם המושג החלש יותר של מודולריות. מודולריות עוסקת ביכולת ל”גלות” רכיבים, אבל זה לא מצליח לתפוס את המהות של הרכבה, שהיא היכולת לתכנן את התנהגות התהליך העבודה המתוצרת כדי לקבוע ולהבטיח את שימור תכונה רצויה. יכולת זו חיונית לצורכי אימות ובטיחות: למשל, יכולת המערכת לתכנן ש”אימוץ מנוע מיצרן חלופי יגדיל את תפוקת הכוח הכללית של הצמח בעוד שכל רכיביה האחרים נשארים בתוך מרווחי טמפרטורה.”

אף על פי שגישות הרשתות העצביות העכשוויות מצטיינות בלמידת כללים מנתונים, הן חסרות תכנון הרכבה. כחלופה לתקווה שתכנון הרכבה יופיע מתוך ארכיטקטורות רשתות עצביות, ניתן לעשות שימוש ישיר בבניות של תורת הקטגוריות, המחקר המתמטי של הרכבה. בפרט, תת-תחום הקיברנטיקה הקטגורית עוסק בבקרים דו-כיווניים כאלמנטים ייצוגיים בסיסיים. דו-כיווניות היא היכולת לבצע הסקה קדימה והסקה הפוכה: ניבוי מגורמים לתוצאות ולהפך. הסקה הפוכה הרכבה היא במיוחד חשובה, מכיוון שהיא מאפשרת את שילוב המשוב מהסביבה בכל סדר גודל של ייצוג מבני – זה מאפשר למידה מהירה ממספר קטן של דוגמאות.

נתון התנהגות מערכת רצויה, משימת הלמידה היא לבנות מבנה בקרה מצטבר שעומד בה. מבנים שנלמדו תחילה משמשים כשלד ללמידה מאוחרת יותר.

ככל שידע המערכת גדל, שלד זה יכול להיות מעוטר בתכונות הרכבה מלומדות, בדומה לכך שמולקולת H2O יכולה להיות קבועה כבעלת תכונות שונות מאלו של אטומים המרכיבים אותה. בנוסף, כפי ש”זריקת כדור” ו”נידון רקטת טניס” יכולים להיראות כפעולות שריריות קשורות לאדם, כך מטלות קשורות יכולות לשתף מבנה בקרה שלדי שיעוטר באופן ספציפי למטלה דרך משוב מהסביבה. ניתוק מבנה סיבתי מפרטים של מטלה יכול להקל על למידת מטלות חדשות ללא שכחה קטסטרופלית שמציקה לגישות עכשוויות. כך, גישה היברידית מסוג נומרי-סימבולי כפי שתואר לעיל יכולה לשלב את חוזקותיהן של גישות נורמליות וסימבוליות, על ידי החזקת מושג מפורש של מבנה ויכולת ללמוד באופן אדפטיבי כיצד תכונות מורכבות. תכנון על תכונות הרכבה מבוסס על בסיס רץ על ידי העבודה שהמערכת נתבקשה לבצע.

במסקנה, ברור שגישה חדשה נדרשת ליצירת מערכות אוטונומיות אמיתיות: מערכות המסוגלות להכיל שינויים משמעותיים ו/או לפעול בסביבות לא ידועות. זה דורש למידה אדפטיבית ללא הפרעה וכלליות מהידע הקיים. למרות שמם, גישות למידה עמוקה הן רק ייצוג רדוד של העולם, שלא יכול להיות מנופה ברמה גבוהה על ידי תהליך הלמידה. לעומת זאת, אנו מציעים שמערכות AGI הבאות תכלולנה למידה עמוקה בתוך ארכיטקטורה רחבה יותר, המצוידת ביכולת לתכנן באופן ישיר על מה שהיא יודעת.

היכולת של מערכת לתכנן באופן סימבולי על ייצוגה שלה עצמה מעניקה יתרונות משמעותיים לתעשייה: עם ייצוג הרכבה מפורש, המערכת יכולה להיבדק – הן על ידי בני אדם והן על ידי המערכת עצמה – כדי לעמוד בדרישות חיוניות של בטיחות והוגנות. בעוד שהיה הרבה דאגה אקדמית בנוגע ל”סיכון-x” של AGI, המוקד המתאים הוא בעיקר בעיה ההנדסית הקונקרטית של אילוף מחדש של מערכת בקרה בעודה שומרת על דרישות אלו, תהליך שאנו מכנים “התאמה אינטראקטיבית”. רק דרך אימוץ סוג זה של מערכות בקרה, שהן אמינות ויעילות, נוכל לממש את דור הבא של אוטונומיה המתוארת על ידי תעשייה 5.0.