Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chair (Amii) – Serie di interviste

Dott. Patrick M. Pilarski è una cattedra di intelligenza artificiale CIFAR canadese, ex cattedra di ricerca canadese in Machine Intelligence for Rehabilitation e professore associato presso la Divisione di medicina fisica e riabilitazione, Dipartimento di medicina, Università di Alberta.

Nel 2017, il dott. Pilarski ha co-fondato il primo ufficio di ricerca internazionale di DeepMind, situato a Edmonton, Alberta, dove ha ricoperto il ruolo di co-responsabile dell'ufficio e di Senior Staff Research Scientist fino al 2023. È membro del consiglio di amministrazione e membro del consiglio di amministrazione dell' Istituto di intelligenza artificiale dell'Alberta (Amii), è co-direttore del laboratorio Bionic Limbs for Improved Natural Control (BLINC) ed è un ricercatore principale con il Reinforcement Learning and Artificial Intelligence Laboratory (RLAI) e il Sensory Motor Adaptive Rehabilitation Technology (SMART) Network presso l'Università di Alberta.

Il Dr. Pilarski è l'autore o coautore pluripremiato di oltre 120 articoli sottoposti a revisione paritaria, un membro senior dell'IEEE ed è stato sostenuto da borse di ricerca provinciali, nazionali e internazionali.

Ci siamo seduti per un'intervista all'annuale 2023 Limite superiore conferenza sull'intelligenza artificiale che si tiene a Edmonton, AB e ospitata da Amii (Alberta Machine Intelligence Institute).

Come ti sei trovato nell'IA? Cosa ti ha attratto del settore?

Sono due domande distinte. Per quanto riguarda ciò che mi attrae dell'IA, c'è qualcosa di meraviglioso nel modo in cui la complessità può emergere e come la struttura può emergere dalla complessità. L'intelligenza è solo uno di questi straordinari esempi, quindi, che provenga dalla biologia o dal modo in cui vediamo emergere comportamenti elaborati nelle macchine, penso che ci sia qualcosa di meraviglioso in questo. Questo mi ha sempre affascinato per molto tempo, e il mio lungo e tortuoso percorso per lavorare nell'area dell'IA in cui lavoro ora, ovvero macchine che imparano per tentativi ed errori, sistemi di rinforzo che interagiscono con gli esseri umani mentre entrambi sono immersi in essa, il flusso dell'esperienza, lo scorrere del tempo, ha attraversato ogni sorta di plateau. Ho studiato come macchine ed esseri umani potessero interagire in termini di dispositivi biomeccatronici e biotecnologie, cose come arti artificiali e protesi.

Ho studiato come l'intelligenza artificiale può essere utilizzata a supporto della diagnostica medica, come possiamo usare l'intelligenza artificiale per iniziare a comprendere i modelli che portano alle malattie o come diverse patologie potrebbero presentarsi in termini di registrazioni su una macchina. Ma tutto questo fa parte di questo lungo percorso per iniziare davvero ad apprezzare come si possano ottenere comportamenti molto complessi da basi molto semplici. Ed è ciò che amo davvero, soprattutto dell'apprendimento per rinforzo, l'idea che la macchina possa integrarsi nel flusso del tempo e imparare dalla propria esperienza per mostrare comportamenti molto complessi e catturare sia i fenomeni complessi, sia quelli del mondo che la circonda. Questa è stata una forza trainante.

Per quanto riguarda la meccanica, ho seguito molti corsi di medicina sportiva e cose del genere al liceo. Ho studiato medicina sportiva e ora lavoro in un ambiente in cui osservo come l'intelligenza artificiale e le tecnologie riabilitative si uniscono per supportare le persone nella loro vita quotidiana. È un percorso molto interessante, come il fascino parallelo per i sistemi complessi e la complessità, e poi la pragmatica pratica su come possiamo iniziare a pensare a come gli esseri umani possano essere supportati meglio e vivere la vita che desiderano.

In che modo lo sport ti ha portato inizialmente alle protesi?

Ciò che è davvero interessante in campi come la medicina sportiva è l'osservazione del corpo umano e di come le esigenze specifiche di una persona, che siano sportive o meno, possano essere supportate da altre persone, da procedure e processi. Gli arti bionici e le tecnologie protesiche riguardano la costruzione di dispositivi, la costruzione di sistemi, la costruzione di tecnologie che aiutano le persone a vivere la vita che desiderano. Questi due aspetti sono strettamente collegati. È davvero entusiasmante poter chiudere il cerchio e vedere alcuni di quegli interessi molto precedenti concretizzarsi, ancora una volta, nella co-direzione di un laboratorio in cui studiamo... E in particolare sistemi di apprendimento automatico che lavorano in modo strettamente interconnesso con la persona che sono progettati per supportare.

In precedenza hai discusso di come una protesi si adatta alla persona anziché la persona che si adatta alle protesi. Potresti parlare dell'apprendimento automatico alla base di tutto questo?

Assolutamente. Come fondamento nella storia dell'uso degli strumenti, gli esseri umani si sono adattati ai loro strumenti e poi hanno adattato i loro strumenti alle proprie esigenze. Quindi c'è questo processo iterativo di adattamento ai nostri strumenti. Ci troviamo, in questo momento, a un punto di svolta in cui, per la prima volta, forse mi avrete già sentito dire questo in alcuni interventi, se avete letto alcuni dei miei interventi. Ma in realtà, siamo a questo punto importante della storia in cui ora possiamo immaginare di costruire strumenti che integrino alcuni di quei tratti distintivi dell'intelligenza umana. Strumenti che si adatteranno e miglioreranno effettivamente mentre vengono utilizzati da una persona. Le tecnologie sottostanti supportano l'apprendimento continuo. Sistemi che possono apprendere continuamente da un'esperienza in un flusso continuo. In questo caso, l'apprendimento per rinforzo e i meccanismi che lo sostengono, come l'apprendimento per differenza temporale, sono davvero fondamentali per costruire sistemi in grado di adattarsi continuamente mentre interagiscono con una persona e mentre vengono utilizzati da una persona che la supporta nella sua vita quotidiana.

Potresti definire l'apprendimento della differenza temporale?

Assolutamente, ciò che mi piace davvero di questo è che possiamo pensare alle tecnologie di base, all'apprendimento delle differenze temporali e agli algoritmi fondamentali di apprendimento predittivo che sono alla base di gran parte del nostro lavoro in laboratorio. Abbiamo un sistema che, proprio come noi, fa una previsione su come sarà il futuro rispetto a un segnale, rispetto a qualcosa come la ricompensa futura che vediamo di solito. Ma qualsiasi altro segnale che potresti immaginare, come quanta forza sto esercitando in questo momento? Quanto sarà caldo? Quante ciambelle mangerò domani? Queste sono le possibili cose che potresti immaginare di prevedere. E quindi l'algoritmo di base sta davvero esaminando la differenza tra la mia ipotesi su cosa accadrà in questo momento e la mia ipotesi su cosa accadrà in futuro, insieme a qualsiasi tipo di segnale che sto ricevendo attualmente.

Quanta forza sto esercitando mentre un braccio robotico solleva una tazza di caffè o una tazza d'acqua? Questo potrebbe essere il risultato della differenza tra la previsione sulla quantità di forza che eserciterà in questo momento e la quantità che eserciterà in un certo periodo futuro. E poi confrontarla con le sue aspettative sul futuro e la forza che sta effettivamente esercitando. Sommando tutti questi elementi, si ottiene questo errore, l'errore di differenza temporale. È questa bella somma delle previsioni future estese nel tempo e delle differenze tra loro, che si può quindi utilizzare per aggiornare la struttura della macchina di apprendimento stessa.

E quindi, ancora una volta, per l'apprendimento per rinforzo convenzionale basato sulla ricompensa, si potrebbe considerare l'aggiornamento del modo in cui la macchina agisce in base alla ricompensa futura attesa che si potrebbe percepire. Per gran parte di ciò che facciamo, si tratta di analizzare altri tipi di segnali, utilizzando funzioni di valore generalizzate, che rappresentano l'adattamento del processo di apprendimento per rinforzo, l'apprendimento della differenza temporale dei segnali di ricompensa a qualsiasi tipo di segnale di interesse che potrebbe essere applicabile al funzionamento della macchina.

Parli spesso di una protesi chiamata Punta del Cairo nelle tue presentazioni Cosa ha da insegnarci?

L'Università Cairo Toe di Basilea, LHTT. Immagine: Matjaž Kačičnik

Mi piace usare l'esempio del dito del piede del Cairo, una protesi di 3000 anni fa. Lavoro nel campo delle neuroprotesi, e ora vediamo sistemi robotici molto avanzati che in alcuni casi possono avere lo stesso livello di controllo o i gradi di controllo delle parti biologiche del corpo. Eppure, torno a un dito del piede in legno molto stilizzato di 3000 anni fa. Penso che la cosa interessante sia che si tratti di un esempio di come gli esseri umani si espandano con la tecnologia. Questo è ciò che stiamo vedendo in questo momento in termini di neuroprotesi e l'interazione uomo-macchina non è qualcosa di strano, nuovo o bizzarro. Siamo sempre stati utilizzatori di strumenti, gli animali, anche gli animali non umani, usano strumenti. Ci sono molti ottimi libri sull'argomento, soprattutto quello di Frans de Waal: "Siamo abbastanza intelligenti da sapere quanto sono intelligenti gli animali?".

Questa estensione di noi stessi, il potenziamento e il potenziamento di noi stessi attraverso l'uso di strumenti non è qualcosa di nuovo, è qualcosa di antico. È qualcosa che accade da tempo immemorabile nella stessa terra in cui ci troviamo ora, grazie alle persone che vi hanno vissuto. L'altro aspetto interessante del Cairo Toe è che le prove, almeno dai resoconti accademici, mostrano che è stato adattato più volte nel corso delle interazioni con i suoi utilizzatori. In realtà, sono entrati, lo hanno personalizzato e cambiato, modificato durante il suo utilizzo.

A quanto ho capito, non si trattava semplicemente di uno strumento fisso che veniva attaccato a una persona durante la sua vita, ma di uno strumento fisso che veniva attaccato ma anche modificato. È un esempio di come, ancora una volta, l'idea che gli strumenti si adattino durante il loro utilizzo e per un periodo di utilizzo prolungato sia in realtà qualcosa di piuttosto antico. Non è una novità, e ci sono molte lezioni che possiamo imparare dal co-adattamento di persone e strumenti nel corso di molti, molti anni.

In precedenza hai menzionato il percorso di feedback tra le protesi e l'essere umano, potresti approfondire il percorso di feedback?

Viviamo anche un momento particolare per quanto riguarda il modo in cui consideriamo la relazione tra una persona e la macchina che mira a supportarla nella vita quotidiana. Quando qualcuno utilizza un arto artificiale, diciamo una persona con una differenza di arto, una persona con un'amputazione, utilizza un arto artificiale. Tradizionalmente, lo useranno come uno strumento, come un'estensione del loro corpo, ma li vedremo fare affidamento in gran parte su quello che consideriamo il percorso di controllo. Che una parte del loro senso del volante o del loro intento venga trasmesso a quel dispositivo, che ha poi il compito di capire di cosa si tratta e di eseguirlo, che si tratti di aprire e chiudere una mano, piegare un gomito o creare una presa a pizzico per afferrare una chiave. Spesso non vediamo persone che studiano o prendono in considerazione il percorso di feedback.

Quindi, in un gran numero di arti artificiali che potreste vedere impiegati commercialmente, il percorso delle informazioni che fluiscono dal dispositivo alla persona potrebbe essere l'accoppiamento meccanico, il modo in cui effettivamente percepiscono le forze dell'arto e agiscono su di esse. Potrebbe essere il sentire il rumore dei motori o il guardarli mentre prendono un bracciale e lo muovono sulla scrivania o lo afferrano da un'altra parte del loro spazio di lavoro. E quindi, questi percorsi sono il modo tradizionale di farlo. Ci sono cose straordinarie che stanno accadendo in tutto il mondo per studiare come le informazioni possano essere meglio restituite da un arto artificiale alla persona che lo utilizza. Soprattutto qui a Edmonton, ci sono molti lavori davvero interessanti che utilizzano il ricablaggio del sistema nervoso, il rinnovamento mirato dei nervi e altre soluzioni per supportare quel percorso. Ma è ancora un'area di studio emergente molto interessante riflettere su come l'apprendimento automatico supporti le interazioni rispetto a quel percorso di feedback.

Come l'apprendimento automatico può supportare un sistema che potrebbe percepire e prevedere molto del suo mondo e trasmetterlo, trasmettendo tali informazioni in modo chiaro ed efficace alla persona che lo utilizza. Come può l'apprendimento automatico supportare tutto questo? Penso che questo sia un argomento interessante, perché se si hanno sia il percorso di feedback che quello di controllo, entrambi i percorsi si adattano e sia il dispositivo utilizzato dalla persona che la persona stessa costruiscono modelli l'uno dell'altro. Si può fare qualcosa di quasi miracoloso. Si possono trasmettere informazioni quasi gratuitamente. Se entrambi questi sistemi sono effettivamente ben sintonizzati tra loro, hanno costruito un modello molto potente l'uno dell'altro e hanno un adattamento per controllare entrambi i percorsi di feedback, si possono creare partnership molto strette tra esseri umani e macchine che possono trasmettere un'enorme quantità di informazioni con pochissimo sforzo e pochissima larghezza di banda.

E questo apre orizzonti completamente nuovi nel coordinamento uomo-macchina, soprattutto nel campo delle neuroprotesi. Credo davvero che questo sia un momento davvero miracoloso per iniziare a studiare questo settore.

Pensi che questi verranno stampati in 3D in futuro o come pensi che procederà la produzione?

Non credo di essere la persona più adatta per fare ipotesi su come ciò potrebbe accadere. Posso però dire che stiamo assistendo a un forte aumento dei fornitori commerciali di dispositivi neuroprotesici che utilizzano la produzione additiva, la stampa 3D e altre forme di produzione additiva in loco per creare i loro dispositivi. È anche molto interessante vedere che non si tratta solo di un prototipo che utilizza la produzione additiva o la stampa 3D, ma che la stampa 3D sta diventando parte integrante del modo in cui forniamo dispositivi alle persone e di come ottimizziamo tali dispositivi esattamente per le persone che li utilizzano.

La produzione additiva o la produzione su misura, ovvero l'adattamento di protesi personalizzate, avviene costantemente negli ospedali. È una parte naturale dell'assistenza alle persone con disabilità degli arti che necessitano di tecnologie assistite o di altri tipi di tecnologie riabilitative. Credo che stiamo iniziando a vedere che gran parte di questa personalizzazione sta iniziando a integrarsi nei produttori dei dispositivi, e non è lasciata solo agli operatori sanitari. E anche questo è davvero entusiasmante. Credo che ci sia una grande opportunità per dispositivi che non solo assomigliano a mani o sono mani usate, ma dispositivi che soddisfano in modo molto preciso le esigenze della persona che li utilizza, che le permettono di esprimersi nel modo che desidera e di vivere la vita che desidera, non solo nel modo in cui pensiamo che una mano dovrebbe essere usata nella vita quotidiana.

Hai scritto più di 120 articoli. Ce n'è uno che ti colpisce di cui dovremmo sapere?

Di recente è stato pubblicato un articolo sulle applicazioni del neural computing, ma rappresenta solo la punta di un iceberg di riflessioni che abbiamo portato avanti per oltre un decennio, sui modelli di interazione tra esseri umani e macchine, in particolare tra esseri umani e dispositivi protesici. Si tratta dell'idea di capitale comunicativo. E quindi questo è l'articolo che abbiamo pubblicato di recente. pubblicato.

Questo articolo espone la nostra visione su come le previsioni apprese e mantenute in tempo reale da un dispositivo protesico, ad esempio, che interagisce con la persona, la persona stessa, possano costituire essenzialmente un capitale, una risorsa su cui entrambe le parti possono fare affidamento. Ricordate, in precedenza ho detto che possiamo fare qualcosa di veramente spettacolare quando abbiamo un essere umano e una macchina che costruiscono modelli l'uno dell'altro, adattando il tempo reale in base all'esperienza e iniziando a trasmettere informazioni in un canale bidirezionale. A titolo di osservazione, perché viviamo in un mondo magico in cui ci sono registrazioni e si possono ritagliare elementi.

È essenzialmente come la magia.

Esatto. Sembra magia. Se torniamo a pensatori come Ashby, W. Ross Ashby, negli anni '1960 e al suo libro "Introduzione alla cibernetica"ha parlato di come potremmo amplificare l'intelletto umano. E ha detto che si tratta di amplificare la capacità di una persona di scegliere tra una delle tante opzioni. E questo è reso possibile da sistemi in cui una persona interagisce, ad esempio, con una macchina, dove c'è un canale di comunicazione aperto tra loro. Quindi, se abbiamo questa comunicazione canalizzata aperta, se è bidirezionale, e se entrambi i sistemi stanno accumulando capitale sotto forma di previsioni e altre cose, allora si può iniziare a vederli davvero allinearsi e diventare più della somma delle loro parti. Si può ottenere di più di quanto stiano dando.

E credo che sia per questo che considero questo uno dei nostri articoli più entusiasmanti, perché rappresenta davvero un cambiamento di pensiero. Rappresenta un cambiamento di pensiero verso la concezione dei dispositivi neuroprotesici come sistemi dotati di capacità di azione, sistemi a cui potremmo non solo attribuire un'azione, ma su cui possiamo contare per essere in grado di coadattarsi con noi e costruire queste risorse. Il capitale comunicativo che ci permette di moltiplicare la nostra capacità di interagire con il mondo, ci permette di ottenere di più di quanto mettiamo dentro e consente alle persone, direi, da una prospettiva protesica, di smettere di pensare alla protesi nella loro vita quotidiana e iniziare a pensare a come vivere la loro vita quotidiana. Non al dispositivo che le aiuta a vivere la loro vita quotidiana.

Quali sono alcune delle applicazioni che vedresti per le interfacce della macchina cerebrale con ciò di cui hai appena discusso?

Una delle mie preferite è una tecnologia che abbiamo proposto, sempre negli ultimi quasi 10 anni, chiamata commutazione adattiva. La commutazione adattiva si basa sulla consapevolezza che molti sistemi con cui interagiamo quotidianamente si basano sul fatto che passiamo da una modalità all'altra o funzioni diverse. Che io stia cambiando app sul mio telefono, cercando di capire l'impostazione giusta del mio trapano o adattando altri strumenti nella mia vita, passiamo continuamente da una modalità all'altra o funzioni diverse, ripensando ad Ashby, alla nostra capacità di scegliere tra molte opzioni. Quindi, nella commutazione adattiva, utilizziamo l'apprendimento basato sulle differenze temporali per consentire a un arto artificiale di apprendere quale funzione motoria una persona potrebbe voler utilizzare e quando. Quindi, una premessa davvero semplice è che, semplicemente il gesto di allungare la mano verso una tazza e chiuderla.

Beh, un sistema dovrebbe essere in grado di costruire previsioni attraverso l'esperienza: in questa situazione, probabilmente userò la funzione "apri/chiudi" della mano. Aprirò e chiuderò la mano. E poi, in futuro, in situazioni simili, essere in grado di prevederlo. E quando navigo nella nuvola vorticosa di modalità e funzioni, fornirmi più o meno quelle che desidero senza dover passare in rassegna tutte quelle numerose opzioni. E questo è un esempio molto semplice di come costruire quel capitale comunicativo. Abbiamo un sistema che, di fatto, costruisce previsioni attraverso l'interazione, sono previsioni su quella persona, quella macchina, la loro relazione in quella situazione in quel momento. E questa risorsa condivisa consente poi al sistema di riconfigurare la sua interfaccia di controllo al volo, in modo che la persona ottenga ciò che desidera e quando lo desidera. E in realtà, in una situazione in cui il sistema è molto, molto sicuro di quale funzione motoria una persona potrebbe desiderare, può di fatto selezionarla per lei mentre sta entrando.

E la cosa interessante è che la persona ha sempre la capacità di dire: "Ah, questo è quello che volevo davvero", e passare a un'altra funzione motoria. In un braccio robotico, potrebbero esserci diversi tipi di presa della mano, che si tratti di modellare la presa per afferrare una maniglia, raccogliere una chiave o stringere la mano a qualcuno. Si tratta di diverse modalità di funzionamento, diversi schemi di presa. È molto interessante che il sistema possa iniziare a sviluppare una comprensione di ciò che è appropriato in quale situazione. Unità di capitale su cui entrambe le parti possono fare affidamento per muoversi più rapidamente nel mondo e con meno carico cognitivo, soprattutto nella parte dell'unità.

Grazie per la fantastica intervista, i lettori che desiderano saperne di più dovrebbero visitare le seguenti risorse:

• Dott. Patrick M. Pilarski Pagina dell'Università di Alberta.
• Conferenza AI limite superiore.
• Amii (Alberta Machine Intelligence Institute)