Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chair (Amii) – Intervista alla serie

Il dott. Patrick M. Pilarski è un Canada CIFAR Artificial Intelligence Chair, ex Canada Research Chair in Machine Intelligence for Rehabilitation e Associate Professor nel Dipartimento di Medicina, Divisione di Medicina Fisica e Riabilitazione, University of 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-lead e Senior Staff Research Scientist fino al 2023. È un Fellow e membro del Consiglio di Amministrazione dell’Alberta Machine Intelligence Institute (Amii), co-leader del Bionic Limbs for Improved Natural Control (BLINC) Laboratory e principale ricercatore del Reinforcement Learning and Artificial Intelligence Laboratory (RLAI) e della Sensory Motor Adaptive Rehabilitation Technology (SMART) Network all’University of Alberta.

Il dott. Pilarski è l’autore o co-autore di oltre 120 articoli peer-reviewed, Senior Member dell’IEEE e ha ricevuto sostegno da borse di studio di ricerca provinciali, nazionali e internazionali.

Ci siamo seduti per un’intervista alla conferenza annuale Upper Bound 2023 su AI, che si tiene a Edmonton, AB e ospitata da Amii (Alberta Machine Intelligence Institute).

Come sei arrivato nel settore dell’AI? Cosa ti ha attirato verso questo settore?

Sono due domande separate. In termini di cosa mi attrae verso l’AI, c’è qualcosa di bello nel modo in cui la complessità può emergere e come la struttura possa emergere dalla complessità. L’intelligenza è solo uno di questi esempi incredibili, quindi sia che provenga dalla biologia o dal modo in cui vediamo comportamenti elaborati emergere nelle macchine, credo che ci sia qualcosa di bello in questo. Questo mi affascina da molto tempo e il mio percorso tortuoso per lavorare nel settore dell’AI in cui lavoro ora, che è macchine che imparano attraverso prove ed errori, sistemi di rinforzo che interagiscono con gli esseri umani mentre sono immersi in esso, il flusso dell’esperienza, il flusso del tempo, è passato attraverso molti piatti diversi. Ho studiato come le macchine e gli esseri umani potessero interagire in termini di dispositivi biomeccatronici e biotecnologie, cose come arti artificiali e protesi.

Ho guardato come l’AI possa essere utilizzata per supportare la diagnostica medica, come possiamo utilizzare l’intelligenza macchina per iniziare a comprendere i modelli che portano a una malattia o come diverse malattie potrebbero presentarsi in termini di registrazioni su una macchina. Ma tutto questo fa parte di questo lungo e tortuoso percorso per iniziare a comprendere come potremmo ottenere comportamenti molto complessi da fondamenta molto semplici. E questo è ciò che amo, specialmente dell’apprendimento per rinforzo, l’idea che la macchina possa incorporarsi nel flusso del tempo e imparare dalla propria esperienza per esibire comportamenti molto complessi e catturare sia i fenomeni complessi, veramente, nel mondo che li circonda. Questo è stato un fattore trainante.

La meccanica di questo, ho fatto un sacco di formazione in medicina sportiva e cose del genere alle scuole superiori. Ho studiato medicina sportiva e adesso eccomi qui a lavorare in un ambiente in cui guardo come l’intelligenza macchina e le tecnologie di riabilitazione si incontrano per supportare le persone nella loro vita quotidiana. È un percorso molto interessante, come la fascinazione laterale con i sistemi complessi e la complessità, e poi la pragmatica molto pratica di come pensiamo di supportare meglio gli esseri umani, di farli vivere le vite che vogliono vivere.

Come lo sport ti ha portato inizialmente alle protesi?

Cosa è veramente interessante nei campi come la medicina sportiva è guardare il corpo umano e come i bisogni unici di qualcuno, sia nello sport o altrove, possano in realtà essere supportati da altre persone, da procedure e processi. Le gambe bioniche e le tecnologie protesiche sono sul costruire dispositivi, costruire sistemi, costruire tecnologie che aiutano le persone a vivere le vite che vogliono vivere. Queste due cose sono veramente strettamente connesse. È veramente emozionante poter tornare pieno cerchio e avere alcune di quelle interessi molto precoci giungere a frutto, di nuovo, co-leader di un laboratorio in cui guardiamo… E specialmente sistemi di apprendimento macchina che lavorano in un modo strettamente accoppiato, la persona che sono progettati per supportare.

Hai discusso in precedenza come una protesi si adatta alla persona invece della persona che si adatta alla protesi. Potresti parlare dell’apprendimento macchina dietro questo?

Assolutamente. Come fondamento nella storia dell’uso degli strumenti, gli esseri umani si sono adattati a noi stessi ai nostri strumenti e poi abbiamo adattato i nostri strumenti ai bisogni che abbiamo. E quindi c’è questo processo iterativo di noi che ci adattiamo ai nostri strumenti. Stiamo, proprio adesso, a un punto di svolta dove per la prima volta, potresti avermi sentito dire questo prima in discorsi se hai guardato alcuni dei discorsi che ho fatto. Ma veramente, siamo a questo importante punto nella storia dove possiamo ora immaginare costruire strumenti che portino in alcuni di quei segni di intelligenza umana. Strumenti che effettivamente si adatteranno e miglioreranno mentre sono utilizzati da una persona. Le tecnologie sottostanti supportano l’apprendimento continuo. Sistemi che possono imparare continuamente da un flusso di esperienza in corso. In questo caso, l’apprendimento per rinforzo e i meccanismi che lo sostengono, cose come l’apprendimento per differenza temporale, sono veramente critici per costruire sistemi che possano continuamente adattarsi mentre interagiscono con una persona e mentre sono in uso da una persona che li supporta nella loro vita quotidiana.

Potresti definire l’apprendimento per differenza temporale?

Assolutamente, cosa mi piace di questo è che possiamo pensare alle tecnologie core, l’apprendimento per differenza temporale e gli algoritmi di apprendimento di base che sostengono gran parte di ciò su cui lavoriamo nel laboratorio. Hai un sistema che, molto come noi, sta facendo una previsione su cosa il futuro sarà come rispetto a un segnale, rispetto a qualcosa come il futuro premio è ciò che di solito vediamo. Ma qualsiasi altro segnale potresti immaginare come, quanto forza sto esercitando proprio adesso? Quanto sarà caldo domani? Quanti donuts avrò domani? Queste sono le cose possibili che potresti immaginare prevedendo. E quindi l’algoritmo core è veramente guardare la differenza tra la mia ipotesi su cosa sta per accadere proprio adesso e la mia ipotesi su cosa accadrà nel futuro insieme a qualsiasi tipo di segnale che sto attualmente ricevendo.

Quanto forza sto esercitando come braccio robotico che solleva una tazza di caffè o una tazza d’acqua? Questo potrebbe essere guardare la differenza tra la previsione sulla quantità di forza che sto esercitando proprio adesso o la quantità che eserciterò su un periodo di tempo nel futuro. E poi confrontarla con le mie aspettative sul futuro e la forza che sto effettivamente esercitando. Metti tutto questo insieme, e ottieni questo errore, l’errore di differenza temporale. È questo accumulo di previsioni estese nel tempo e le differenze tra loro, che puoi poi utilizzare per aggiornare la struttura della macchina di apprendimento stessa.

E quindi, di nuovo, per l’apprendimento per rinforzo convenzionale basato su premio, questo potrebbe essere guardare l’aggiornamento del modo in cui la macchina agisce in base al premio futuro che potresti percepire. Per gran parte di ciò che facciamo, è guardare altri tipi di segnali, utilizzando funzioni di valore generalizzate, che è l’adattamento del processo di apprendimento per rinforzo, apprendimento per differenza temporale dei segnali di premio a qualsiasi tipo di segnale di interesse che potrebbe essere applicabile all’operazione della macchina.

Hai spesso parlato di una protesi chiamata Cairo Toe nelle tue presentazioni. Cosa ha da insegnarci?

The Cairo Toe University of Basel, LHTT. Immagine: Matjaž Kačičnik

Mi piace utilizzare l’esempio del Cairo Toe, una protesi di 3000 anni fa. Lavoro nel settore delle protesi neurologiche, adesso vediamo sistemi robotici molto avanzati che possono in alcuni casi avere lo stesso livello di controllo o i gradi di controllo delle parti del corpo biologico. Eppure, torno a una protesi di legno molto stilizzata di 3000 anni fa. Credo che ciò che è divertente è che è un esempio di esseri umani che si estendono con la tecnologia. Quello che stiamo vedendo proprio adesso in termini di interazione uomo-macchina e protesi neurologiche è qualcosa che non è strano, nuovo o strambo. Siamo sempre stati utenti di strumenti, gli animali non umani utilizzano anche strumenti. Ci sono molti grandi libri su questo, specialmente di Frans de Waal, “Are We Smart Enough to Know How Smart Animals Are?”.

Questa estensione di noi stessi, l’ampliamento e il potenziamento di noi stessi attraverso l’uso di strumenti non è qualcosa di nuovo, è qualcosa di antico. È qualcosa che è stato accadendo dal tempo e dalla memoria nella terra in cui siamo adesso per le persone che vivevano qui. L’altra cosa interessante sul Cairo Toe è che le prove, almeno dai rapporti accademici su di esso, mostrano che è stato adattato più volte nel corso delle sue interazioni con gli utenti. Hanno effettivamente inserito e personalizzato e modificato durante il suo utilizzo.

La mia comprensione, non era solo uno strumento fisso che era attaccato a una persona durante la loro vita, era uno strumento fisso che era attaccato ma anche modificato. È un esempio di come, di nuovo, l’idea che gli strumenti sono adattati durante il loro utilizzo e un utilizzo sostenuto è in realtà qualcosa di antico. Non è qualcosa di nuovo, e ci sono molte lezioni che possiamo imparare dalla co-adattazione di persone e strumenti nel corso di molti, molti anni.

Hai menzionato in precedenza il percorso di feedback tra protesi e umano, potresti elaborare sul percorso di feedback?

Siamo anche in un momento speciale in termini di come stiamo guardando la relazione tra una persona e la macchina che mira a supportarli nella loro vita quotidiana. Quando qualcuno sta utilizzando un arto artificiale, diciamo qualcuno con una differenza di arto, qualcuno con un’amputazione che sta utilizzando un arto artificiale. Tradizionalmente, lo useranno molto come uno strumento, come un’estensione del loro corpo, ma vedremo che si affidano in gran parte a ciò che consideriamo il percorso di controllo. Che alcuni sensi della loro ruota o della loro intenzione stanno passando giù per il dispositivo, che è poi incaricato di capire cosa è, e poi eseguire su di esso, sia che si apra e si chiuda una mano o si pieghi un gomito o si crei una presa per afferrare una chiave. Spesso non vediamo le persone studiare o considerare il percorso di feedback.

Quindi, un gran numero di arti artificiali che potresti vedere distribuiti commercialmente, il percorso di informazione che fluisce dal dispositivo alla persona potrebbe essere l’accoppiamento meccanico, il modo in cui effettivamente sentono le forze dell’arto e agiscono su di esse. Potrebbe essere loro ascoltare il rumore dei motori o loro guardare mentre afferrano una cuffia e la spostano su una scrivania o la afferrano da un’altra parte del loro spazio di lavoro. E quindi, quei percorsi sono il modo tradizionale di farlo. Ci sono cose incredibili che stanno accadendo in tutto il mondo per guardare come le informazioni potrebbero essere meglio riportate indietro da un arto artificiale alla persona che lo utilizza. Specialmente anche qui a Edmonton, c’è un sacco di lavoro veramente cool che utilizza il ri-cablamento del sistema nervoso, la riabilitazione nervosa mirata e altre cose per supportare quel percorso. Ma è ancora un’area di studio emergente e calda per pensare a come l’apprendimento macchina possa supportare le interazioni rispetto a quel percorso di feedback.

Come l’apprendimento macchina può supportare un sistema che potrebbe essere percepito e previsto molto sul suo mondo, effettivamente trasmettere, avendo quelle informazioni trasmesse in modo chiaro e efficace indietro alla persona che lo utilizza. Come l’apprendimento macchina può supportare questo? Credo che questo sia un grande argomento, perché se hai sia il percorso di feedback che il percorso di controllo, entrambi i percorsi si adattano e sia il dispositivo utilizzato dalla persona che la persona stessa stanno costruendo modelli l’uno dell’altro. Puoi fare qualcosa di quasi miracoloso. Puoi quasi trasmettere informazioni gratuitamente. Se hai entrambi questi sistemi che sono effettivamente ben sintonizzati l’uno con l’altro, hanno costruito un modello di previsione molto potente l’uno dell’altro e hanno un adattamento sia al percorso di controllo che al percorso di feedback, puoi formare partnership molto strette tra esseri umani e macchine che possono passare una quantità enorme di informazioni con molto poco sforzo e molto poco larghezza di banda.

E questo apre interi nuovi regni di coordinazione uomo-macchina, specialmente nel settore delle protesi neurologiche. Credo veramente che questo sia un momento abbastanza miracoloso per noi per iniziare a studiare questo settore.

Pensi che queste saranno stampate in 3D nel futuro o come pensi che la produzione procederà?

Non mi sento come se fossi il posto migliore per speculare su come potrebbe accadere. Posso dire, però, che stiamo vedendo un grande aumento di fornitori commerciali di dispositivi neuroprotesici che utilizzano la produzione additiva, la stampa 3D e altre forme di produzione additiva per creare i loro dispositivi. Questo è anche veramente divertente da vedere, che non è solo un prototipo che utilizza la produzione additiva o la stampa 3D, ma la stampa 3D sta diventando un’integrazione di come forniamo dispositivi alle persone e come li ottimizziamo per le esatte persone che li utilizzano.

La produzione additiva o la produzione su misura, l’adattamento della protesi avviene negli ospedali tutto il tempo. Questo è un aspetto naturale della fornitura di cure alle persone con differenze di arti che necessitano di tecnologie assistive o altre tecnologie di riabilitazione. Credo che stiamo iniziando a vedere che molta di quella personalizzazione sta iniziando a fondersi con i produttori dei dispositivi, e non solo lasciata ai fornitori di assistenza. E questo è anche veramente emozionante. Credo che ci sia una grande opportunità per dispositivi che non solo assomigliano a mani o sono utilizzati come mani, ma dispositivi che molto precisamente soddisfano le esigenze della persona che li utilizza, che le permettono di esprimersi nel modo in cui vogliono esprimersi, e che le permettono di vivere le vite che vogliono vivere, non solo il modo in cui pensiamo che una mano debba essere utilizzata nella vita quotidiana.

Hai scritto oltre 120 articoli. Ce n’è uno che si distingue per te che dovremmo conoscere?

C’è un articolo recentemente pubblicato su Neural Computing Applications, ma rappresenta la punta dell’iceberg del pensiero che abbiamo messo in campo per ben oltre un decennio adesso, su framework per come gli esseri umani e le macchine interagiscono, specialmente come gli esseri umani e i dispositivi protesici interagiscono. È l’idea di capitale comunicativo. E quindi questo è l’articolo che abbiamo recentemente pubblicato.

E questo articolo presenta la nostra visione su come le previsioni che vengono apprese e mantenute in tempo reale da, diciamo, un dispositivo protesico che interagisce con la persona, la persona stessa può formare essenzialmente capitale, può formare una risorsa che entrambe le parti possono affidarsi. Ricordo, precedentemente ho detto che possiamo fare qualcosa di veramente spettacolare quando abbiamo un essere umano e una macchina che stanno costruendo modelli l’uno dell’altro, adattandosi in tempo reale in base all’esperienza, e iniziando a passare informazioni in un canale bidirezionale. Come una nota a margine, perché viviamo in un mondo magico dove ci sono registrazioni e puoi tagliare cose fuori da esse.

È essenzialmente come la magia.

Esattamente. Sembra magia. Se torniamo a pensatori come Ashby, W. Ross Ashby, indietro negli anni ’60 e il suo libro “Introduction of Cybernetics” parlò di come potremmo amplificare l’intelletto umano. E disse veramente che si riduce ad amplificare la capacità di una persona di scegliere tra una delle molte opzioni. E questo è reso possibile da sistemi in cui una persona sta interagendo con, diciamo, una macchina, dove c’è un canale di comunicazione aperto tra loro. Quindi, se abbiamo quel canale di comunicazione aperto, se è bidirezionale, e se entrambi i sistemi stanno costruendo capitale nella forma di previsioni e altre cose, allora puoi iniziare a vederli veramente allinearsi e diventare più della somma delle loro parti. Puoi ottenere più di quanto stanno mettendo dentro.

E credo che questo sia il motivo per cui considero questo uno dei nostri articoli più emozionanti, perché rappresenta un cambio di pensiero. Rappresenta un cambio di pensiero verso la considerazione dei dispositivi neuroprotesici come sistemi con agenzia, sistemi di cui potremmo non solo descrivere l’agenzia, ma affidarci per poter co-adattarci con noi per costruire queste risorse. Il capitale comunicativo che ci permette di moltiplicare la nostra capacità di interagire con il mondo, ci permette di ottenere più di quanto stiamo mettendo dentro e permette alle persone di, dirò, da una prospettiva protesica, smettere di pensare alla protesi nella loro vita quotidiana e iniziare a pensare a vivere la loro vita quotidiana. Non il dispositivo che li aiuta a vivere la loro vita quotidiana.

Quali sono alcune delle applicazioni che vedresti per le interfacce cervello-macchina con ciò che hai appena discusso?

Una delle mie preferite è qualcosa che abbiamo messo in campo, di nuovo, negli ultimi quasi 10 anni, è una tecnologia chiamata commutazione adattiva. La commutazione adattiva si basa sulla conoscenza che molti sistemi con cui interagiamo nella nostra vita quotidiana si affidano a noi che commutiamo tra molti modi o funzioni. Che io stia commutando tra app sul mio telefono o che io stia cercando di capire l’impostazione giusta sul mio trapano o che io stia adattando altri strumenti nella mia vita. Vediamo commutare tra molti modi o funzioni tutto il tempo, pensando indietro ad Ashby, la nostra capacità di scegliere tra molte opzioni. Quindi, nella commutazione adattiva, utilizziamo l’apprendimento per differenza temporale per permettere a un arto artificiale di imparare quale funzione motoria una persona potrebbe voler utilizzare e quando vuole utilizzarla. Quindi, veramente, un semplice principio è che, solo l’atto di raggiungere una tazza e chiudere la mia mano.

Veramente, un sistema dovrebbe essere in grado di costruire previsioni attraverso l’esperienza che, in questa situazione, sono probabilmente utilizzando la funzione di apertura e chiusura della mano. E poi, nel futuro, in situazioni simili, essere in grado di prevedere ciò. E quando sto navigando la nuvola turbinosa di modi e funzioni, darmi più o meno quelli che voglio senza dover passare attraverso tutte quelle molte opzioni. E questo è un semplice esempio di costruire quel capitale comunicativo. Hai un sistema che sta effettivamente costruendo previsioni attraverso l’interazione, sono previsioni sulla persona, sulla macchina, sulla loro relazione in quella situazione in quel momento. E quella risorsa condivisa ti permette poi di riconfigurare l’interfaccia di controllo del sistema al volo, in modo che la persona ottenga ciò che vuole e quando lo vuole. E veramente, in una situazione in cui il sistema è molto, molto sicuro di quale funzione motoria una persona potrebbe voler utilizzare, può effettivamente selezionarla per loro mentre stanno andando dentro.

E la cosa divertente è che la persona ha sempre la capacità di dire, “Ah, questo è ciò che veramente volevo,” e commutare su un’altra funzione motoria. In un braccio robotico, potrebbe essere diversi tipi di presa, che potrebbe essere modellare la presa per afferrare una maniglia o prendere una chiave o stringere la mano di qualcuno. Queste sono diverse funzioni di modi, diverse presenze. È veramente interessante che il sistema possa iniziare a costruire un’apprezzamento di ciò che è appropriato in quale situazione. Unità di capitale che entrambe le parti possono affidarsi per muoversi più velocemente nel mondo, e con meno carico cognitivo, specialmente nella parte dell’unità.

Grazie per l’intervista incredibile, i lettori che desiderano saperne di più possono visitare le seguenti risorse:

• Il dott. Patrick M. Pilarski pagina dell’University of Alberta.
• Conferenza Upper Bound AI.
• Amii (Alberta Machine Intelligence Institute)