Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chair (Amii) – Wywiad z serii

Dr. Patrick M. Pilarski jest Kanadyjskim Przewodniczącym CIFAR ds. Sztucznej Inteligencji, byłym Kanadyjskim Przewodniczącym ds. Inteligencji Maszynowej w Rehabilitacji, oraz Profesorem Nadzwyczajnym w Wydziale Medycyny Fizycznej i Rehabilitacji, Uniwersytetu Alberty.

W 2017 roku, Dr. Pilarski współzałożył pierwsze międzynarodowe biuro badawcze DeepMind, zlokalizowane w Edmonton, Alberta, gdzie pełnił funkcję współkierownika biura i Starszego Naukowca do 2023 roku. Jest Członkiem i Członkiem Zarządu Instytutu Inteligencji Maszynowej Alberty (Amii), współkieruje Laboratorium BLINC, oraz jest głównym badaczem w Laboratorium RLAI i Sieci SMART na Uniwersytecie Alberty.

Dr. Pilarski jest laureatem nagród za ponad 120 recenzowanych artykułów, Senior Member IEEE, oraz był wspierany przez prowincjonalne, krajowe i międzynarodowe granty badawcze.

Przeprowadziliśmy wywiad na corocznej konferencji Upper Bound w 2023 roku na temat sztucznej inteligencji, która odbywa się w Edmonton, AB i jest organizowana przez Amii (Alberta Machine Intelligence Institute).

Jak znalazłeś się w branży AI? Co cię przyciągnęło do tej branży?

To są dwa odrębne pytania. W kwestii tego, co mnie przyciąga do AI, jest coś pięknego w tym, jak złożoność może powstać i jak struktura może wyłonić się z złożoności. Inteligencja jest po prostu jednym z tych niesamowitych przykładów, więc niezależnie od tego, czy pochodzi z biologii, czy z tego, jak widzimy, jak zachowania rozwijają się w maszynach, uważam, że jest coś pięknego w tym. To zawsze fascynowało mnie przez bardzo długi czas, a moja długa i skomplikowana droga do pracy w dziedzinie AI, w której teraz pracuję, czyli maszyny, które uczą się przez próby i błędy, systemy wzmocnienia, które interaktywnie współpracują z ludźmi, gdy są one zanurzone w strumieniu doświadczeń, przepływie czasu, przeszła przez wiele różnych płaszczyzn.

Badałem, jak maszyny i ludzie mogą współpracować w zakresie urządzeń biomechatronicznych i biotechnologii, rzeczy takich jak sztuczne kończyny i protezy.

Spójrzeliśmy, jak AI może być wykorzystywana do wspierania medycznej diagnostyki, jak możemy wykorzystać inteligencję maszynową, aby zacząć rozumieć wzorce, które prowadzą do choroby lub jak różne choroby mogą się manifestować w odniesieniu do nagrań na maszynie. Ale to wszystko jest częścią tej długiej i skomplikowanej drogi, aby naprawdę zacząć doceniać, jak można uzyskać bardzo złożone zachowania z bardzo prostych podstaw. I to jest to, co kocham, zwłaszcza w nauce wzmocnienia, jest to idea, że maszyna może zatopić się w strumieniu czasu i uczyć się ze swojego własnego doświadczenia, aby wykazywać bardzo złożone zachowania i uchwycić zarówno złożone zjawiska, naprawdę, na świecie wokół niej. To było napędowe siłą.

Mechanika tego, ja naprawdę uczyniłem wiele treningów medycyny sportowej i rzeczy takich jak to, z powrotem w szkole średniej. Studiowałem medycynę sportową, a teraz jestem tutaj, pracując w środowisku, w którym spójrzeliśmy, jak inteligencja maszynowa i technologie rehabilitacyjne łączą się, aby wspierać ludzi w ich codziennym życiu. To jest bardzo interesująca podróż, jak strona fascynacji złożonymi systemami i złożonością, a potem bardzo praktyczne pragmatyki, jak zaczynamy myśleć o tym, jak ludzie mogą być lepiej wspierani, żyć życiem, które chcą żyć.

Jak sporty początkowo doprowadziły cię do protez?

Co jest naprawdę interesujące w dziedzinach takich jak medycyna sportowa, to spojrzenie na ludzkie ciało i to, jak jednostkowe potrzeby, czy to sportowe, czy inne, mogą być wspierane przez innych ludzi, procedury i procesy. Technologie protez i kończyn sztucznych są o budowaniu urządzeń, systemów, technologii, które pomagają ludziom żyć życiem, które chcą żyć. Te dwie rzeczy są naprawdę ściśle połączone. To naprawdę ekscytujące móc przyjść w pełnym koło i mieć niektóre z tych wcześniejszych zainteresowań, które przychodzą do owoców w, ponownie, współkierowaniu laboratorium, w którym spójrzeliśmy… I szczególnie systemy uczenia maszynowego, które pracują w ściśle sprzężony sposób z osobą, którą są zaprojektowane do wspierania.

Czy możesz omówić maszynę sztucznej inteligencji zaangażowaną w protezę, która dostosowuje się do osoby, a nie odwrotnie?

Bez wątpienia. Jako podstawa w historii użycia narzędzi, ludzie dostosowali się do swoich narzędzi, a potem dostosowali swoje narzędzia do potrzeb, które mieli. I tak jest to iteracyjny proces dostosowywania się do naszych narzędzi. Jesteśmy teraz na punkcie zwrotnym, w którym po raz pierwszy możemy wyobrazić sobie budowanie narzędzi, które przyniosą niektóre z tych cech inteligencji ludzkiej. Narzędzia, które naprawdę dostosują się i poprawią, podczas gdy są używane przez osobę. Podstawowe technologie wspierają ciągłe uczenie. Systemy, które mogą ciągle uczyć się z ciągłego strumienia doświadczeń. W tym przypadku, nauka wzmocnienia i mechanizmy, które ją podtrzymują, takie jak nauka temporalna, są naprawdę kluczowe do budowania systemów, które mogą ciągle dostosowywać się, podczas gdy są one używane przez osobę i wspierają ją w jej codziennym życiu.

Czy możesz zdefiniować naukę temporalną?

Bez wątpienia, co ja naprawdę lubię w tym, to, że możemy pomyśleć o podstawowych technologiach, nauce temporalnej i podstawowych algorytmach predykcyjnych, które podtrzymują wiele z tego, nad czym pracujemy w laboratorium. Masz system, który, podobnie jak my, robi przewidywania o tym, jak przyszłość będzie wyglądać w odniesieniu do pewnego sygnału, w odniesieniu do czegoś takiego jak przyszła nagroda, jest to zwykle to, co widzimy. Ale każdy inny sygnał, który możesz sobie wyobrazić, takie jak, ile siły wywieram teraz? Jak gorąco będzie? Ile donutów będę miał jutro? To są możliwe rzeczy, które możesz sobie wyobrazić, aby je przewidzieć. I tak, podstawowy algorytm jest naprawdę poświęcony temu, aby spojrzenie na różnicę między moim przewidywaniem, co się wydarzy teraz, a moim przewidywaniem, co się wydarzy w przyszłości, wraz z dowolnym sygnałem, który otrzymuję teraz.

Ile siły wywieram jako ramię robota, które podnosi filiżankę kawy lub filiżankę wody? To może być spojrzenie na różnicę między przewidywaniem, ile siły będę wywierał teraz, a przewidywaniem, ile siły będę wywierał w przyszłości. I porównanie tego z moimi oczekiwaniami na przyszłość i siłą, którą naprawdę wywieram. Połącz to wszystko, a otrzymasz ten błąd, błąd temporalny. To jest ładna kumulacja rozszerzonej prognozy w przyszłości i różnic między nimi, które możesz wykorzystać, aby zaktualizować strukturę samej maszyny uczącej się.

I tak, ponownie, dla konwencjonalnego uczenia wzmocnienia opartego na nagrodzie, to może być spojrzenie na aktualizację, w jaki sposób maszyna działa na podstawie przyszłej oczekiwanej nagrody, którą możesz postrzegać. Dla wielu z tego, co robimy, to jest spojrzenie na inne rodzaje sygnałów, wykorzystując funkcje wartości uogólnionych, które są adaptacją procesu uczenia wzmocnienia sygnałów nagród do dowolnego rodzaju sygnału zainteresowania, który może być odpowiedni dla działania maszyny.

Często mówisz o protezie zwanej Cairo Toe w swoich prezentacjach. Co możemy się od niej nauczyć?

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

Lubię używać przykładu Cairo Toe, 3000-letniej protezy. Pracuję w dziedzinie neuroprotez, teraz widzimy bardzo zaawansowane systemy robotyczne, które w niektórych przypadkach mogą mieć ten sam poziom kontroli lub stopień kontroli, co części ciała biologicznego. I jednak, wracam do bardzo stylizowanego drewnianego palca z 3000 lat temu. Uważam, że to, co jest fajne, to fakt, że jest to przykład ludzi rozszerzających się technologią. To, co widzimy teraz w zakresie neuroprotez i interakcji człowiek-maszyna, nie jest czymś nowym, dziwnym czy szalonym. Zawsze byliśmy użytkownikami narzędzi, zwierzętami, które nie są ludźmi, również używają narzędzi. Są wiele wspaniałych książek na ten temat, szczególnie tych napisanych przez Fransa de Waala, „Czy jesteśmy wystarczająco mądrzy, aby wiedzieć, jak mądrze są zwierzęta?”.

To rozszerzenie nas samych, wzmocnienie i udoskonalenie nas samych za pomocą użycia narzędzi nie jest czymś nowym, jest to coś, co działo się od czasu do czasu, na ziemi, na której jesteśmy, przez ludzi, którzy żyli tutaj. Inna interesująca rzecz o Cairo Toe jest to, że dowody, przynajmniej ze sprawozdań naukowych na ten temat, pokazują, że została ona dostosowana wielokrotnie w trakcie swojej interakcji z użytkownikami. Oni naprawdę weszli i dostosowali ją, zmienili ją, zmodyfikowali ją podczas jej użycia.

Moje zrozumienie, to nie było po prostu narzędziem, które było przymocowane do osoby przez całe jej życie, ale było to narzędzie, które było przymocowane, ale również zmodyfikowane. To jest przykład tego, jak, ponownie, idea, że narzędzia są dostosowywane w trakcie swojego użycia, nie jest czymś nowym. I są wiele lekcji, które możemy się od tego nauczyć.

Czy możesz wyjaśnić ścieżkę sprzężenia zwrotnego między protezą a człowiekiem?

Jesteśmy również w specjalnym czasie, jeśli chodzi o to, jak postrzegamy relację między osobą a maszyną, która ma na celu wspierać ją w codziennym życiu. Kiedy ktoś używa sztucznej kończyny, powiedzmy, ktoś z różnicą kończyn, ktoś z amputacją, używa sztucznej kończyny. Tradycyjnie, będą oni używać jej bardzo podobnie do narzędzia, jak rozszerzenia ich ciała, ale będziemy widzieć, jak w dużej mierze polegają na tym, co uważamy za ścieżkę kontroli. Że jakiś sens ich koła lub ich intencji jest przenoszony do tego urządzenia, które jest następnie zadane do ustalenia, co to jest, a następnie wykonania tego, czy to jest otwieranie i zamykanie dłoni, czy zginanie łokcia, czy tworzenie chwytu, aby podnieść klucz. Często nie widzimy ludzi badających lub rozważających ścieżkę sprzężenia zwrotnego.

Więc wiele sztucznych kończyn, które możemy zobaczyć wdrożone komercyjnie, ścieżka informacji płynącej z urządzenia z powrotem do osoby może być mechanicznym połączeniem, sposobem, w jaki oni naprawdę czują siły kończyny i działają na nich. Mogą to być również sygnały dźwiękowe, takie jak szum silników, lub mogą one obserwować, jak podnoszą mankiet i przenoszą go po biurku, lub mogą go podnieść z innego miejsca w swoim miejscu pracy. I tak, te ścieżki są tradycyjnym sposobem robienia tego. Są wspaniałe rzeczy, które się dzieją na całym świecie, aby spojrzeć, jak informacje mogą być lepiej przekazywane z sztucznej kończyny do osoby, która ją używa. Szczególnie tutaj, w Edmonton, jest wiele naprawdę fajnych prac nad tym, jak informacje mogą być lepiej przekazywane z sztucznej kończyny do osoby, która ją używa, szczególnie przy użyciu przebudowy nerwów i innych rzeczy, aby wspierać tę ścieżkę.

Jak maszyna może wspierać system, który może postrzegać i przewidywać wiele rzeczy o swoim świecie, i jak może przekazywać te informacje w sposób jasny i skuteczny z powrotem do osoby, która ją używa. Jak maszyna może wspierać to? Uważam, że to jest wspaniały temat, ponieważ jeśli masz obie te ścieżki, ścieżkę sprzężenia zwrotnego i ścieżkę kontroli, oba systemy są dostosowywane i zarówno urządzenie, które jest używane przez osobę, jak i osoba sama budują modele siebie nawzajem. Możesz zrobić coś prawie cudownego. Możesz prawie przekazać informacje za darmo. Jeśli masz oba te systemy, które są naprawdę dobrze dostosowane do siebie, mają one bardzo potężny model siebie nawzajem i mają dostosowanie zarówno do ścieżki kontroli, jak i sprzężenia zwrotnego, możesz utworzyć bardzo ścisłe partnerstwo między ludźmi a maszynami, które mogą przekazywać ogromne ilości informacji z bardzo małym wysiłkiem i bardzo małym pasmem.

I to otwiera cały nowy świat koordynacji człowiek-maszyna, szczególnie w dziedzinie neuroprotez. Uważam, że to jest naprawdę cudowny czas, aby zacząć badać tę dziedzinę.

Czy uważasz, że będą one drukowane w 3D w przyszłości, czy jak myślisz, że produkcja będzie przebiegać?

Nie czuję, że jestem w najlepszej pozycji, aby spekulować, jak to może się wydarzyć. Mogę powiedzieć, że widzimy duży wzrost dostawców komercyjnych urządzeń neuroprotezowych, którzy używają techniki drukowania 3D, aby tworzyć swoje urządzenia. To jest również naprawdę fajne, aby zobaczyć, że to nie jest tylko prototyp, który używa drukowania 3D, ale drukowanie 3D staje się integralną częścią tego, jak dostarczamy urządzenia osobom i jak optymalizujemy te urządzenia dla konkretnych osób, które je używają.

Drukowanie addytywne lub produkcja na zamówienie, dopasowanie protez do potrzeb osób z różnicą kończyn, które potrzebują urządzeń wspomagających lub innych rodzajów technologii rehabilitacyjnych, jest naturalną częścią opieki nad tymi osobami. Uważam, że zaczynamy widzieć, że wiele z tych dostosowań zaczyna się przenosić do samych producentów urządzeń, a nie tylko do osób, które je używają. I to jest również naprawdę ekscytujące. Uważam, że jest wielka możliwość, aby stworzyć urządzenia, które nie tylko wyglądają jak ręce, ale są urządzeniami, które bardzo dokładnie spełniają potrzeby osób, które je używają, które pozwalają im wyrażać się w sposób, w jaki chcą się wyrażać, i żyć życiem, które chcą żyć, nie tylko w sposób, w jaki myślimy, że ręka powinna być używana w codziennym życiu.

Napisałeś ponad 120 artykułów. Czy jest jeden, który wyróżnia się dla ciebie, o którym powinniśmy wiedzieć?

Istnieje niedawno opublikowany artykuł w Neural Computing Applications, ale reprezentuje on szczyt myślenia, które wprowadziliśmy przez ponad dekadę, na temat ram, w jaki sposób ludzie i maszyny interaktywnie współpracują, szczególnie w jaki sposób ludzie i urządzenia protezowe interaktywnie współpracują. To jest idea kapitału komunikacyjnego. I tak, ten artykuł przedstawia nasz punkt widzenia na to, jak przewidywania, które są uczione i utrzymywane w czasie rzeczywistym przez urządzenie protezowe, które interaktywnie współpracuje z osobą, osoba sama może utworzyć kapitał, może utworzyć zasób, na który obie strony mogą polegać.

Przypomniałem wcześniej, że możemy zrobić coś naprawdę wspaniałego, jeśli mamy system, który jest w stanie budować modele siebie nawzajem, dostosowywać się w czasie rzeczywistym na podstawie doświadczenia i zaczynać przekazywać informacje w dwukierunkowym kanale. To jest boczna uwaga, ponieważ żyjemy w magicznym świecie, w którym istnieją nagrania i możesz wyciąć rzeczy z nich.

To jest tak, jakby to było magiczne.

Właśnie. To brzmi jak magia. Jeśli wrócimy do myślicieli takich jak Ashby, W. Ross Ashby, w latach 60-tych i jego książki “Wstęp do cybernetyki“, mówił o tym, jak możemy zwiększyć ludzką inteligencję. I powiedział, że to wszystko sprowadza się do zwiększenia zdolności osoby do wyboru między jedną z wielu opcji. I to jest możliwe dzięki systemom, w których osoba interaktywnie współpracuje z maszyną, gdzie jest kanał komunikacji między nimi.

I tak, jeśli mamy ten kanał komunikacji, jeśli jest to dwukierunkowy, i jeśli oba systemy budują kapitał w postaci przewidywań i innych rzeczy, wtedy możesz zacząć widzieć, jak one naprawdę dostosowują się do siebie i stają się więcej niż suma ich części. Możesz uzyskać więcej, niż wkładasz. I uważam, że to jest dlatego, że uważam ten artykuł za jeden z naszych najbardziej ekscytujących, ponieważ reprezentuje on zmianę myślenia. Reprezentuje on zmianę myślenia w kierunku postrzegania urządzeń neuroprotezowych jako systemów z agencyjnością, systemów, którym nie tylko możemy przypisać agencyjność, ale również możemy polegać na nich, aby współpracować z nami, aby budować te zasoby, kapitał komunikacyjny, który pozwala nam pomnożyć naszą zdolność do interakcji ze światem, pozwala nam uzyskać więcej, niż wkładasz, i pozwala ludziom, powiedzmy, z perspektywy protez, przestać myśleć o protezie w swoim codziennym życiu i zacząć myśleć o życiu swoim codziennym życiem, nie o urządzeniu, które im pomaga żyć swoim codziennym życiem.

Jakie są niektóre zastosowania, które widzisz dla interfejsów mózg-maszyna, biorąc pod uwagę to, o czym właśnie mówiłeś?

Jeden z moich ulubionych to coś, co wprowadziliśmy, ponownie, przez prawie 10 lat, jest to technologia zwana przełączaniem adaptacyjnym. Przełączanie adaptacyjne opiera się na wiedzy, że wiele systemów, z którymi interaktywnie współpracujemy na co dzień, polega na tym, że przełączamy się między wieloma trybami lub funkcjami. Czy to przełączamy się między aplikacjami na naszym telefonie, czy próbujemy znaleźć odpowiednie ustawienie na naszym wiertle, czy dostosowujemy inne narzędzia w naszym życiu, przełączamy się między wieloma trybami lub funkcjami cały czas, myśląc wstecz do Ashby’ego, nasza zdolność do wyboru między wieloma opcjami. W przełączaniu adaptacyjnym, wykorzystujemy naukę temporalną, aby umożliwić sztucznej kończynie nauczyć się, jaka funkcja motoryczna osoba może chcieć użyć i kiedy chce ją użyć.

Naprawdę prosta premisa jest taka, że po prostu akt mojego sięgnięcia po filiżankę i zamknięcia dłoni. Dobrze, system powinien być w stanie budować przewidywania przez doświadczenie, że w tej sytuacji, jestem prawdopodobnie używać funkcji otwierania i zamykania dłoni. I w przyszłości, w podobnych sytuacjach, aby móc przewidzieć to. I kiedy nawiguję w chmurze trybów i funkcji, daj mi więcej lub mniej tych, których chcę, bez konieczności przeglądania wszystkich tych wielu opcji. I to jest bardzo prosty przykład budowania kapitału komunikacyjnego. Masz system, który jest w stanie budować przewidywania przez interakcję, są to przewidywania o osobie, maszynie, ich relacji w tej sytuacji, w tym czasie. I ten wspólny zasób pozwala systemowi na rekonfigurację interfejsu sterowania na fly, tak aby osoba dostała to, czego chce, i kiedy chce. I naprawdę, w sytuacji, w której system jest bardzo, bardzo pewny, jaka funkcja motoryczna osoba może chcieć, może on naprawdę wybrać ją dla nich, podczas gdy idą.

I fajne jest to, że osoba zawsze ma możliwość powiedzieć: “O, to jest to, co naprawdę chciałem”, i przełączyć się na inną funkcję motoryczną. W ramieniu robota, mogą to być różne rodzaje chwytów, czy to kształtowanie chwytu, aby podnieść klucz, czy otworzyć drzwi, czy podać rękę. Te są różne tryby funkcji, różne wzorce chwytu. To jest naprawdę interesujące, że system może zacząć budować aprecjację tego, co jest odpowiednie w jakiej sytuacji. Jednostki kapitału, które obie strony mogą wykorzystywać, aby poruszać się bardziej swobodnie w świecie, i z mniejszym obciążeniem poznawczym, szczególnie w części jednostki.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić następujące zasoby:

• Dr. Patrick M. Pilarski strona Uniwersytetu Alberty.
• Konferencja Upper Bound AI.
• Amii (Alberta Machine Intelligence Institute)