Dlaczego Przemysł 5.0 potrzebuje Sztucznej Inteligencji Ogólnej

Napisane przez: Bas Steunebrink, współzałożyciela i dyrektora Sztucznej Inteligencji Ogólnej, Eric Nivel, głównego inżyniera AGI oraz Jerry Swan, naukowca w NNAISENSE.

Lekko traktujemy automatyzację w naszym nowoczesnym świecie, korzystając każdego dnia z łańcuchów dostaw, które rozciągają się na cały glob, dostarczając ogromny wybór towarów na nasze półki. Ale za kulisami produkcja i przemieszczanie towarów generują wiele wyzwań optymalizacyjnych, takich jak pakowanie, planowanie, trasowanie i automatyzacja linii produkcyjnych. Te wyzwania optymalizacyjne są dynamiczne i ciągle zmieniają się wraz ze światem rzeczywistym. Na przykład, oczekiwane trasy dostaw mogą nagle stać się niedostępne z powodu nieprzewidzianych okoliczności – na przykład, Kanał Sueski może być zablokowany; trasy lotnicze mogą ulec zmianie z powodu erupcji wulkanicznych; całe kraje mogą być niedostępne z powodu konfliktów. Zmiany w prawodawstwie, upadki walut i rzadkie zasoby są również przykładami zmiennych po stronie dostaw, które są w ciągłym ruchu.

Aby podać kolejny przykład, czasami należy wprowadzić nowy komponent do maszyny lub procesu produkcyjnego (użytkownicy mogą chcieć różne materiały lub kolory, na przykład). Obecnie wymagana jest specjalistyczna praca ludzka, aby wprowadzić zmiany w systemie, lub – w przypadku uczenia maszynowego – dodatkowo przeszkolić i wdrożyć rozwiązanie. W podobny sposób, “cyfrowe bliźniaki” z Przemysłu 4.0 nadal silnie zależą od założenia, że opis problemu i rozkład wejść mogą być określone raz na zawsze w momencie projektowania systemu.

Niedawna pandemia podkreśla słabość “just-in-time” planowania łańcuchów dostaw. Staje się coraz bardziej oczywiste, że w coraz bardziej złożonym i niepewnym świecie, przemysł nie może już dłużej pozwolić sobie na taką nieelastyczność. Obecnie produkcja musi wybrać pomiędzy “Niską Mieszaniną Wysokiej Objętości” (LMHV) a “Wysoką Mieszaniną Niskiej Objętości” (HMLV). Przemysł 5.0 przewiduje perspektywę “Wysokiej Mieszaniny Wysokiej Objętości” (HMHV), w której proces produkcyjny może być ponownie skonfigurowany przy niskich kosztach, aby spełnić płynne wymagania. Aby to osiągnąć, wymagane jest “zautomatyzowanie automatyzacji”, aby wyeliminować potrzebę interwencji ludzkiej i/lub przestoju systemu, gdy problem lub środowisko ulega zmianie. Wymagane są systemy, które “pracują na polecenie”, reagując na takie zmiany, przy zachowaniu rozsądku co do ukończenia powierzonych zadań w ramach ograniczeń czasowych świata rzeczywistego. Rozważmy, na przykład, polecenie robota z linii produkcyjnej, który jest obecnie zajęty zadaniem X, w następujący sposób:

“Zatrzymaj montaż X natychmiast: oto specyfikacja Y, oraz większość Twoich starych i kilka nowych efektów. Teraz zacznij montować Y, unikając takich i takich rodzajów wad i marnotrawstwa.”

Pomimo powszechnych ostatnich rozmów o rychłym nadejściu “Sztucznej Inteligencji Ogólnej” (AGI) za pośrednictwem tzw. Dużych Modeli Językowych, takich jak GPT-3, żaden z proponowanych podejść nie jest naprawdę zdolny do “pracy na polecenie”. To znaczy, nie mogą być powierzone zadania, które są całkowicie poza ich zestawem szkoleniowym bez przestoju offline, ponownego szkolenia, weryfikacji i wdrożenia.

Jasne jest, że każda prawdziwa koncepcja inteligencji jest nierozerwalnie związana z reakcją na zmiany. System, który pozostaje niezmieniony – niezależnie od ilu nieoczekiwanych zdarzeń, na które jest narażony – nie jest ani autonomiczny, ani inteligentny. Nie chcemy umniejszać niewątpliwych zalet takich podejść głębokiego uczenia (DL), które odniosły wielki sukces jako środek syntetyzowania programów dla problemów, które są trudne do wyraźnego określenia.

Co za rodzaj funkcjonalności systemu mogłoby umożliwić sztucznej inteligencji przejście poza ten paradygmat szkolenia, zamarznięcia i wdrożenia, w kierunku tego, który jest zdolny do nieprzerwanego adaptacyjnego uczenia się? Rozważmy potrzebę wymiany wadliwego komponentu w procesie produkcyjnym na jeden z innego dostawcy, który mógłby mieć różne tolerancje. Z powodu modelowania czarnej skrzynki współczesnej sztucznej inteligencji, proces cyfrowego bliźniactwa musi być wykonany na nowo. Aby rozwiązać ograniczenia współczesnych podejść, wymagana jest radykalna zmiana: model, który może bezpośrednio rozważać konsekwencje zmiany komponentu – oraz bardziej ogólne przeciwności “co by było, gdyby” scenariusze. Rozkład procesu produkcyjnego na komponenty o znanych właściwościach i ponowne łączenie ich w razie potrzeby wymaga tego, co nazywa się “składaniem”.

Składanie do tej pory umknęło współczesnej sztucznej inteligencji, gdzie często mylone jest z słabszym pojęciem modułowości. Modułowość zajmuje się możliwością “sklejenia” komponentów, ale to nie ujmuje istoty składania, które jest zdolnością do rozważania zachowania wynikającego procesu produkcyjnego w celu określenia i zapewnienia zachowania pożądanej właściwości. Ta zdolność jest niezbędna z powodów weryfikacji i bezpieczeństwa: na przykład, zdolność systemu do rozważania, że “przyjęcie silnika od alternatywnego producenta zwiększy ogólny wydatek mocy zakładu, przy czym wszystkie jego pozostałe komponenty pozostają w granicach temperatury”.

Chociaż współczesne podejścia sieci neuronowych wyróżniają się w nauce reguł z danych, brakuje im rozważań składanych. Zamiast liczyć na to, że rozważania składane wyłonią się z architektur sieci neuronowych, można bezpośrednio wykorzystać konstrukcje teorii kategorii, matematycznego badania składania. W szczególności, jego poddziedzina – kategorialna cybernetyka – zajmuje się kontrolerami dwukierunkowymi jako podstawowymi elementami reprezentacyjnymi. Dwukierunkowość to zdolność do wykonywania inferencji w obu kierunkach: predykcji od przyczyn do skutków i odwrotnie. Składane inferencje wsteczne są szczególnie ważne, ponieważ umożliwiają włączenie informacji zwrotnej ze środowiska na dowolnej skali reprezentacji strukturalnej – ułatwia to szybkie uczenie się z niewielkiej liczby przykładów.

Dla danego pożądanego zachowania systemu, zadanie uczenia się polega na zbudowaniu agregatowej struktury kontrolnej, która spełnia to zachowanie. Początkowo nauczone struktury służą jako szkielet dla późniejszego uczenia się.

W miarę wzrostu wiedzy systemu, ten szkielet może być udekorowany nauczonymi właściwościami składanymi, podobnie jak cząsteczka H2O może być określona jako mająca różne właściwości niż te, które mają jej poszczególne atomy. Ponadto, podobnie jak “rzucanie piłką” i “prowadzenie rakiety tenisowej” mogą być postrzegane jako powiązane działania mięśni szkieletowych dla człowieka, tak powiązane zadania mogą dzielić strukturę kontrolną szkieletu, która jest ozdobiona w sposób specyficzny dla zadania za pomocą informacji zwrotnej ze środowiska. To rozdzielenie struktury przyczynowej od specyfikacji zadania może ułatwić uczenie nowych zadań bez katastrofalnego zapominania, które dotyka współczesne podejścia. Stąd, hybrydowe podejście numeryczno-symbole, o którym mowa powyżej, może połączyć zalety obu podejść neuronowych i symbolicznych, posiadając wyraźną koncepcję struktury i zdolność do adaptacyjnego uczenia się, jak właściwości są składane. Rozważania o właściwościach składanych są ugruntowane na bieżąco przez pracę, którą system jest obecnie powierzony do wykonania.

Podsumowując, jest jasne, że wymagane jest nowe podejście, aby stworzyć naprawdę autonomiczne systemy: systemy zdolne do dostosowania się do znacznych zmian i/lub działania w nieznanym środowisku. Wymaga to nieprzerwanego adaptacyjnego uczenia się i uogólniania z tego, co już wiadomo. Pomimo ich nazwy, podejścia głębokiego uczenia mają tylko płytką reprezentację świata, która nie może być manipulowana na wysokim poziomie przez proces uczenia się. W przeciwieństwie do tego, proponujemy, że systemy AGI, które pojawią się w następnej generacji, będą zawierać głębokie uczenie w ramach szerszej architektury, wyposażonej w zdolność do bezpośredniego rozważania tego, co wie.

Zdolność systemu do symbolicznego rozważania własnej reprezentacji zapewnia znaczne korzyści dla przemysłu: z wyraźną reprezentacją składaną, system może być audytowany – zarówno przez ludzi, jak i wewnętrznie przez system sam – w celu spełnienia istotnych wymogów bezpieczeństwa i uczciwości. Chociaż było wiele akademickich obaw o tzw. ryzyko x AGI, odpowiednie nastawienie jest raczej konkretny problem inżynierski ponownego nakierowania systemu kontrolnego przy zachowaniu tych istotnych wymogów, proces, który nazywamy interaktywnym wyrównaniem. To tylko poprzez przyjęcie tego rodzaju systemów kontrolnych, które są godne zaufania i wydajnymi ciągłymi uczącymi się, będziemy mogli zrealizować następną generację autonomii wyobrażoną przez Przemysł 5.0.