Cercetătorii se uită la animale pentru a oferi sistemelor de învățare prin întărire simțul comun

Cercetătorii în domeniul inteligenței artificiale de la instituții precum Imperial College London, University of Cambridge și Google DeepMind se uită la animale pentru a găsi inspirație pentru îmbunătățirea performanței sistemelor de învățare prin întărire. Într-un articol comun publicat în CellPress Reviews, intitulat „Inteligența artificială și simțul comun al animalelor”, cercetătorii argumentează că cogniția animală oferă repere utile și metode de evaluare pentru agenții de învățare prin întărire și poate informa, de asemenea, proiectarea sarcinilor și a mediilor.

Cercetătorii și inginerii în domeniul inteligenței artificiale au căutat de mult timp inspirație în rețelele neuronale biologice atunci când proiectează algoritmi, folosind principii din știința comportamentului și neuroștiință pentru a informa structura algoritmilor. Cu toate acestea, majoritatea indiciilor pe care cercetătorii în inteligență artificială le iau din domeniile neuroștiinței și științei comportamentului se bazează pe oameni, cu cogniția copiilor mici și a sugarilor servind ca punct focal. Cercetătorii în inteligență artificială nu au căutat încă multă inspirație din modelele animale, dar cogniția animală este o resursă neexploatată care are potențialul de a conduce la progrese importante în domeniul învățării prin întărire.

Sistemele de învățare prin întărire profundă sunt antrenate printr-un proces de încercare și eroare, întărite cu recompense ori de câte ori un agent de învățare prin întărire se apropie de finalizarea unui obiectiv dorit. Acest lucru este foarte asemănător cu învățarea unui animal să execute o sarcină dorită prin utilizarea hranei ca recompensă. Biologii și specialiștii în cogniția animală au efectuat multe experimente pentru a evalua capacitățile cognitive ale diferitelor animale, inclusiv câini, urși, veverițe, porci, corbi, delfini, pisici, șoareci, elefanți și caracatițe. Multe animale prezintă demonstrații impresionante de inteligență, iar unele animale, cum ar fi elefanții și delfinii ar putea avea o teorie a minții.

Examinarea corpului de cercetare efectuată cu privire la cogniția animală ar putea inspira cercetătorii în inteligență artificială să considere probleme din unghiuri diferite. Pe măsură ce învățarea prin întărire profundă a devenit mai puternică și mai sofisticată, cercetătorii în inteligență artificială specializați în acest domeniu caută modalități noi de testare a capacităților cognitive ale agenților de învățare prin întărire. În articolul de cercetare, echipa de cercetare face referire la tipurile de experimente efectuate cu primate și păsări, menționând că își propun să proiecteze sisteme capabile să realizeze sarcini similare, oferind unei inteligențe artificiale un fel de „simț comun”. Conform autorilor articolului, ei „susțin o abordare în care agenții RL, poate cu arhitecturi încă nedezvoltate, dobândesc ceea ce este necesar prin interacțiune prelungită cu medii virtuale bogate.”

După cum a fost raportat de VentureBeat, cercetătorii în inteligență artificială argumentează că simțul comun nu este un atribut unic al oamenilor și că el depinde de o înțelegere a proprietăților de bază ale lumii fizice, cum ar fi modul în care un obiect ocupă un punct și spațiu, care sunt constrângerile asupra mișcării acelui obiect și o apreciere pentru cauză și efect. Animalele prezintă aceste trăsături în studiile de laborator. De exemplu, corbii înțeleg că obiectele sunt lucruri permanente, deoarece sunt capabili să recupereze semințe chiar și atunci când semințele sunt ascunse de ei, acoperite de alt obiect.

Pentru a dota un sistem de învățare prin întărire cu aceste proprietăți, cercetătorii argumentează că vor trebui să creeze sarcini care, împreună cu arhitectura potrivită, vor crea agenți capabili să transfere principiile învățate la alte sarcini. Cercetătorii argumentează că antrenamentul pentru un astfel de model ar trebui să implice tehnici care să solicite un agent să dobândească o înțelegere a unui concept după ce a fost expus la doar câteva exemple, numit antrenament cu puține exemple. Acest lucru este în contrast cu sutele sau miile de încercări care intră de obicei în antrenamentul prin încercare și eroare al unui agent RL.

Echipa de cercetare explică mai departe că, deși unii agenți RL moderni pot învăța să rezolve multiple sarcini, unele dintre care necesită transferul de principii învățate, nu este clar dacă agenții RL ar putea învăța un concept atât de abstract ca „simțul comun”. Dacă ar exista un agent capabil să învețe un astfel de concept, ar fi nevoie de teste capabile să determine dacă un agent RL a înțeles conceptul de container.

DeepMind, în special, este entuziasmat să se implice în modalități noi și diferite de dezvoltare și testare a agenților de învățare prin întărire. Recent, la conferința Stanford HAI care a avut loc la începutul lunii octombrie, șeful de cercetare în neuroștiință de la DeepMind, Matthew Botvinick, a îndemnat cercetătorii și inginerii în domeniul învățării automatice să colaboreze mai mult cu alte domenii științifice. Botvinick a subliniat importanța lucrului interdisciplinar cu psihologi și neuroștiință pentru domeniul inteligenței artificiale într-o prezentare intitulată „Triangularea inteligenței: Contopirea neuroștiinței, psihologiei și inteligenței artificiale”.