Почему Индустрия 5.0 нуждается в Искусственном Общем Интеллекте

Авторы: Bas Steunebrink, сооснователь и директор Искусственного Общего Интеллекта, Eric Nivel, ведущий инженер AGI и Jerry Swan, исследовательский ученый в NNAISENSE.

Мы принимаем автоматизацию как должное в нашем современном мире, пользуясь каждый день цепочками поставок, которые охватывают весь мир, доставляя огромный выбор товаров на наши полки. Но за кулисами производство и перемещение товаров генерируют многие проблемы оптимизации, такие как упаковка, планирование, маршрутизация и автоматизация конвейерных линий. Эти проблемы оптимизации динамичны и постоянно меняются в тандеме с реальным миром. Например, ожидаемые маршруты поставок могут внезапно стать недоступными из-за непредвиденных обстоятельств – например, Суэцкий канал может быть заблокирован; воздушные маршруты могут измениться из-за извержений вулканов; целые страны могут быть недоступны из-за конфликтов. Изменения в законодательстве, коллапс валют и дефицит ресурсов также являются примерами переменных цепочки поставок, которые постоянно меняются.

Чтобы предоставить другой пример, иногда необходимо включить новый компонент в машину или рабочий процесс (пользователи могут хотеть разные материалы или цвета, например). В настоящее время для этого требуется экспертный человеческий труд, или – в случае машинного обучения – дополнительное переобучение и развертывание решения. Аналогичным образом, “цифровые двойники” Индустрии 4.0 все еще сильно зависят от понятия, что описание проблемы и распределение входных данных можно указать один раз и навсегда на этапе первоначального проектирования системы.

Недавний пандемия подчеркивает хрупкость планирования цепочки поставок “just-in-time”. Становится более очевидным, что в все более сложном и неопределенном мире промышленность больше не может позволить себе такую инфлексибильность. В настоящее время производство должно сделать фиксированный выбор между “Низким Миксом Высоким Объемом” (LMHV) и “Высоким Миксом Низким Объемом” (HMLV). Индустрия 5.0 предвидит перспективу “Высокого Микса Высокого Объема” (HMHV), в которой рабочий процесс можно переконфигурировать при низкой стоимости для удовлетворения текучих требований. Чтобы достичь этого, необходимо “автоматизировать автоматизацию”, чтобы исключить необходимость человеческого вмешательства и/или простоя системы, когда проблема или окружающая среда меняется. Это требует систем, которые “работают по команде”, реагируя на такие изменения, сохраняя при этом разумную перспективу выполнения назначенных задач в реальном времени. Рассмотрим, например, инструкцию сборочной линии робота, в настоящее время занятого заданием X, следующим образом:

“Остановите сборку X немедленно: вот спецификация Y, и вот большинство ваших старых и несколько новых исполнительных механизмов. Теперь начните сборку Y, избегая таких-то видов дефектов и отходов.”

Несмотря на широкую недавнюю дискуссию о скором прибытии “Искусственного Общего Интеллекта” (AGI) через так называемые Большие Языковые Модели, такие как GPT-3, ни один из предложенных подходов не真正 способен “работать по команде”. То есть они не могут быть заданы чем-то совершенно вне их обучающего набора без простоя офлайн-переобучения, верификации и развертывания.

Это, безусловно, ясно, что любое реальное понятие интеллекта неразрывно связано с реакцией на изменения. Система, которая остается неизменной – независимо от того, сколько неожиданных событий она подвергается – не является ни автономной, ни интеллектуальной. Это не умаляет безусловных сильных сторон таких подходов глубокого обучения (DL), которые пользовались большим успехом как средство синтеза программ для проблем, которые трудно явно указать.

Итак, какой функционал системы может позволить ИИ перейти от этого тренировочного, заморозки и развертывания парадигмы к той, которая способна к непрерывному адаптивному обучению? Рассмотрим необходимость замены неисправного компонента в производственном рабочем процессе на компонент от другого поставщика, который может иметь разные допуски. С конечным моделированием современного ИИ процесс цифрового двойника необходимо выполнять заново. Чтобы устранить ограничения современных подходов, необходим радикальный изменение: модель, которая может直接 рассуждать о последствиях изменения компонента – и, более общим образом, контрфактических “что если” сценариев. Разложение рабочего процесса на компоненты с известными свойствами и их повторная комбинация по мере необходимости требует того, что известно как “композиционность”.

Композиционность до сих пор ускользала от современного ИИ, где она часто путается с более слабым понятием модульности. Модульность связана с возможностью “склеить” компоненты, но это не отражает сути композиционности, которая заключается в способности рассуждать о поведении результирующего рабочего процесса, чтобы определить и обеспечить сохранение некоторого желаемого свойства. Эта способность имеет решающее значение по причинам верификации и безопасности: например, способность системы рассуждать, что “принятие двигателя от альтернативного производителя увеличит общую мощность установки, в то время как все его компоненты останутся в пределах температурных пределов”.

Хотя современные подходы нейронных сетей отлично справляются с обучением правил из данных, они лишены композиционного рассуждения. В качестве альтернативы надежде на то, что композиционное рассуждение возникнет внутри архитектур нейронных сетей, можно напрямую использовать конструкции теории категорий, математического изучения композиционности. В частности, его подполе категорной кибернетики занимается двунаправленными контроллерами как фундаментальными представительными элементами. Двунаправленность – это способность выполнять как прямое, так и обратное рассуждение: прогнозирование из причин к эффектам и наоборот. Композиционное обратное рассуждение особенно важно, поскольку оно позволяет включать обратную связь из окружающей среды на любом масштабе структурного представления – это облегчает быстрое обучение на небольшом количестве примеров.

Учитывая некоторое желаемое поведение системы, задача обучения заключается в построении агрегатной структуры управления, которая соответствует ему. Первоначально выученные структуры служат скелетом для последующего обучения.

По мере увеличения знаний системы этот скелет можно украсить выученными композиционными свойствами, подобно тому, как молекула H2O может быть определена как имеющая разные свойства, чем ее составляющие атомы. Кроме того, как “бросание мяча” и “махание теннисной ракеткой” можно рассматривать как связанные мышечные действия для человека, так и связанные задачи могут иметь общую скелетную структуру контроллера, которая украшается в задаче-специфическом виде посредством обратной связи от окружающей среды. Это декуплирование причинной структуры от задаче-специфических аспектов может облегчить обучение новым задачам без катастрофического забывания, которое поражает современные подходы. Следовательно, гибридный числово-символический подход формы, описанной выше, может объединить сильные стороны как нейронных, так и символьных подходов, имея как явное понятие структуры, так и способность учиться адаптивно, как свойства составляются. Рассуждение о композиционных свойствах основано на постоянной основе работой, которую система в настоящее время командирована выполнять.

В заключение, rõчно, что необходим новый подход для создания真正 автономных систем: систем, способных приспособиться к значительным изменениям и/или работать в неизвестных средах. Это требует непрерывного адаптивного обучения и обобщения того, что уже известно. Несмотря на их название, подходы глубокого обучения имеют только поверхностное представление о мире, которое не может быть манипулировано на высоком уровне обучением. Напротив, мы предлагаем, что системы AGI, возникающие в следующем поколении, будут включать глубокое обучение в более широкую архитектуру, оснащенную способностью рассуждать напрямую о том, что она знает.

Способность системы рассуждать символически о своем собственном представлении дает значительные преимущества для промышленности: с явным композиционным представлением система может быть проаудитирована – либо людьми, либо внутренне самой системой – для удовлетворения важных требований безопасности и справедливости. Хотя было много академических опасений по поводу так называемого x-риска AGI, надлежащий фокус – это конкретная инженерная задача перекомандования системы управления, сохраняя при этом эти важные требования, процесс, который мы называем интерактивным выравниванием. Только через принятие такого рода систем управления, которые являются достоверными и эффективными непрерывными учениками, мы сможем реализовать следующее поколение автономности, задуманное Индустрией 5.0.