Patrick M. Pilarski, fil. dr., Kanadas CIFAR AI Chair (Amii) – Intervju-serie

Dr. Patrick M. Pilarski är en Kanadas CIFAR Artificial Intelligence Chair, tidigare Kanadas forskningsledare inom maskinell intelligens för rehabilitering och en biträdande professor i avdelningen för fysisk medicin och rehabilitering, institutionen för medicin, University of Alberta.

2017 var Dr. Pilarski med och grundade DeepMinds första internationella forskningskontor, belägen i Edmonton, Alberta, där han tjänstgjorde som kontorsledare och senior forskningsledare fram till 2023. Han är en fellow och styrelseledamot i Alberta Machine Intelligence Institute (Amii), leder BLINC-laboratoriet och är en huvudforskare i Reinforcement Learning and Artificial Intelligence Laboratory (RLAI) och Sensory Motor Adaptive Rehabilitation Technology (SMART) nätverket vid University of Alberta.

Dr. Pilarski är en prisbelönt författare eller medförfattare till över 120 peer-reviewed artiklar, en senior medlem i IEEE och har stötts av provinsiella, nationella och internationella forskningsanslag.

Vi satte oss ner för ett samtal vid den årliga 2023 Upper Bound konferensen om AI som hålls i Edmonton, AB och som arrangeras av Amii (Alberta Machine Intelligence Institute).

Hur hamnade du i AI? Vad lockade dig till branschen?

Det är två separata frågor. När det gäller vad som lockar mig till AI, så finns det något vackert i hur komplexitet kan uppstå och hur struktur kan uppstå ur komplexitet. Intelligens är bara ett av dessa fantastiska exempel på det, så oavsett om det kommer från biologi eller hur vi ser elaborerat beteende uppstå i maskiner, tycker jag att det finns något vackert i det. Det har alltid fascinerat mig under en mycket lång tid, och min långa och vindlande resa till att arbeta inom AI-området jag arbetar inom nu, som är maskiner som lär sig genom trial and error, förstärkningsystem som interagerar med människor medan de båda är nedsänkta i det, flödet av upplevelse, tidsflödet, kom genom alla möjliga olika platåer. Jag studerade hur maskiner och människor kunde interagera i termer av biomekatroniska enheter och bioteknik, saker som artificiella lemmar och proteser.

Jag tittade på hur AI kan användas för att stödja medicinska diagnostik, hur vi kan använda maskinell intelligens för att börja förstå mönster som leder till sjukdom eller hur olika sjukdomar kan presentera sig i termer av inspelningar på en maskin. Men allt detta är en del av den långa och vindlande resan för att verkligen börja uppskatta hur man kan få mycket komplexa beteenden ur mycket enkla grunder. Och det är vad jag verkligen älskar, särskilt om förstärkningsinlärning, är idén att maskinen kan inbädda sig i flödet av tid och lära sig från sin egen upplevelse för att uppvisa mycket komplexa beteenden och fånga både de komplexa fenomenen, verkligen, i världen runt omkring den. Det har varit en drivande kraft.

Mekanikerna i det, jag gjorde faktiskt mycket idrottsmedicinsk utbildning och sådant där i gymnasiet. Jag studerade idrottsmedicin och nu är jag här och arbetar i en miljö där jag tittar på hur maskinell intelligens och rehabiliteringsteknologi kommer samman för att stödja människor i deras dagliga liv. Det är en mycket intressant resa, som den sidofascinationen med komplexa system och komplexitet, och sedan den mycket praktiska pragmatismen i hur vi börjar tänka på hur människor kan bli bättre stödda, leva liv de vill leva.

Hur ledde idrotten dig till proteser?

Vad som är riktigt intressant om områden som idrottsmedicin är att titta på den mänskliga kroppen och hur en persons unika behov, antingen det är idrott eller annat, kan faktiskt stödjas av andra människor, av procedurer och processer. De bioniska lemmarna och protesteknologierna handlar om att bygga enheter, bygga system, bygga teknologi som hjälper människor leva liv de vill leva. Dessa två saker är riktigt tätt kopplade. Det är faktiskt riktigt spännande att kunna komma full cirkel och ha några av dessa mycket tidigare intressen komma till fruktion i, igen, att leda ett labb där vi tittar på… Och särskilt maskinlärningssystem som fungerar i en tätt kopplad väg, personen som de är utformade för att stödja.

Du har tidigare diskuterat hur en protes anpassar sig till personen istället för att personen anpassar sig till protesen. Kan du prata om maskinlärningen bakom detta?

Absolut. Som en grund i historien om verktygsanvändning har människor anpassat sig till sina verktyg och sedan har vi anpassat våra verktyg till de behov vi har. Och så finns det denna iterativa processen av oss anpassar oss till våra verktyg. Vi är, just nu, vid en vändpunkt där för första gången, du har kanske hört mig säga det här tidigare i tal om du har tittat på några av de tal jag har gett. Men verkligen, vi är vid denna viktiga punkt i historien där vi nu kan föreställa oss bygga verktyg som bringar in några av de kännetecken som mänsklig intelligens har. Verktyg som faktiskt kommer att anpassa sig och förbättras medan de används av en person. De underliggande teknologierna stöder kontinuerligt lärande. System som kan kontinuerligt lära sig från en pågående ström av upplevelser. I det här fallet, förstärkningsinlärning och de mekanismer som ligger till grund för det, saker som tidsdifferensinlärning, är riktigt kritiska för att bygga system som kan kontinuerligt anpassa sig medan de interagerar med en person och medan de används av en person som stödjer dem i deras dagliga liv.

Kan du definiera tidsdifferensinlärning?

Absolut, vad jag verkligen gillar med det här är att vi kan tänka på de grundläggande teknologierna, tidsdifferensinlärning och de grundläggande prediktionsinlärningsalgoritmerna som ligger till grund för mycket av det vi arbetar med i labbet. Du har ett system som, precis som vi, gör en prediktion om vad framtiden kommer att se ut som med avseende på något signal, med avseende på något som den framtida belöningen är vad vi vanligtvis ser. Men någon annan signal du kan föreställa dig, som hur mycket kraft jag utövar just nu? Hur varmt kommer det att bli? Hur många munkar kommer jag att ha imorgon? Dessa är de möjliga sakerna som du kan föreställa dig att förutsäga. Och så är den grundläggande algoritmen verkligen att titta på skillnaden mellan min gissning om vad som kommer att hända just nu och min gissning om vad som kommer att hända i framtiden, tillsammans med någon signal som jag för närvarande tar emot.

Hur mycket kraft jag utövar som en robotarm lyfter upp en kopp kaffe eller en kopp vatten? Detta kan vara att titta på skillnaden mellan min prediktion om den mängd kraft jag kommer att utöva just nu eller den mängd jag kommer att utöva under en viss period i framtiden. Och sedan jämföra det med mina förväntningar om framtiden och den kraft jag faktiskt utövar. Lägg allt detta samman, och du får den här feilen, tidsdifferensfelet. Det är en fin ackumulering av den tidsutsträckta prognosen i framtiden och skillnaderna mellan dem, som du sedan kan använda för att uppdatera strukturen på den lärande maskinen själv.

Och så, igen, för konventionell förstärkningsinlärning baserad på belöning, kan detta vara att titta på att uppdatera hur maskinen agerar baserat på den förväntade framtida belöningen man kan uppfatta. För mycket av det vi gör, är det att titta på andra typer av signaler, med hjälp av generaliserade värdefunktioner, som är anpassningen av förstärkningsinlärningsprocessen, tidsdifferensinlärning av belöningsignalerna till någon typ av signal som kan vara tillämplig för maskinens drift.

Du pratar ofta om en protes som kallas Cairo Toe i dina presentationer. Vad har den att lära oss?

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

Jag gillar att använda exemplet med Cairo Toe, en 3000 år gammal protes. Jag arbetar inom området neuroproteser, och vi ser nu mycket avancerade robotiska system som i vissa fall kan ha samma nivå av kontroll eller grad av kontroll som biologiska kroppsdelar. Och ändå, jag går tillbaka till en mycket stiliserad trätoe från 3000 år sedan. Jag tycker att det är något vackert i att det är ett exempel på hur människor utvidgar sig med teknologi. Det är vad vi ser just nu i termer av neuroproteser och människa-maskin-interaktion, och det är inte något konstigt, nytt eller underligt. Vi har alltid varit verktygsanvändare, djur, icke-mänskliga djur använder också verktyg. Det finns många bra böcker om det, särskilt av Frans de Waal, “Är vi tillräckligt smarta för att veta hur smarta djur är?”.

Den här utvidgningen av oss själva, förstärkningen och förbättringen av oss genom användningen av verktyg, är inte något nytt, det är något som har hänt sedan tidernas begynnelse, på den mark vi står på just nu, av de människor som bodde här. Det andra intressanta med Cairo Toe är att bevisen, åtminstone från de lärda rapporterna om det, visar att det anpassades flera gånger under dess interaktioner med dess användare. De gick faktiskt in och anpassade det och ändrade det, modifierade det under dess användning.

Mitt förstånd, det var inte bara ett fast verktyg som var fäst vid en person under hela deras liv, det var ett fast verktyg som var fäst men också modifierat. Det är ett exempel på hur, igen, idén att verktyg anpassas under sin användningstid och en långvarig användningstid, är något som också är ganska gammalt. Det är inte något nytt, och det finns många lärdomar vi kan lära oss av den samanpassning av människor och verktyg under många, många år.

Du har tidigare nämnt den återkopplingsväg som finns mellan proteser och människor, kan du förklara den återkopplingsvägen?

Vi är också i en speciell tid när det gäller hur vi ser på relationen mellan en person och den maskin som syftar till att stödja dem i deras dagliga liv. När någon använder en artificiell lem, låt säga någon med lemmSkillnad, någon med en amputation som använder en artificiell lem. Traditionellt kommer de att använda den mycket som ett verktyg, som en utvidgning av deras kropp, men vi ser dem främst beroende av vad vi kallar kontrollvägen. Det är någon form av deras hjul eller deras avsikt som överförs till enheten, som sedan är uppgiften att lista ut vad det är och sedan utföra det, antingen det är att öppna och stänga en hand eller böja en armbåge eller skapa ett gripgrepp för att gripa en nyckel. Vi ser ofta inte människor som studerar eller överväger den återkopplingsvägen.

Så många artificiella lemmar som du kan se som distribueras kommersiellt, kan vägen för information som flödar från enheten tillbaka till personen vara den mekaniska kopplingen, sättet som de faktiskt känner av krafterna i lemmen och agerar på dem. Det kan vara att de hör ljudet av motorerna eller att de ser när de plockar upp en mugg och flyttar den över ett skrivbord eller när de griper den från en annan del av sitt arbetsutrymme. Och sådana vägar är de traditionella sätten att göra det på. Det finns många fantastiska saker som händer runt om i världen för att titta på hur information kan bättre föras tillbaka från en artificiell lem till personen som använder den. Särskilt här i Edmonton, finns det mycket coola arbeten som använder omkoppling av nervsystemet, riktad nervrenovering och andra saker för att stödja den vägen. Men det är fortfarande ett mycket nytt och framväxande område för att tänka på hur maskinlärning kan stödja interaktioner med avseende på den återkopplingsvägen.

Hur maskinlärning kan stödja ett system som kan förutsäga och lära sig mycket om sin omvärld, faktiskt överföra den informationen tydligt och effektivt tillbaka till personen som använder den. Hur kan maskinlärning stödja det? Jag tycker att det är ett fantastiskt ämne, eftersom om du har både den återkopplingsvägen och kontrollvägen, båda systemen som bygger modeller av varandra, anpassar sig i realtid baserat på erfarenhet och börjar överföra information i en dubbelriktad kanal. Du kan göra något nästan mirakulöst. Du kan nästan överföra information utan kostnad. Om du har båda systemen som är väl anpassade till varandra, har byggt upp en mycket kraftfull modell av varandra och har anpassat sig till kontroll- och återkopplingsvägarna, kan du bilda mycket tighta partnerskap mellan människor och maskiner som kan överföra en enorm mängd information med mycket liten ansträngning och mycket liten bandbredd.

Det öppnar upp hela nya riken av människa-maskin-samordning, särskilt inom området neuroproteser. Jag tycker att det är en ganska mirakulös tid för oss att börja studera det här området.

Tror du att de kommer att skrivas ut i 3D i framtiden eller hur tror du tillverkningen kommer att fortsätta?

Jag känner inte att jag är den bästa personen att spekulera om hur det kan hända. Jag kan säga att vi ser en stor ökning av kommersiella leverantörer av neuroproteser som använder additiv tillverkning, 3D-utskrifter och andra former av additiv tillverkning på plats för att skapa sina enheter. Det är också riktigt kul att se att det inte bara är en prototyp som använder additiv tillverkning eller 3D-utskrifter, det är 3D-utskrifter som blir en integrerad del av hur vi tillhandahåller enheter till individer och hur vi optimerar dessa enheter för de exakta personer som använder dem.

Additiv tillverkning eller skräddarsydd tillverkning, anpassad protespassning sker på sjukhus hela tiden. Det är en naturlig del av vården för människor med lemmSkillnad som behöver hjälpmedel eller andra typer av rehabiliteringsteknologi. Jag tycker att vi börjar se att mycket av den anpassningen börjar blandas in i tillverkningen av enheterna, och inte bara lämnas till vårdgivarna. Och det är också riktigt spännande. Jag tycker att det finns en stor möjlighet för enheter som inte bara ser ut som händer eller används som händer, utan enheter som mycket exakt möter behoven hos den person som använder dem, som låter dem uttrycka sig på det sätt de vill uttrycka sig, och låter dem leva liv som de vill leva, inte bara det sätt som vi tycker att en hand bör användas i dagligt liv.

Du har skrivit över 120 artiklar. Finns det en som sticker ut för dig som vi bör känna till?

Det finns en nyligen publicerad artikel i neurala datortillämpningar, men den representerar toppen av ett isberg av tankar som vi har lagt fram under mer än ett decennium nu, om ramverk för hur människor och maskiner interagerar, särskilt hur människor och proteser interagerar. Det är idén om kommunikativt kapital. Och så är den här artikeln som vi nyligen publicerade.

Den artikeln presenterar vår syn på hur förutsägelser som lärts och underhålls i realtid av en, säg, protes som interagerar med en person, personen själv kan bilda en resurs som båda parter kan lita på. Kom ihåg, tidigare sa jag att vi kan göra något riktigt fantastiskt när vi har en människa och en maskin som båda bygger modeller av varandra, anpassar sig i realtid baserat på erfarenhet och börjar överföra information i en dubbelriktad kanal. Som en sidanot, eftersom vi lever i en magisk värld där det finns inspelningar och du kan klippa ut saker ur den.

Det är nästan som magi.

Exakt. Det låter som magi. Om vi går tillbaka till tänkare som Ashby, W. Ross Ashby, tillbaka på 1960-talet och hans bok “Introduktion till cybernetik” pratade om hur vi kan förstärka den mänskliga intelligensen. Och han sa verkligen att det handlar om att förstärka människans förmåga att välja mellan ett av många alternativ. Och det är möjligt att göra med system där en person interagerar med, säg, en maskin, där det finns en kanal för kommunikation öppen mellan dem. Så om vi har den kanalen för kommunikation öppen, om den är dubbelriktad och om båda systemen bygger upp kapital i form av förutsägelser och andra saker, då kan du börja se dem riktigt anpassa sig till varandra och bli mer än summan av sina delar. Du kan få ut mer än du lägger in.

Det är därför jag tycker att det här är en av våra mest spännande artiklar, eftersom den representerar en tankeförändring. Den representerar en tankeförändring mot att tänka på neuroproteser som system med egenhet, system som vi inte bara kan tilldela egenhet, utan som vi kan lita på för att samanpassa med oss för att bygga upp dessa resurser. Det kommunikativa kapitalet som låter oss förstärka vår förmåga att interagera med världen, låter oss få ut mer än vi lägger in och låter människor, jag ska säga, från ett protesperspektiv, sluta tänka på protesen i deras dagliga liv och börja tänka på att leva sitt dagliga liv. Inte enheten som hjälper dem att leva sitt dagliga liv.

Vilka är några av de tillämpningar du ser för gränssnitt mellan hjärna och maskin med det du just diskuterade?

En av mina favoriter är något vi lagt fram, igen, under de senaste nästan 10 åren, som är en teknik som kallas adaptiv växling. Adaptiv växling är baserad på kunskapen att många system vi interagerar med i vår dagliga tillvaro beror på att vi växlar mellan många lägen eller funktioner. Antingen jag växlar mellan appar på min telefon eller jag försöker lista ut rätt inställning på min borr eller om jag anpassar andra verktyg i mitt liv, vi växlar mellan många lägen eller funktioner hela tiden, och tänker tillbaka på Ashby, vår förmåga att välja mellan många alternativ. Så i adaptiv växling, använder vi tidsdifferensinlärning för att låta en artificiell lem lära sig vilken motorfunktion en person kan vilja använda och när de vill använda den. Så riktigt enkelt, om jag sträcker mig efter en kopp och stänger min hand.

Nu kan systemet bygga upp förutsägelser genom erfarenhet som att i den här situationen är jag troligen att använda handen öppen-stängd-funktionen. Jag kommer att öppna och stänga min hand. Och sedan i framtiden, i liknande situationer, kan det förutsäga det. Och när jag navigerar i den svävande molnen av lägen och funktioner, ge mig mer eller mindre de jag vill utan att jag behöver sortera igenom alla de många alternativen. Och det är ett mycket enkelt exempel på att bygga upp det kommunikativa kapitalet. Du har ett system som faktiskt bygger upp förutsägelser genom interaktion, de är förutsägelser om den personen, den maskin, deras relation i den situationen vid den tiden. Och den delade resursen låter sedan systemet omkonfigurera sitt kontrollgränssnitt på flyget, så att personen får vad de vill och när de vill. Och riktigt, i en situation där systemet är mycket, mycket säker på vilken motorfunktion en person kan vilja, kan det faktiskt välja det åt dem medan de går in.

Och det coola är att personen alltid har möjligheten att säga, “Ah, det är vad jag verkligen ville”, och växla till en annan motorfunktion. I en robotarm kan det vara olika typer av grepp, antingen det är att forma greppet för att gripa ett dörrhandtag eller plocka upp en nyckel eller skaka någons hand. Det är olika lägen eller funktioner, olika greppmönster. Det är riktigt intressant att systemet kan börja bygga upp en uppfattning om vad som är lämpligt i vilken situation. Enheter av kapital som båda parter kan lita på för att röra sig snabbare genom världen, och med mindre kognitiv börda, särskilt i delen av enheten.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka följande resurser:

• Dr. Patrick M. Pilarski University of Alberta-sida.
• Upper Bound AI-konferens.
• Amii (Alberta Machine Intelligence Institute)