Varför Industry 5.0 behöver Artificiell Allmän Intelligens

Av: Bas Steunebrink, medgrundare och direktör för Artificiell Allmän Intelligens, Eric Nivel, ledande AGI-ingenjör och Jerry Swan, forskare vid NNAISENSE.

Vi tar automation för givet i vår moderna värld, och vi har nytta av det varje dag tack vare leverantörskedjor som sträcker sig över hela världen och som levererar en stor mängd varor till våra hyllor. Men bakom kulisserna genererar produktion och transport av varor många optimeringsutmaningar, såsom packning, schemaläggning, routing och automatisering av monteringslinjer. Dessa optimeringsutmaningar är dynamiska och förändras ständigt i takt med den verkliga världen. Till exempel kan förväntade leveransrutter plötsligt bli komprometterade på grund av oförutsedda omständigheter – till exempel kan Suezkanalen blockeras, flygrutter kan ändras på grund av vulkanutbrott och hela länder kan vara otillgängliga på grund av konflikt. Ändringar i lagstiftning, valutakollaps och knappa resurser är också exempel på leverantörsvariabler som ständigt förändras.

För att ge ett annat exempel, ibland måste en ny komponent införlivas i en maskin eller arbetsflöde (användare kan vilja olika material eller färger, till exempel). För närvarande krävs expertmänskligt arbete för att göra ändringar i systemet, eller – i fallet med maskinlärning – för att ytterligare träna och distribuera lösningen. På ett liknande sätt är “digitala tvillingar” i Industry 4.0 fortfarande starkt beroende av antagandet att problembeskrivningen och fördelningen av indata kan specificeras en gång för alla vid tidpunkten för den ursprungliga systemdesignen.

Den nyliga pandemin belyser sårbarheten i “just-in-time”-planering av leverantörskedjor. Det blir alltmer uppenbart att industrin i en alltmer komplex och osäker värld inte längre kan ha råd med sådan inflexibilitet. För närvarande måste tillverkning göra ett fast val mellan “Low-Mix High-Volume” (LMHV) och “High-Mix Low-Volume” (HMLV). Industry 5.0 förutser utsikten till “High-Mix High-Volume” (HMHV), där arbetsflödet kan konfigureras om till låg kostnad för att möta flytande krav. För att uppnå detta krävs det att “automatisera automation”, för att eliminera behovet av mänskligt ingripande och/eller systemstopp när problemet eller miljön ändras. Detta kräver system som “fungerar på kommando”, som reagerar på sådana ändringar, medan de fortfarande har en rimlig möjlighet att slutföra sina tilldelade uppgifter inom verkliga tidsbegränsningar. Överväg, till exempel, att instruera en monteringslinjerobot, som för närvarande är engagerad i uppgift X, på följande sätt:

“Stoppa montering av X omedelbart: här är en specifikation av Y, och här är de flesta av dina gamla och några nya effektorer. Börja montera Y, undvik sådana och sådana typer av defekter och slöseri med resurser.”

Trots den omfattande diskussionen om det förestående ankomsten av “Artificiell Allmän Intelligens” (AGI) via så kallade stora språkmodeller som GPT-3, är inget av de föreslagna tillvägagångssätten genuint kapabla att “fungera på kommando”. Det vill säga, de kan inte tilldelas något som ligger helt utanför deras träningsuppsättning utan att det kräver nedtid för offline-omträning, verifiering och omdistribution.

Det är säkert tydligt att varje verklig världsbegrepp om intelligens är oupplösligt förknippat med respons på förändring. Ett system som förblir oförändrat – oavsett hur många oväntade händelser det utsätts för – är varken autonomt eller intelligent. Detta är inte för att förringa de otvivelaktiga styrkorna hos sådana djupa inlärningsmetoder (DL), som har haft stor framgång som ett sätt att syntetisera program för problem som är svåra att explicit specificera.

Vad för slags systemfunktionalitet kan då möjliggöra att AI flyttar bortom detta tränings-, frysnings- och distributionsparadigm, mot ett som är kapabelt till oavbruten anpassningsbar inlärning? Överväg behovet av att ersätta en defekt komponent i ett tillverkningsflöde med en från en annan leverantör, som kan ha olika toleranser. Med den slutna svarta lådan-modelleringen av samtida AI, måste den digitala tvillingprocessen göras om. För att hantera begränsningarna i samtida tillvägagångssätt krävs en radikal förändring: en modell som kan resonera direkt om konsekvenserna av en komponentändring – och mer allmänt, kontrafaktiska “vad-om”-scenarier. Att bryta ned ett arbetsflöde i komponenter med kända egenskaper och återkombinera dem som behövs kräver vad som kallas “sammansättning”.

Sammansättning har hittills undgått samtida AI, där det ofta förväxlas med den svagare notionen om moduläritet. Moduläritet handlar om förmågan att “klistra” komponenter samman, men detta misslyckas med att fånga essensen av sammansättning, som är förmågan att resonera om beteendet hos det resulterande arbetsflödet för att bestämma och säkerställa bevarandet av en önskad egenskap. Denna förmåga är avgörande för skäl som verifiering och säkerhet: till exempel förmågan hos systemet att resonera att “att anta en motor från en alternativ tillverkare kommer att öka den totala anläggningens effekt medan alla dess andra komponenter förblir inom temperaturgränser”.

Även om samtida neuronnätstillvägagångssätt excellerar i att lära regler från data, saknar de sammansättningsresonemang. Som ett alternativ till att hoppas att sammansättningsresonemang ska uppstå inom neuronnätarkitekturer, är det möjligt att direkt använda konstruktionerna i kategoriteori, den matematiska studien av sammansättning. I synnerhet är dess underfält kategorisk cybernetik inriktat på dubbelriktade kontrolldon som grundläggande representationsenheter. Dubbelriktning är förmågan att utföra både framåt- och inverse inferens: förutsägelse från orsaker till effekter och vice versa. Sammansättningsinvers inferens är särskilt viktig eftersom den möjliggör inkorporering av feedback från miljön på vilken som helst skala av strukturrepresentation – detta underlättar snabb inlärning från ett fåtal exempel.

Givet en önskad systembeteende, är then lärandeuppgiften att bygga en aggregatkontrollstruktur som uppfyller det. Inledningsvis inlärda strukturer fungerar som en skelett för efterföljande inlärning.

När systemets kunskap ökar, kan detta skelett dekoreras med inlärda sammansättningsattribut, liknande hur en H2O-molekyl kan bestämmas för att ha olika egenskaper än de hos dess beståndsdelar. Dessutom, liksom “att kasta en boll” och “att svänga en tennisskola” kan ses som relaterade muskuloskeletala handlingar för en människa, kan relaterade uppgifter dela en skelett-kontrollstruktur som är utsmyckad på ett uppgiftsspecifikt sätt via feedback från miljön. Denna avkoppling av orsakssamband från uppgiftsspecifika kan underlätta inlärning av nya uppgifter utan den katastrofala glömska som plågar samtida tillvägagångssätt. Därför kan en hybrid numerisk-symbolisk tillvägagångssätt av den typ som beskrivs ovan kombinera styrkorna hos både neuronnät och symboliska tillvägagångssätt, genom att ha både en explicit notion om struktur och förmågan att lära adaptivt hur egenskaper sammansätts. Resonemang om sammansättningsattribut är grundat på en löpande basis av det arbete som systemet för närvarande är kommenderat att utföra.

I slutsatsen är det tydligt att ett nytt tillvägagångssätt krävs för att skapa verkligt autonoma system: system som kan hantera betydande förändring och/eller som kan fungera i okända miljöer. Detta kräver oavbruten anpassningsbar inlärning och generalisering från vad som redan är känt. Trots sina namn har djupa inlärningsmetoder endast en ytlig representation av världen som inte kan manipuleras på en hög nivå av inlärningsprocessen. I kontrast föreslår vi att AGI-systemen som kommer att uppstå i nästa generation kommer att inkorporera djup inlärning inom en bredare arkitektur, utrustad med förmågan att resonera direkt om vad den vet.

Förmågan för ett system att resonera symboliskt om sin egen representation medför betydande fördelar för industrin: med en explicit sammansättningsrepresentation kan systemet granskas – antingen av människor eller internt av systemet själv – för att uppfylla vitala krav på säkerhet och rättvisa. Medan det har funnits mycket akademiskt bekymmer om den så kallade x-risk av AGI, är den lämpliga fokuseringen snarare det konkreta ingenjörsproblemet att omkonfigurera ett kontrolsystem medan man behåller dessa vitala krav, en process som vi kallar interaktiv justering. Det är endast genom antagandet av detta slag av kontrolsystem, som är pålitliga och effektiva kontinuerliga lärande, som vi kommer att kunna förverkliga den nästa generationen av autonomi som förutses av Industry 5.0.