Чому Індустрія 5.0 потребує штучного загального інтелекту

Від: Bas Steunebrink, співзасновник і директор штучного загального інтелекту, Eric Nivel, провідний інженер AGI та Jerry Swan, науковий співробітник у NNAISENSE.

Ми приймаємо автоматизацію як належне у нашому сучасному світі, користуючись кожен день перевагами глобальних ланцюгів постачання, які доставляють величезний вибір товарів на наші полиці. Але за кулісами виробництва та руху товарів виникають численні оптимізаційні завдання, такі як упаковка, планування, маршрутизація та автоматизація виробничих ліній. Ці оптимізаційні завдання є динамічними та постійно змінюються в тандемі з реальним світом. Наприклад, очікувані маршрути постачання можуть раптом стати недоступними через непередбачені обставини – наприклад, Суецький канал може бути заблокований; повітряні маршрути можуть змінитися через виверження вулканів; цілі країни можуть бути недоступними через конфлікти. Зміни законодавства, колапс валют і нестача ресурсів також є прикладами змінних постачальників, які постійно перебувають у русі.

Щоб надати інший приклад, іноді необхідно інтегрувати новий компонент до машини або робочого процесу (користувачі можуть бажати різних матеріалів або кольорів, наприклад). Наразі для внесення змін до системи необхідна кваліфікована людська праця, або – у разі машинного навчання – додаткове навчання та розгортання рішення. Аналогічним чином “цифрові двійники” Індустрії 4.0 все ще сильно залежать від ідеї, що опис завдання та розподіл входів можна визначити раз і назавжди на етапі первинного проектування системи.

Недавня пандемія підкреслює хрупкість планування ланцюгів постачання “just-in-time”. Стає більш очевидним, що у все більш складному та невизначеному світі промисловість вже не може дозволити собі таку інфлексибільність. Наразі виробництво повинно зробити фіксований вибір між “Низькою сумішшю та високим об’ємом” (НСВО) та “Високою сумішшю та низьким об’ємом” (ВСНО). Індустрія 5.0 передбачає перспективу “Високої суміші та високого об’єму” (ВСВО), у якій робочий процес можна перефігурувати за низької вартості для задоволення рідинних вимог. Для досягнення цього необхідно “автоматизувати автоматизацію”, щоб усунути необхідність людського втручання та/або простою системи, коли завдання чи середовище змінюються. Це вимагає систем, які “працюють на команду”, реагуючи на такі зміни, при цьому маючи розумну перспективу виконання своїх завдань у реальному світі. Розгляньте, наприклад, інструкцію для збірної лінії робота, який зараз зайнятий завданням X, наступним чином:

“Негайно зупиніть збірку X: ось специфікація Y, і ось більшість ваших старих та кілька нових ефекторів. Тепер почніть збірку Y, уникайте таких і таких видів дефектів та відходів”.

Незважаючи на широку недавню розмову про швидке прибуття “Штучного загального інтелекту” (ШЗІ) через так звані великі мовні моделі, такі як GPT-3, жоден з запропонованих підходів не є справжнім “працю на команду”. Тобто, вони не можуть бути призначені для чогось повністю поза їхнім навчальним набором без простою офлайн-перевчення, верифікації та розгортання.

Невже очевидно, що будь-яке реальне поняття інтелекту нерозривно пов’язане з реакцією на зміни. Система, яка залишається незмінною – незалежно від того, скільки несподіваних подій вона зазнає – не є автономною та не є інтелектуальною. Це не применшує безсумнівних сильних сторін таких підходів глибокого навчання (ГН), які мали великий успіх як засіб синтезу програм для завдань, які важко явно визначити.

Що за функціональність системи могла б дозволити штучному інтелекту вийти за межі цього парадигми “навчання, зупинки та розгортання” до тієї, яка здатна на безперервне адаптивне навчання? Розгляньте необхідність заміни дефектного компонента у виробничому процесі на компонент від іншого постачальника, який міг би мати інші допуски. З кінцевим чорним ящиком сучасного штучного інтелекту процес цифрового двійництва повинен бути зроблений заново. Для подолання обмежень сучасних підходів необхідна радикальна зміна: модель, яка може безпосередньо міркувати про наслідки зміни компонента – і, загалом, більш загальні контрфактичні “що якщо” сценарії. Розкладання робочого процесу на компоненти з відомими властивостями та рекомбінація їх за потребою вимагає того, що називається “композиційністю”.

Композиційність поки що ухилялася від сучасного штучного інтелекту, де її часто плутають з більш слабкою концепцією модулярності. Модулярність зайнята здатністю “склеювати” компоненти, але це не захоплює суті композиційності, яка полягає у здатності міркувати про поведінку результатуючого робочого процесу для визначення та забезпечення збереження деякої бажаної властивості. Ця здатність є життєво важливою для питань верифікації та безпеки: наприклад, здатність системи міркувати про те, що “прийняття двигуна від альтернативного виробника збільшить загальну потужність заводу, при цьому всі інші компоненти залишаються в температурних межах”.

Хоча сучасні підходи нейронних мереж добре вчаться правилам з даних, їм бракує композиційного міркування. Альтернативою сподіванню, що композиційне міркування виникне з нейронних мереж, є безпосереднє використання конструкцій теорії категорій, математичної науки про композиційність. Зокрема, її підгалузь категоріальна кібернетика зайнята двонаправленими контролерами як фундаментальними представницькими елементами. Двонаправленість – це здатність виконувати як прямий, так і обернений висновок: прогнозування з причин до наслідків та навпаки. Композиційний обернений висновок особливо важливий, оскільки він дозволяє включення зворотного зв’язку від середовища на будь-якому рівні структурного представлення – це сприяє швидкому навчанню з малих прикладів.

При наявності деякої бажаної поведінки системи завдання навчання полягає у побудові агрегатної структури контролю, яка відповідає їй. Спочатку навчені структури діють як скелет для подальшого навчання.

По мірі зростання знань системи цей скелет можна прикрасити навченими композиційними властивостями, подібно до того, як молекула H2O може бути визначена як володіюча іншими властивостями, ніж її складові атоми. Крім того, як і “кидання м’яча” та “гойдання тенісної ракетки” можна розглядати як пов’язані м’язові дії для людини, так і пов’язані завдання можуть мати спільну скелетну структуру контролю, яку прикрасили у спосіб, специфічному для завдання, через зворотний зв’язок від середовища. Це роз’єднання каузальної структури від завдань може сприяти навчанню нових завдань без катастрофічного забування, яке переслідує сучасні підходи. Отже, гібридний числово-символічний підхід такого типу може поєднати сильні сторони як нейронних, так і символічних підходів, маючи як явне поняття структури, так і здатність адаптивно вчитися, як властивості складаються. Міркування про композиційні властивості ґрунтуються на постійній основі роботою, яку система зараз виконує.

У висновку, ясно, що необхідний новий підхід для створення真正 автономних систем: систем, здатних адаптуватися до значних змін та/або працювати в невідомих середовищах. Це вимагає безперервного адаптивного навчання та узагальнення з того, що вже відомо. Незважаючи на свою назву, підходи глибокого навчання мають лише мілке представлення світу, яке не може бути маніпульованим на високому рівні процесом навчання. Натомість ми пропонуємо, що системи ШЗІ наступного покоління будуть включати глибоке навчання у ширшу архітектуру, оснащену здатністю безпосередньо міркувати про те, що воно знає.

Здатність системи символічно міркувати про своє власне представлення надає суттєві переваги для промисловості: з явно композиційним представленням система може бути перевірена – як людиною, так і внутрішньо самою системою – для задоволення життєво важливих вимог безпеки та справедливості. Хоча існувала велика академічна турбота про так званий риск ШЗІ, відповідним фокусом є радше конкретна інженерна проблема перепрограмування системи контролю, зберігаючи ці життєво важливі вимоги, процес, який ми називаємо інтерактивним вирівнюванням. Лише завдяки прийняттю такого типу систем контролю, які є надійними та ефективними безперервними учнями, ми зможемо реалізувати наступне покоління автономності, передбачене Індустрією 5.0.