Kunne en computer nogensinde lære på samme måde som mennesker og dyr gør?

Om en computer nogensinde kan blive en levende ting, er en af ​​de vigtigste udfordringer for forskere inden for kunstig intelligens. Der har været store fremskridt inden for kunstig intelligens, siden Alan Turing først skabte det, der nu kaldes Turing-testen – om en maskine kunne udvise intelligent adfærd, der svarer til eller ikke kan skelnes fra et menneskes. Maskiner kæmper dog stadig med en af ​​de grundlæggende færdigheder, der er anden natur for mennesker og andre livsformer:livslang læring. Det vil sige at lære og tilpasse os, mens vi laver en opgave uden at glemme tidligere opgaver, eller intuitivt overføre viden indsamlet fra en opgave til et andet område.

Nu, med støtte fra DARPA Lifelong Learning Machines (L2M)-programmet, har USC Viterbi-forskere samarbejdet med kolleger på institutioner fra hele USA og verden om en ny ressource til fremtiden for AI-læring, der definerer, hvordan kunstige systemer med succes kan tænke , handle og tilpasse sig i den virkelige verden, på samme måde som levende væsener gør.

Artiklen, der er medforfatter af dekanens professor i elektrisk og computerteknik Alice Parker og professor i biomedicinsk teknik og i biokinesiologi og fysioterapi, Francisco Valero-Cuevas og deres forskerhold, blev offentliggjort i Nature Machine Intelligence , i samarbejde med professor Dhireesha Kudithipudi ved University of Texas i San Antonio, sammen med 22 andre universiteter.

Forskerholdet omfattede også postdoc-forsker i ValeroLab, Ali Marjaninejad, biomedicinsk ingeniør Ph.D. kandidat Darío Urbina, og Elektroteknik Ph.D. kandidat Suraj Chakravarthi Raja. ValeroLabs tidligere arbejde inden for det bio-inspirerede AI-felt omfattede et AI-styret robotlem drevet af dyrelignende sener, der kan lære at gå uden forudgående viden.

Valero-Cuevas sagde, at formålet med denne publikation var at give forskere inden for kunstig intelligens i de kommende årtier en god ressource med fokus på konceptet livslang læring i kunstige systemer. Planen vil skitsere udviklingen af ​​en ny type maskinintelligens, der vil være grundlæggende for næste generations teknologi såsom selvkørende biler, autonome robotter og droner og intelligente proteser, exoskeletter og bærbare enheder.

Livslang læring er en samling af biologisk inspirerede evner, som vi tager for givet, såsom evnen til at tilegne sig nye færdigheder uden at gå på kompromis med vores gamle, tilpasse sig ændringer og anvende tidligere lært viden til nye opgaver.

"Den måde, du og jeg lærer på, er gennem erfaring, efterligning og selvudforskning, og bare fordi du lærer en ny opgave, betyder det ikke, at du glemmer tidligere opgaver," sagde Valero-Cuevas. "Mennesker lærer på jobbet. Vi dukker op og begynder at lære, og så ved vi, hvordan vi gør det. Maskiner gør det ikke – endnu."

Valero-Cuevas sagde, at maskiner kan programmeres via en algoritme. For eksempel kan en selvkørende bil bruge algoritmer, der tilføres data fra andre køretøjer, så den kan lære, hvordan den skal betjenes, før den sættes ind i verden.

"Men der er en meget tydelig forskel på træningen og udsættelsen. Når en maskine er sat ind, er den ikke nødvendigvis læring, og hvis du vil lære den noget nyt, skal du typisk slette hukommelsen, og den glemmer, hvordan den skal gøres. forudgående ting," sagde Valero-Cuevas.

Dette er et problem kendt som "katastrofisk forglemmelse", som er en af ​​de vigtigste mangler ved nuværende AI-systemer, som den nye plan fremhæver.

"Som menneske kunne du vise mig, hvordan man spiller ping pong, og så kan jeg bruge den færdighed og overføre den til at lære at spille tennis eller badminton." sagde Valero-Cuevas. "I øjeblikket ville en maskine kun kunne læres, hvordan man spiller én ketsjersport, som ping pong. Hvis du for eksempel vil spille tennis, der kræver, at du bruger din krop anderledes, skal du ændre programmet. "

Ud over at overvinde faktoren katastrofal glemsel skitserede forskernes plan en række andre kompetencer, der er nødvendige for, at kunstige systemer kan opnå livslang læring på samme måde, som levende ting kan. Disse omfatter:

• Overførsel og tilpasning – evnen til at overføre og genbruge viden og tilpasse sig nye miljøer.
• Udnyttelse af opgavelighed – evnen til at lære flere opgaver og overføre denne viden mellem dem.
• Opgaveagnostisk læring – at forstå, hvornår man under træning skal skifte fra en opgave til en anden uden at blive bedt om det.
• Støjtolerance – at være i stand til at udføre den samme opgave i et scenarie i den virkelige verden, når forholdene er forskellige fra træningsperioden (såsom drift om natten i stedet for om dagen).
• Ressourceeffektivitet og bæredygtighed – sikring af, at livslang læring ikke påvirker lagerkapaciteten negativt og forsinker dens responstid.

En ekspert inden for biologisk inspirerede kredsløb, Parker har en lang forskningshistorie med at se på den menneskelige hjerne for at forstå, hvordan den fungerer, og hvordan denne viden kan anvendes på kunstige systemer. Til denne seneste afhandling bidrog Parker med forståelse inden for neuromodulation:systemet i hjernen på levende ting, der hjælper med at forbedre læring, til at overvinde spørgsmålet om katastrofal glemsel, til at tilpasse sig usikre miljøer og til at forstå ændringer i kontekst. Parker fokuserer på at bygge elektroniske strukturer, der understøtter neuromorfe kredsløb (elektronik, der modellerer hjernen) ved at tilføje biologiske funktioner, der ikke findes i eksisterende neurale netværkshardware, men som understøtter livslang læring. Funktionerne omfatter astrocytter - andre hjerneceller, der interagerer med neuroner for at understøtte læring - og den neurale kode - spikes og bursts, der formidler information i kodet form.

Valero-Cuevas sagde, at samarbejdet var beregnet til at være en omfattende ressource for fremtidig forskning i maskinlæring og kunstig intelligens.

"Biologi er inspirationen. Det ultimative eksempel på livslang læring er et biologisk system," sagde Valero-Cuevas. "Det, vi gør, er at se på alle de ting, som biologiske systemer kan gøre, som vi er ekstremt misundelige på, og spørger, hvad der skal til for maskiner at gøre det."

"Vi tror, ​​at i det mindste nogle mekanismer fra biologi - erfaringerne fra millioner af års evolution - kunne oversættes og adopteres af AI," sagde han.