Koncepcja psychologii pomaga AI lepiej poruszać się po naszym świecie

Kategoria: Sztuczna inteligencja Opublikowany 17 lipca

Koncepcja: Kiedy patrzymy na krzesło, niezależnie od jego kształtu i koloru, wiemy, że możemy na nim usiąść. Kiedy ryba jest w wodzie, niezależnie od miejsca, wie, że potrafi pływać. Jest to znane jako teoria afordancji, termin ukuty przez psychologa Jamesa J. Gibsona. Stwierdza, że ​​gdy inteligentne istoty patrzą na świat, postrzegają nie tylko przedmioty i ich relacje, ale także ich możliwości . Innymi słowy, krzesło daje możliwość siedzenia. Woda daje możliwość pływania. Teoria ta może częściowo wyjaśnić, dlaczego inteligencję zwierząt można tak uogólniać — często od razu wiemy, jak zajmować się nowymi obiektami, ponieważ rozpoznajemy ich afordancje.

Pomysł: Badacze z DeepMind wykorzystują teraz tę koncepcję do rozwoju nowe podejście do uczenia się przez wzmacnianie . W typowym uczeniu przez wzmacnianie agent uczy się metodą prób i błędów, zaczynając od założenia, że ​​każde działanie jest możliwe. Na przykład robot uczący się przemieszczania z punktu A do punktu B zakłada, że ​​może poruszać się po ścianach lub meblach, dopóki powtarzające się awarie nie wskażą mu inaczej. Pomysł polega na tym, że gdyby zamiast tego robot został najpierw nauczony afordancji środowiska, natychmiast wyeliminowałby znaczną część nieudanych prób, które musiałby wykonać. Uczyniłoby to jego proces uczenia się bardziej wydajnym i pomogłoby uogólniać go w różnych środowiskach.

Eksperymenty: Naukowcy stworzyli prosty wirtualny scenariusz. Umieścili wirtualnego agenta w środowisku 2D ze ścianą pośrodku i kazali agentowi badać jego zakres ruchu, aż dowiedział się, na co pozwala mu środowisko — jego afordancje. Następnie badacze dali agentowi zestaw prostych celów do osiągnięcia poprzez uczenie się ze wzmocnieniem, takich jak przesunięcie o określoną wartość w prawo lub w lewo. Odkryli, że w porównaniu z agentem, który nie nauczył się afordancji, unikał wszelkich ruchów, które powodowałyby zablokowanie go przez ścianę w trakcie jego ruchu, ustawiając go tak, aby skuteczniej osiągał swój cel.

Dlaczego jest to ważne: Prace są wciąż na wczesnym etapie, więc badacze wykorzystali jedynie proste środowisko i prymitywne cele. Mają jednak nadzieję, że ich początkowe eksperymenty pomogą stworzyć teoretyczne podstawy do skalowania pomysłu do znacznie bardziej złożonych działań. W przyszłości widzą takie podejście, które pozwoli robotowi szybko ocenić, czy może, powiedzmy, nalać płyn do kubka. Po wypracowaniu ogólnej wiedzy na temat tego, które przedmioty umożliwiają przechowywanie płynu, a które nie, nie będzie musiał wielokrotnie omijać filiżanki i wylewać płyn na cały stół, aby dowiedzieć się, jak osiągnąć swój cel.