211service.com
Zwiększanie IQ AI
Dzisiejsza sztuczna inteligencja jest daleka od inteligencji. Ale Josh Tenenbaum, PhD '99, pracuje nad tym. 27 czerwca 2018 r.
Bob O'Connor
W niedzielne popołudnie pod koniec marca kognitywista Josh Tenenbaum, dr '99, siedzi przed drewnianym stołem do gry, dzierżąc wiosło magnetyczne i próbując wbić małą pomarańczową piłkę do bramki przeciwnika. Tenenbaum, profesor kognitywistyki obliczeniowej, i jego przeciwnik, student pierwszego roku, śmieją się, gdy piłka odbija się od krawędzi planszy i odbija rykoszetem do bramki Tenenbauma, co kosztuje go punkt.
Przestrzeń robocza Building 46 Tenenbauma jest wypełniona zabawkami — nie tylko grą z magnetycznym wiosłem, ale także łamigłówką w kształcie drzewa i grą Stormy Seas, w której gracze próbują balansować małymi, pirackimi obiektami na niestabilnej platformie. Pierwsza równiarka byłaby tutaj jak w domu. Jednak zabawki inspirują również Tenenbauma i jego uczniów do zadawania pytań o to, co sprawia, że ludzie są inteligentni – co pozwala nam tak szybko myśleć i uczyć się, i ostatecznie, co czyni nas mądrzejszymi niż jakikolwiek obecny system sztucznej inteligencji.
Człowiek oglądający Tenenbauma i jego ucznia uderzającego piłkę w przód iw tył szybko zrozumie, że grają w grę. Po kilku chwilach obserwator domyślałby się zasad i mógł uczestniczyć. Wystarczająco trudno byłoby sprawić, by robot podniósł większość rzeczy z tego stołu, nie mówiąc już o zorientowaniu się, co się dzieje, mówi Tenenbaum. Sztuczna inteligencja nie jest przystosowana do działania wstecz od celu i planowania w nowatorski sposób, mówi. Jednak ludzie mogą to zrobić, po części poprzez tworzenie mentalnych modeli otaczającego ich świata. Możliwe jest zbudowanie inteligentniejszych maszyn poprzez inżynierię wsteczną tych procesów umysłowych.
Pomimo całego niedawnego szumu wokół sztucznej inteligencji, Tenenbaum nie uważa, że żaden z dzisiejszych systemów AI jest naprawdę inteligentny. Tak, sztuczna inteligencja poczyniła uderzające postępy w umożliwianiu komputerom wykonywania stosunkowo wąskich zadań, takich jak rozpoznawanie twarzy lub obiektów. Ale chociaż wiele z tych skoncentrowanych systemów sztucznej inteligencji działa niesamowicie dobrze i ma ogromny wpływ, naukowcom nie udało się naśladować ogólnej, elastycznej inteligencji, która pozwala ludziom rozwiązywać problemy bez specjalnego przeszkolenia w tym zakresie. Jego twórczość, jak mówi, jest inspirowana filozofią, w tym zagadnieniami rozważanymi przez Platona, Arystotelesa, Kanta i Hume'a. Jak przechodzisz od konkretów do ogólników? Jak spojrzeć na jedną rzecz i powiedzieć: „To, czego się uczę, nie dotyczy tylko tej rzeczy – dotyczy też innych rzeczy?” To dla mnie ekscytujące — myślenie o tych wielkich pytaniach o to, w jaki sposób dowiadujemy się czegokolwiek, mówi.
Bob O'Connor
Tenenbaum twierdzi, że skupienie się na ludzkim umyśle to cenny sposób na rozwój sztucznej inteligencji. Historycznie wiele, jeśli nie większość innowacji w tej dziedzinie, zostało dokonanych przez ludzi zainteresowanych zrozumieniem ludzkiej inteligencji z perspektywy matematycznej lub inżynierskiej, mówi. Więc chociaż nie jest to jedyne możliwe podejście, wierzy, że może być owocne. Ponadto, wiele rodzajów technologii, których oczekujemy od AI, to technologie, które będą żyć w ludzkim świecie – mówi. Należą do nich maszyny, które mogą pomóc w pracach domowych, a nawet opiekować się dziećmi lub osobami starszymi, przyjmując zadania na ludzką skalę. I, mówi, jeśli chcemy, aby maszyny współdziałały z nami w taki sposób, w jaki wchodzimy w interakcje ze sobą, to do pewnego stopnia ważne jest, aby miały inteligencję podobną do ludzkiej.
W marcu, kiedy Instytut uruchomił MIT Intelligence Quest (obecnie MIT Quest for Intelligence), inicjatywę mającą na celu zbadanie podstaw ludzkiej inteligencji, Tenenbaum był szczery co do ograniczeń istniejących systemów sztucznej inteligencji. Powiedział, że każdy musi być zbudowany przez naprawdę inteligentnych inżynierów, a każdy robi tylko jedną rzecz. Ale rozwinął swoją odważniejszą wizję rozwoju sztucznej inteligencji w celu naśladowania ludzkiego uczenia się. Wyobraź sobie, że moglibyśmy zbudować maszynę, która rozwija się w inteligencję tak, jak robi to człowiek, która zaczyna się jak dziecko i uczy się jak dziecko – powiedział. To byłaby sztuczna inteligencja, która jest naprawdę inteligentna, gdybyśmy mogli ją zbudować. Dodał, że prawie na pewno nie da się tego zrobić za 10 lat, prawdopodobnie nie za 20 – a całkiem możliwe, że nawet za naszego życia. Ale to w porządku, powiedział. Dlatego nazywamy to poszukiwaniem.
Intuicyjna fizyka
W dobie big data i głębokiego uczenia się łatwo dać się uwieść, mówi Robert Goldstone, profesor psychologii i nauk o mózgu na Uniwersytecie Indiana. Ma na myśli to, że kuszące jest myślenie, że systemy uczenia maszynowego nie potrzebują spójnych interpretacji otaczającego je świata, aby zachowywać się inteligentnie — komu potrzebna jest teoria, skoro mamy wystarczającą ilość danych? Praca Tenenbauma pokazuje jednak znaczenie teorii, mówi Goldstone, ponieważ pokazuje, że aby przejść do przodu, uczący się muszą stworzyć wewnętrzne modele swojego środowiska.
Rozważmy sferę codziennej fizyki, w której ludzie wykazują gotową intuicję. Kiedy widzimy dziecko wspinające się po drzewie, mamy poczucie, czy gałęzie są wystarczająco mocne, aby utrzymać jego ciężar. Kiedy widzimy filiżankę ustawioną na krawędzi stołu, wiemy, że jeśli stół zostanie potrącony, filiżanka prawdopodobnie spadnie. Każdego dnia spotykamy się z różnymi wizualnie różnymi scenariuszami, ale potrafimy je rozumować i osądzać. Tenenbaum uważa, że ludzie potrafią mentalnie symulować mechanizmy fizyczne, a to pozwala nam przewidywać, jak będą się zachowywać obiekty.
Testując tę teorię, celem Tenenbauma jest nie tylko lepsze zrozumienie ludzkiego poznania, ale także stworzenie programów komputerowych, które mogłyby go skuteczniej przybliżać. W jednym projekcie on i jego zespół zbudowali serię wirtualnych wież z narzędziami używanymi w projektowaniu gier wideo. Zaprojektowali każdą wieżę z 10 bloków ułożonych w mniej lub bardziej niepewnych układach. Następnie zespół zaprezentował ludziom te konstrukcje i zapytał ich, czy wieże upadną, jak w grze Jenga. Gdy podmiot odpowiedział, wieża upadła – albo nie. Tenenbaum twierdzi, że ludzie podchodzą do tego zadania za pomocą intuicyjnego silnika fizycznego — modelu mentalnego opartego na zrozumieniu masy, tarcia, grawitacji i innych aspektów świata fizycznego.
Bob O'Connor
W międzyczasie Tenenbaum i jego zespół napisali również program komputerowy do przechwytywania ludzkich myśli i percepcji takich fizycznych scenariuszy. Ich celem było zakodowanie przez program informacji o wieży blokowej, takich jak jej położenie i konfiguracja, a następnie przeprowadzenie symulacji w oparciu o te informacje, aby przewidzieć, czy wieża upadnie. Dokonywał przewidywań, które były probabilistyczne, jak mówi nasze własne rozumowanie fizyczne. (Mamy tendencję do myślenia w kategoriach statystycznych o różnych możliwych wynikach, wyjaśnia, ponieważ w codziennym świecie musimy zmagać się z niepewnością dotyczącą obserwowanych obiektów).
W artykule opublikowanym w 2013 roku Tenenbaum, postdoc Peter Battaglia i Jessica Hamrick ’11, MEng ’12, opisane testując system i stwierdzając, że jego przewidywania były silnie skorelowane z przewidywaniami dokonanymi przez ludzi. W dalszych eksperymentach zespół manipulował masami bloków, tak aby niektóre były ciężkie, a inne lekkie. Wymodelowali również wstrząs na stole i zapytali, które klocki najprawdopodobniej spadną na podłogę. W każdym z tych przypadków przewidywania modelu komputerowego były podobne do tych dokonanych przez ludzi, mówi Tenenbaum: Byliśmy w stanie zamodelować rodzaj symulacji, którą ktoś mógłby zbudować we własnej głowie.
Nauka uczenia się
Do tej pory najlepsze algorytmy sztucznej inteligencji wymagały uczenia systemów na tysiącach – lub w niektórych przypadkach milionach – przykładów. Dotyczy to na przykład dziedziny identyfikacji liter, standardowego benchmarku w uczeniu maszynowym. To, co jest niezwykłe w ludzkim poznaniu, to to, że nie potrzebujemy 6000 przykładów listu, aby dowiedzieć się, co to jest i rozpoznać go różnymi czcionkami lub różnymi rodzajami pisma, mówi dr Brenden Lake, adiunkt w dziedzinie psychologii i danych. nauk ścisłych na Uniwersytecie Nowojorskim i byłym absolwentem Tenenbauma.
Od 2009 roku Lake, Tenenbaum i podoktoran Ruslan Salakhutdinov (obecnie profesor nadzwyczajny na Uniwersytecie Carnegie Mellon i dyrektor ds. badań nad sztuczną inteligencją w Apple) postanowili opracować program inspirowany spostrzeżeniami na temat tego, jak ludzie uczą się i postrzegają postacie. Po nagraniu na wideo 20 osób rysujących litery z obcych alfabetów, których nigdy wcześniej nie używali, odkryli silne podobieństwa w sposobie, w jaki ludzie wykonywali zadanie — części, na które łamali znaki, ich punkt początkowy i kierunek ich pociągnięć. Na podstawie tych obserwacji naukowcy postanowili stworzyć algorytm pisma odręcznego, który uwzględniałby: w jaki sposób powstały litery, a nie tylko to, jakie piksele były obecne w ostatecznym wyniku.
Kluczową ideą było przedstawienie koncepcji listu jako program , która jest znacznie bogatszą reprezentacją niż zwykle używana w uczeniu maszynowym, mówi Lake. Uczynili też program probabilistycznym. Mógł obserwować pisany znak, wywnioskować, jak najprawdopodobniej został narysowany (program do jego rysowania), a następnie wyobrazić sobie, jak można narysować nowe wystąpienia tego samego znaku. Mógłby również uwzględnić pewną niepewność w informacjach, z którymi pracował, i wygenerować szereg wyników: na przykład każdy przykład litery A był nieco inny. Ta zdolność do tolerowania niepewności pomogła algorytmowi radzić sobie z sytuacjami w świecie rzeczywistym. Dzięki doświadczeniu program mógłby również poprawić rysowanie nowych postaci. Częścią tego, co nas ekscytowało, był pomysł „nauki uczenia się”, mówi Tenenbaum. I w ten sposób, jak wyjaśnia, zyskujemy umiejętność sprawnego uogólniania, korzystając z nielicznych danych lub choćby jednego przykładu.
W artykule opublikowanym w 2015 roku Nauka , zespół przetestował algorytm, pokazując mu pojedynczą nieznaną literę i prosząc o stworzenie nowej, podobnej postaci. To samo zadanie postawili ludzkim podmiotom, a następnie poprosili sędziów o ustalenie, które z postaci stworzyli ludzie, a które maszyny. Co ciekawe, zdecydowana większość sędziów nie potrafiła odróżnić. Innymi słowy, algorytm przeszedł prostą, wizualną formę testu Turinga, klasycznego kryterium inteligencji maszyny.
Modelowanie dzieci
We wczesnych dniach sztucznej inteligencji nauka o ludzkim uczeniu się nie była wystarczająco zaawansowana, aby oferować wiele wskazówek. Turing mógł tylko przypuszczać, jaki był mózg dziecka, mówi Tenenbaum – brytyjski matematyk uważał go za czysty zeszyt – ale nie, to znacznie więcej. W ramach swojego dążenia do zrozumienia początków wiedzy, Tenenbaum współpracował również nad pracą badającą umysły małych dzieci. W 2008 roku prowadził zajęcia na Harvardzie ze słynną psycholog Elizabeth Spelke, która wykazała, że nawet małe dzieci mają pewne formy wiedzy, które wydają się być wbudowane. (W przeciwieństwie do fundamentalnej pracy Jeana Piageta, który wierzył, że dzieci rozwijać trwałość obiektów, zrozumienie, że obiekty nie pojawiają się i nie znikają po prostu w wieku około ośmiu miesięcy — Spelke wykazał, że pewna forma tego rozumienia jest obecna u dzieci w wieku od dwóch do trzech miesięcy). Spelke przekonał Tenenbauma, że mózg ma na celu rozwijanie pewnych pojęć i że aby w pełni docenić ludzką inteligencję, konieczne jest modelowanie podstawowej wiedzy bardzo małych dzieci. Obejmuje to intuicję dotyczącą zarówno fizyki, jak i psychologii — w szczególności naszą zdolność do interpretowania działań innych ludzi pod kątem ich stanów psychicznych, przekonań i celów.
Bob O'Connor
Ostatnio Tenenbaum i Spelke zbadali, jak 10-miesięczne dzieci są w stanie dowiedzieć się, czego chcą inni ludzie i jak bardzo cenią sobie cele, do których dążą. W tym celu badacze stworzyli animacje, w których niebieskie, czerwone i żółte postacie przeskakiwały przez ściany lub wykonywały inne fizyczne zadania, aby się nawzajem dosięgnąć. Na przykład czerwona postać może przeskoczyć małą ścianę, aby dostać się do niebieskiej postaci, ale odmówić przeskoczenia przez średnią ścianę. Jednak ta sama postać może wspiąć się na wysoką ścianę, aby dotrzeć do jej żółtego odpowiednika. Naukowcy postawili hipotezę, że gdyby dzieci zobaczyły, jak postać pracuje ciężej, aby osiągnąć cel, wywnioskowałyby, że postać ceni ją bardziej niż alternatywę. Rzeczywiście, kiedy naukowcy pokazali czerwoną postać stojącą między żółtym a niebieskim bez ściany, a następnie spowodowali, że przesunęła się w kierunku niebieskiego, dzieci wpatrywały się dłużej. To znaczy, widząc, jak czerwona postać wykonuje więcej pracy, aby osiągnąć żółty kolor, wywnioskowali, że czerwony preferuje żółty i byli zaskoczeni, gdy zamiast tego wybrał niebieski. Sugeruje to, że nawet dzieci przedwerbalne mają intuicyjne zrozumienie równowagi między kosztami a nagrodami oraz tego, jak wpływa ona na zachowanie innych ludzi, mówi Tenenbaum, dodając, że ta psychologiczna intuicja jest podstawą do bardziej złożonego zrozumienia społecznego w późniejszym okresie. Praca, prowadzona przez doktora habilitowanego Tomera Ullmana ’15 i doktorantkę Spelke Shari Liu, została opublikowana w Nauka w 2017 roku.
Na wycieczkę
Hamrick była juniorem w MIT, kiedy dołączyła do laboratorium Tenenbauma w 2010 roku i zaczęła pracować nad projektem fizyki podobnym do Jenga. Mówi, że kiedy studenci są po raz pierwszy narażeni na badania, zazwyczaj skupiają się wąsko na problemie, który przed nimi stoi. Ale Tenenbaum inspiruje ich do zastanowienia się, jak to pasuje również do większych pytań w nauce (podobnie jak mówi, że się uczymy). To sprawiło, że poczułem, że badania są świetną rzeczą do zrobienia, dodaje Hamrick, przypisując jej doświadczenie w laboratorium Tenenbauma decyzją o kontynuowaniu kariery naukowej. (Jest teraz badaczem w DeepMind, brytyjskiej firmie AI należącej do Google).
Jednym ze sposobów, w jaki Tenenbaum wspiera ducha bliskiej i współpracy w swoim laboratorium, jest zabieranie swoich studentów i doktorów na coroczne wycieczki, z których niektóre były notorycznie intensywne, mówi. Dorastając w Kalifornii, uważał Park Narodowy Yosemite za jedno ze swoich ulubionych miejsc. A od 2002 roku, kiedy został adiunktem na MIT, zaczął organizować coroczne wycieczki w Białe Góry w New Hampshire. Grupa zwykle jedzie około Dnia Kolumba, w szczycie sezonu jesiennego liści. Ale nawet wtedy, na wyższych wysokościach, od czasu do czasu napotykali warunki zimowe. Przypominając sobie podróż wzdłuż szlaku Frankonia Ridge, Tenenbaum żartuje: To nie był marsz śmierci – nikt nie zginął – ale był śnieg i nie wszyscy byli przygotowani, choć ostrzegano ich!
Wraz z tą intensywną fizycznością wędrówki dają również członkom grupy okazję do szerokiego porozmawiania o nauce i życiu. Kiedy ludzie wędrują wąskim szlakiem, mają tendencję do rozchodzenia się. Czasem znajduję się z przodu, czasem z tyłu, mówi Tenenbaum. Tak czy inaczej, dodaje, zawsze prowadzę tak szeroki wachlarz rozmów w górę iw dół, a wszystko to inspirowane tym pięknym miejscem, przez które spacerujemy.
Tenenbaum czerpie również inspirację z rodzicielstwa. Wiadomo, że jego 16-letnia córka, Abi, pomaga w jego badaniach; w wieku ośmiu lub dziewięciu lat była pierwszą uczestniczką eksperymentu Jenga. Od razu znalazła błąd – zasadniczo sposób na uzyskanie idealnego wyniku – i kiedy nam to wyjaśniła, powiedzieliśmy: „Och, dobra uwaga” i przepisaliśmy cały eksperyment na nowo, wspomina. Ale szerzej, rodzicielstwo łączy się z zainteresowaniem Tenenbauma ludzkim uczeniem się, zwłaszcza niemowląt i dzieci. Mówi, że doświadczenie obserwowania, jak Twoje dziecko po raz pierwszy smakuje lody lub widzi swojego pierwszego konia, jest wspaniałe. To wpisuje się w moje zainteresowanie tym, czego się uczysz od pierwszego zobaczenia czegoś.
Odpowiadanie na wielkie pytania na skrzyżowaniu mózgów, umysłów i inteligentnych maszyn
MIT Intelligence Quest (obecnie MIT Quest for Intelligence) ma na celu nasycenie sztucznej inteligencji prawdziwą inteligencją, łącząc myślicieli z różnych dyscyplin, od psychologii po informatykę. Inicjatywa traktuje ludzki mózg (i systemy sztucznej inteligencji, które próbują go naśladować) jako wielkie wyzwanie inżynieryjne. Kiedy projekt został ogłoszony w marcu, Josh Tenenbaum udostępnił ten wykres podsumowujący niektóre z ważnych pytań, nad którymi pracują badacze z MIT, w sześciu głównych kategoriach – i wskazał, że pytania, które jeszcze nie zostały zadane, mogą okazać się najważniejsze.