Материализация искусственного интеллекта

Искусственный интеллект можно определить как интеллект, демонстрируемый машинами. Но то, что считается интеллектом, и то, как интеллект реализуется в различных типах машин, роботов и программного обеспечения, варьируется в зависимости от дисциплины и с течением времени.

Растущая группа исследователей считает, что «интеллектуальные возможности» того, что мы сейчас называем искусственным интеллектом (ИИ), ограничены: с одной стороны, они слишком привязаны к тенденциям глубокого обучения, основанным на данных, а с другой стороны, слишком привязаны к тому, что делают люди. рассматривать как интеллект, который часто отражает расплывчатое представление о человеческих когнитивных способностях.Они продвигают другое направление, черпая вдохновение из сложного поведения и возможностей биологических организмов и сосредотачиваясь на том, как они взаимодействуют с миром. Аслан Мириев и Мирко Ковач описывают эту точку зрения и необходимость нового междисциплинарного подхода для обеспечения того, что они называют физическим искусственным интеллектом (PAI), в комментарии к этому выпуску.

Существует множество возможных определений ИИ. Авторы Предложения 1955 года для Дартмутского летнего исследовательского проекта по искусственному интеллекту 1 пытались «заставить машины использовать язык, формировать абстракции и концепции, решать проблемы, которые теперь предназначены для людей, и совершенствовать себя». Эти сложные и в основном человеческие формы интеллекта первоначально рассматривались методами, основанными на манипулировании символами, которые иногда называют «старым добрым искусственным интеллектом (GOFAI)». Напротив, подходы, вдохновленные нейронаукой, такие как коннекционизм и нейронные сети, были сосредоточены на обучении и представлениях, что привело к появлению методов глубокого обучения на основе данных, которые широко используются сегодня.

Действительно, многие люди теперь считают ИИ синонимом глубокого обучения, учитывая влияние глубокого обучения на такие приложения, как распознавание изображений, обработка языка и распознавание речи, а также его полезность для распознавания закономерностей в данных из науки и промышленности. Тем не менее, глубокое обучение в его нынешнем состоянии имеет ограничения: оно, как правило, требует больших объемов данных, требует больших вычислительных ресурсов, основано на сенсорных данных, склонно к неожиданным ошибкам, как показывают состязательные примеры, и неэффективно для большей части когнитивных функций и поведения. Действительно, оказалось возможным обыграть чемпионов мира по го и шахматам, но гораздо сложнее освоить базовые когнитивные и двигательные навыки малыша.

Наблюдение, которое иногда называют парадоксом Моравека, возникшее в 1980-х годах исследователями в области ИИ и робототехники, утверждает, что явления, считающиеся высокоуровневым интеллектом, такие как рассуждение, возникли на поздних этапах эволюции и требуют относительно небольших вычислений. Напротив, сенсомоторные навыки и формы регуляции тела, такие как гомеостаз, которые обычно считаются менее разумными или даже неразумными, высокоразвиты, часто бессознательны и требуют гораздо больших вычислительных ресурсов. Парадокс Моравека может объяснить, почему проще разработать систему искусственного интеллекта для поиска лучшего хода в шахматной партии, чем создать ловкую роботизированную руку, которая может брать фигуры и расставлять их на доске.

В 1980-х годах подход GOFAI не только обогнали нейронные сети, но и подвергся критике со стороны другого движения, которое указывало на важность физического заземления. Согласно этому подходу, интеллектуальная система должна иметь свои представления, основанные на физическом мире. Таким образом, вместо того, чтобы иметь внутреннюю модель мира, робот должен использовать свое тело и датчики для обновления своих систем управления и целенаправленного поведения. Эти взгляды классно описаны Родни Бруксом в его статье «Слоны не играют в шахматы» 2 , который указал, что мир — это лучшая модель самого себя и что «хитрость заключается в том, чтобы ощущать его надлежащим образом и достаточно часто».

С тех пор в робототехнике было сделано много достижений для решения этой проблемы. За последнее десятилетие объединились несколько направлений в области биодизайна, материалов, приведения в действие и восприятия, управления, а также подходов, основанных на данных, что побудило Мириева и Ковача предложить PAI в качестве нового междисциплинарного подхода.Они определяют его как «теорию и практику создания физических систем, способных выполнять задачи, обычно связанные с разумными организмами». Примечательно, что авторы пишут «выполнение задач» и «разумные организмы» (а не люди), ссылаясь на множество примеров из природы сложных особенностей решения задач и поведения, таких как медоносные пчелы, которые используют оптический поток и стереовидение для приближающихся к посадочным поверхностям и осьминогов, демонстрирующих исключительную изобретательность при маневрировании в сложных условиях.

Подход PAI предлагает возможность включить гомеостаз, который рассматривается как важный процесс для организмов, регулирующий свое поведение и адаптирующийся к различным средам. В прошлогоднем выпуске «Перспективы» Мэн и Дамасио отметили, что область мягкой робототехники продвинулась до стадии, когда процесс, напоминающий гомеостаз, может быть интегрирован с интеллектуальными машинами 3 . Эта интеграция тела, внутренних регулирующих механизмов и контроля может привести к созданию нового класса машин, у которых есть внутренние цели.

Учитывая междисциплинарный характер PAI, авторы предполагают, что структура образования и обучения необходима исследователям для развития необходимых навыков. В частности, они описывают PAI как состоящую из пяти основных дисциплин: машиностроение, информатика, биология, химия и материаловедение. Далее они обсуждают изменения, которые необходимо внести на уровне учреждения и сообщества, чтобы поощрять и поддерживать исследования PAI.

Мы можем ожидать, что то, что обычно считается интеллектом и «искусственным интеллектом», будет постоянно меняться. Интеграция достижений из разных дисциплин дает возможность создавать интеллектуальные машины еще большей сложности.

использованная литература

1. Маккарти Дж., Мински М., Рочестер Н. и Шеннон С.Е. Предложение для Дартмутского летнего исследовательского проекта по искусственному интеллекту (Дартмутский колледж, 1955 г.); http://jmc.stanford.edu/articles/dartmouth.html
2. Брукс, Р. Робот. Автон. Сист.6, 3–15 (1990). СтатьяGoogle Scholar
3. Мэн, К. и Дамасио, А.Р. Нац. Мах. Интел.1, 446–452 (2019). СтатьяGoogle Scholar