Dessa konstiga virtuella varelser utvecklar sina kroppar för att lösa problem

Agrim Gupta, Silvio Savarese, Surya Ganguli & Li Fei-Fei

En oändlig mängd olika virtuella varelser smyger sig över skärmen, kämpar över hinder eller drar bollar mot ett mål. De ser ut som halvformade krabbor gjorda av korv - eller kanske Thing, den kroppslösa handen från Familjen Addams . Men dessa 'unimals' (förkortning för universella djur) skulle faktiskt kunna hjälpa forskare att utvecklas mer allmän intelligens i maskiner.

Agrim Gupta från Stanford University och hans kollegor (inklusive Fei-Fei Li, som meddirektör Stanford Institute for Human-Centered AI och ledde skapandet av ImageNet) använde dessa unimals för att utforska två frågor som ofta förbises i AI-forskning: hur intelligens är knuten till hur kroppar är utformade och hur förmågor kan utvecklas genom evolution såväl som inlärda.

Relaterad berättelse

En oändligt föränderlig lekplats lär AI: er hur man multitaskar

Virtuella spelvärldar ger en oavbruten ström av öppna utmaningar som knuffar AI mot allmän intelligens.

Det här arbetet är ett viktigt steg i ett decennierlångt försök att bättre förstå förhållandet mellan kropp och hjärna hos robotar, säger Josh Bongard, som studerar evolutionär robotik vid University of Vermont och inte var involverad i arbetet.

Om forskare vill återskapa intelligens i maskiner kanske de saknar något, säger Gupta. Inom biologin uppstår intelligens från att sinnen och kroppar arbetar tillsammans. Aspekter av kroppsplaner, såsom antalet och formen på lemmar, avgör vad djur kan göra och vad de kan lära sig. Tänk på aye-aye, en lemur som utvecklade ett långsträckt långfinger för att söka djupt in i hål efter larver.

AI fokuserar vanligtvis bara på sinnet och bygger maskiner för att utföra uppgifter som kan bemästras utan en kropp, som att använda språk, känna igen bilder och spela videospel. Men denna begränsade repertoar kan snart bli gammal. Att slå in AI:er i kroppar som är anpassade till specifika uppgifter skulle kunna göra det lättare för dem att lära sig en lång rad nya färdigheter. En sak har varje enskilt intelligent djur på planeten gemensamt i en kropp, säger Bongard. Embodiment är vårt enda hopp om att göra maskiner som är både smarta och säkra.

Unimaler har ett huvud och flera lemmar. För att se vad de kunde göra utvecklade teamet en teknik som kallas djup evolutionär förstärkningsinlärning (DERL). Unimalerna tränas först med hjälp av förstärkningsinlärning för att utföra en uppgift i en virtuell miljö, som att gå över olika typer av terräng eller flytta ett föremål.

De unimals som presterar bäst väljs sedan ut och mutationer introduceras, och den resulterande avkomman placeras tillbaka i miljön, där de lär sig samma uppgifter från grunden. Processen upprepas hundratals gånger: utvecklas och lär, utvecklas och lär.

Mutations unimals utsätts för att involvera att lägga till eller ta bort lemmar, eller ändra längden eller flexibiliteten hos lemmar. Antalet möjliga kroppskonfigurationer är enormt: det finns 10^18 unika varianter med 10 lemmar eller färre. Med tiden anpassar sig de unimalernas kroppar till olika uppgifter. Vissa unimals har utvecklats för att röra sig över platt terräng genom att falla framåt; några utvecklade en ödla-liknande vagga; andra utvecklade tång för att greppa en låda.

Forskarna testade också hur väl de utvecklade unimalerna kunde anpassa sig till en uppgift de inte hade sett förut, en väsentlig egenskap för allmän intelligens. De som hade utvecklats i mer komplexa miljöer, innehållande hinder eller ojämn terräng, var snabbare på att lära sig nya färdigheter, som att rulla en boll istället för att knuffa en låda. De fann också att DERL valde kroppsplaner som lärde sig snabbare, även om det inte fanns något selektivt tryck att göra det. Jag tycker att det här är spännande eftersom det visar hur djupt kroppsform och intelligens hänger ihop, säger Gupta.

Relaterad berättelse

AI lär sig att skapa sig själv

Människor har kämpat för att göra verkligt intelligenta maskiner. Vi kanske måste låta dem fortsätta med det själva.

Det är redan känt att vissa kroppar påskyndar inlärningen, säger Bongard. Detta arbete visar att AI som kan söka efter sådana kroppar. Bongards labb har utvecklat robotkroppar som är anpassade för speciella uppgifter, som att ge förhårdnader liknande beläggningar på fötterna för att minska slitage. Gupta och hans kollegor förlänger denna idé, säger Bongard. De visar att rätt kropp också kan påskynda förändringar i robotens hjärna.

I slutändan kan den här tekniken vända på hur vi tänker på att bygga fysiska robotar, säger Gupta. Istället för att börja med en fast kroppskonfiguration och sedan träna roboten att utföra en viss uppgift, kan du använda DERL för att låta den optimala kroppsplanen för den uppgiften utvecklas och sedan bygga den.

Guptas unimals är en del av ett brett skifte i hur forskare tänker om AI. Istället för att träna AI:er på specifika uppgifter, som att spela Go eller analysera en medicinsk skanning, börjar forskare släppa bots i virtuella sandlådor – som t.ex. POET , OpenAI:s virtuella kurragömma-arena , och DeepMinds virtuella lekplats XLand —och få dem att lära sig att lösa flera uppgifter i ständigt föränderliga, öppna träningsdojor. Istället för att bemästra en enda utmaning lär sig AI:er som tränas på detta sätt allmänna färdigheter.

För Gupta kommer friformsutforskning att vara nyckeln för nästa generations AI. Vi behöver verkligen öppna miljöer för att skapa intelligenta agenter, säger han.

Dölj