Ett koncept inom psykologi hjälper AI att bättre navigera i vår värld

Kategori: Artificiell intelligens Postad 17 juli

Konceptet: När vi tittar på en stol, oavsett dess form och färg, vet vi att vi kan sitta på den. När en fisk är i vatten, oavsett var den befinner sig, vet den att den kan simma. Detta är känt som theory of affordance, en term som myntats av psykologen James J. Gibson. Den säger att när intelligenta varelser ser på världen uppfattar de inte bara objekt och deras relationer utan också deras möjligheter . Med andra ord ger stolen möjlighet att sitta. Vattnet ger möjlighet till simning. Teorin kan delvis förklara varför djurintelligens är så generaliserbar - vi vet ofta omedelbart hur vi ska engagera oss i nya objekt eftersom vi känner igen deras möjligheter.

Idén: Forskare vid DeepMind använder nu detta koncept för att utveckla ett nytt förhållningssätt till förstärkt lärande . I typisk förstärkningsinlärning lär sig en agent genom försök och misstag, med början i antagandet att alla åtgärder är möjliga. En robot som lär sig att flytta från punkt A till punkt B, till exempel, kommer att anta att den kan röra sig genom väggar eller möbler tills upprepade misslyckanden säger något annat. Tanken är att om roboten istället först skulle lära sig sin miljös möjligheter, skulle den omedelbart eliminera en betydande del av de misslyckade försöken den skulle behöva utföra. Detta skulle göra dess inlärningsprocess mer effektiv och hjälpa den att generalisera över olika miljöer.

Experimenten: Forskarna satte upp ett enkelt virtuellt scenario. De placerade en virtuell agent i en 2D-miljö med en vägg i mitten och fick agenten att utforska dess rörelseomfång tills den hade lärt sig vad miljön skulle tillåta den att göra – dess råd. Forskarna gav sedan agenten en uppsättning enkla mål att uppnå genom förstärkningsinlärning, som att flytta en viss mängd åt höger eller vänster. De fann att, jämfört med en agent som inte hade lärt sig möjligheter, undvek den alla rörelser som skulle få den att blockeras av väggen halvvägs genom sin rörelse, vilket satte upp den för att uppnå sitt mål mer effektivt.

Varför det är viktigt: Arbetet är fortfarande i ett tidigt skede, så forskarna använde bara en enkel miljö och primitiva mål. Men deras förhoppning är att deras första experiment kommer att bidra till att lägga en teoretisk grund för att skala upp idén till mycket mer komplexa handlingar. I framtiden ser de detta tillvägagångssätt som gör att en robot snabbt kan bedöma om den kan till exempel hälla vätska i en kopp. Efter att ha utvecklat en allmän förståelse för vilka föremål som har möjlighet att hålla vätska och vilka som inte gör det, behöver den inte upprepade gånger missa koppen och hälla vätska över hela bordet för att lära sig hur man uppnår sitt mål.