Животные обладают "воплощенным" интеллектом, т.е они выполняют задачи, для которых хорошо приспособлены их тела. Это происходит потому, что интеллект каждого вида животных развивался вместе с их физической формой, когда они взаимодействовали с окружающей средой. Так, пауки плетут паутину с помощью своих тонких лапок, бобры бьют широкими хвостами, чтобы подать сигнал тревоги, гепарды быстро бегают, чтобы поймать зебру, а у людей есть большие пальцы для захвата инструментов.
Искусственный интеллект тоже достаточно умен. Но в отличие от животных, искусственный интеллект не имеет физической формы. Например, обработка естественного языка и другие виды машинного обучения обычно выполняются на кремниевых чипах внутри компьютеров, не имея физического проявления в мире. А компьютерное зрение требует использования камер или датчиков, но обычно это происходит независимо от какой-либо физической формы.
Группа исследователей из Стэнфорда задалась вопросом: Имеет ли физическая форма значение для эволюции интеллекта? И если да, то как ученые могут использовать ее для создания более умных ИИ?
Чтобы ответить на эти вопросы, они создали смоделированную среду, на которой членистоногие агенты, названные "unimals" (сокращение от universal animals), обучаются и подвергаются мутациям и естественному отбору. Исследователи изучили, как наличие виртуальных тел повлияло на эволюцию интеллекта агентов.
"Мы часто зацикливаемся на том, что интеллект - это функция человеческого мозга и конкретно нейронов, - говорит Фей-Фей Ли, член исследовательской группы и содиректор Стэнфордского института человеко-ориентированного ИИ (HAI). - Рассматривать интеллект как нечто физически воплощенное - это другая парадигма".
Результаты исследования, подробно описанные в журнале Nature Communications, свидетельствуют о том, что форма тела виртуальных существ влияет на их способность обучаться новым задачам, а морфологии, которые обучаются и развиваются в более сложных условиях или при выполнении более сложных задач, обучаются быстрее и лучше, чем те, которые обучаются и развиваются в простых условиях. По результатам исследования, unimal с наиболее успешной морфологией также быстрее осваивали задачи, чем предыдущие поколения - даже если они начинали свое существование с тем же уровнем базового интеллекта, что и предыдущие.
"Насколько нам известно, это первая симуляция, показывающая, что обучение в течение жизни можно ускорить, просто изменив морфологию", - говорит соавтор исследования Сурия Гангули, доцент кафедры прикладной физики Школы гуманитарных наук и помощник директора HAI.
Алгоритм команды, названный DERL (Deep Evolutionary Reinforcement Learning), может помочь исследователям разработать роботов, оптимизированных для выполнения реальных задач в реальных условиях. "Если мы хотим, чтобы эти агенты сделали нашу жизнь лучше, нам нужно, чтобы они взаимодействовали в мире, в котором мы живем", - сказал первый автор исследования, аспирант факультета компьютерных наук Агрим Гупта.
Чтобы понять эволюцию воплощенного интеллекта, команда изменяла не только форму тела unimals, но и среду их обучения и задачи, которые они выполняли. Все эти переменные были гораздо сложнее, чем в предыдущих работах, говорит Гангули.
Команда также приняла схему дарвиновской эволюции в качестве турнира, чтобы обеспечить каждой морфологии, не имеющей аналогов, более одной возможности преуспеть и быть переданной следующему поколению. Такой подход позволил сохранить разнообразие в популяции unimals, а также снизить вычислительные затраты на моделирование.
Каждая симуляция начиналась с 576 уникальных unimals, состоящих из "сферы" (головы) и "тела", состоящего из разного количества соединенных цилиндрических конечностей, расположенных в различном порядке. Все животные воспринимали мир одинаково и начинали с одинаковых нейронных архитектур и алгоритмов обучения. Другими словами, все животные начинали свою виртуальную жизнь с одинаковым уровнем интеллекта - различались только формы их тел.
Затем каждый unimals проходил этап обучения, в ходе которого он перемещался либо по ровной местности, либо по более сложной, включающей блоки, ступеньки и пологие холмы. Некоторые из животных должны были переместить блок в заданное место. После обучения каждый агент участвовал в турнире с тремя другими, которые были обучены на той же задаче в той же среде. Победитель был выбран для получения "потомства", которое претерпело единственную мутацию, связанную с изменением конечностей, прежде чем столкнуться с теми же задачами, что и его "родитель". Все агенты (включая победителей) участвовали в нескольких турнирах.
После того как было обучено 4000 различных морфологий, исследователи завершили симуляцию. К этому моменту "выжившие" агенты прошли в среднем через 10 поколений эволюции, а успешные морфологии были удивительно разнообразны, включая двуногих, трехногих, четвероногих с руками и без.
После завершения трех эволюционных циклов для каждой среды (4000 морфологий в каждом цикле) Гупта и его коллеги отобрали 10 лучших особей из каждой среды и обучили их с нуля восьми совершенно новым задачам, таким как обход препятствий, манипулирование мячом или толкание ящика вверх по склону.
В результат агенты, эволюционировавшие в условиях переменного рельефа, показали лучшие результаты, чем те, кто эволюционировал на ровной местности. Наиболее успешные животные также быстрее обучались как индивидуально (достигая лучших результатов при меньшем количестве тренировок), так и в будущих поколениях. Действительно, через 10 поколений наиболее успешные морфологии unimals стали настолько хорошо адаптироваться, что научились выполнять одну и ту же задачу за вдвое меньшее время, чем их самые ранние предки.
Поскольку агенты, развивающиеся в более сложных условиях, быстрее и лучше осваивают новые задачи, Гупта и его коллеги считают, что если позволить агентам развиваться во все более сложных условиях, то это поможет разработать роботов, которые смогут научиться выполнять множество задач в реальном мире.
Комментарии
(0) Добавить комментарий