Eelmisel kuul kannatas iseõppinud AI-mängijate meeskond tähelepanuväärse lüüasaamise professionaalsete esportmängijate vastu. Rahvusvahelise maailmameistrivõistluse Dota 2 raames toimunud näitusemäng näitas, et meeskonna strateegiline mõtlemine võimaldab inimesel ikkagi auto üle võita.
Kaasatud AI-d olid OpenAI välja töötatud mitmed algoritmid, mille üks asutajaid on Elon Musk. Digitaalmängijate kollektiiv, nimega OpenAI Five, õppis Dota 2 mängima omaette, katse-eksituse meetodil, omavahel konkureerides.
Erinevalt samast male- või laualoogikamängust Go, peetakse populaarset ja kiiresti arenevat mitme mängijaga mängu Dota 2 tehisintellekti testimiseks palju tõsisemaks väljaks. Mängu üldine raskus on vaid üks tegur. Ei piisa ainult hiirega väga kiiresti klõpsamisest ja käskluste andmisest teie juhitavale tegelasele. Võitmiseks on vaja intuitsiooni ja arusaamist sellest, mida järgmisel hetkel vastast oodata võib, samuti tegutseda selle teadmiste komplekti kohaselt adekvaatselt, et tulla kokku ühiste püüdlustega ühise eesmärgi - võidu - poole. Arvutil pole seda funktsioonide komplekti.
Praeguseks pole isegi kõige silmapaistvamal süvaõppega arvutialgoritmil strateegilist mõtlemist, mis on vajalik eesmärkide mõistmiseks tema vastase ülesannetest, olgu see siis teine AI või inimene.
Wangi sõnul peab AI õnnestumiseks olema sügav suhtlemisoskus, mis tuleneb inimese kõige olulisemast kognitiivsest tunnusest - intelligentsuse olemasolust.
Vaimse seisundi mudel kui simulatsioon
Reklaamvideo:
Nelja-aastaselt hakkavad lapsed tavaliselt mõistma ühte põhilist sotsiaalset joont: nende meelsus erineb teiste omast. Nad hakkavad mõistma, et igaühel on see, millesse nad usuvad, oma soovid, emotsioonid ja kavatsused. Ja mis kõige tähtsam, kujutledes end teiste asemele, saavad nad hakata ennustama nende inimeste edasist käitumist ja neid seletama. Mõnes mõttes hakkavad nende ajud looma enda sees mitu simulatsiooni, asendades end teiste inimeste asemele ja asetades end teise keskkonda.
Vaimse seisundi mudel on oluline enda kui inimese mõistmisel ning mängib olulist rolli ka sotsiaalses suhtluses. Teiste mõistmine on tõhusa suhtlemise ja ühiste eesmärkide saavutamise võti. Kuid see võime võib olla ka valede uskumuste - ideede, mis viivad meid objektiivsest tõest eemale - tõukejõuks. Niipea kui vaimse seisundi mudeli kasutamise oskus on halvenenud, näiteks see juhtub autismi korral, halvenevad ka looduslikud "inimlikud" oskused, näiteks oskus seletada ja ette kujutada.
Lääne-Inglismaa ülikooli robootikaprofessori dr Alan Winfieldi sõnul on vaimse seisundi mudel ehk "meeleteooria" võtmeelement, mis võimaldab ühel päeval AI-l inimestest, asjadest ja muudest robotitest "aru saada".
Masinõppe meetodite asemel, kus närvivõrkude mitu kihti eraldavad üksikuid andmeid ja "uurivad" tohutuid andmebaase, soovitab Winston kasutada teistsugust lähenemisviisi. Õppimisele toetumise asemel soovitab Winston AI eelprogrammeerida enda ja keskkonna sisemudeliga, mis vastab lihtsatele küsimustele „mis siis, kui?”.
Kujutage näiteks ette, et kaks robotit liiguvad mööda kitsast koridori, nende AI saab simuleerida edasiste toimingute tulemusi, mis takistavad nende kokkupõrget: pöörake vasakule, paremale või jätkake otse. See sisemudel toimib sisuliselt "tagajärjemehhanismina", toimides omamoodi "terve mõistusena", mis aitab suunata AI järgmisele õigele tegevusele, ennustades olukorra edasist arengut.
Selle aasta alguses avaldatud uuringus demonstreeris Winston prototüübi robotit, mis on võimeline selliseid tulemusi saavutama. Ennustades teiste käitumist, läbis robot edukalt koridori ilma kokkupõrgeteta. Tegelikult pole see üllatav, märgib autor, kuid "tähelepanelikul" robotil, kasutades probleemi lahendamiseks simuleeritud lähenemisviisi, kulus koridori valmimiseks 50 protsenti kauem. Sellest hoolimata tõestas Winston, et tema sisemise simulatsiooni meetod töötab: "See on väga võimas ja huvitav lähtepunkt tehisintellekti teooria arendamisel," tegi teadlane järelduse.
Winston loodab, et lõpuks saavutab AI oskuse olukordi kirjeldada, vaimselt paljundada. Enda ja teiste sisemudel võimaldab sellisel AI-l simuleerida erinevaid stsenaariume ja, mis veelgi olulisem, määrata igaühe jaoks konkreetsed eesmärgid.
See erineb oluliselt sügava õppe algoritmidest, mis põhimõtteliselt ei suuda selgitada, miks nad mingi probleemi lahendamisel selle või teise järelduse juurde jõudsid. Süvaõppe musta kasti mudel on selliste süsteemide usaldamisel tõeline probleem. See probleem võib eriti teravaks muutuda näiteks haiglatele või eakatele mõeldud õendusrobotite väljatöötamisel.
Vaimse seisundi mudeliga relvastatud AI võiks panna end oma meistrite kingadesse ja õigesti mõista, mida sellest soovitakse. Siis oskas ta leida sobivad lahendused ja pärast nende otsuste selgitamist inimesele täidab ta juba talle pandud ülesannet. Mida vähem on ebakindlust otsuste vastu, seda suurem on usaldus selliste robotite vastu.
Vaimse seisundi mudel närvivõrgus
DeepMind kasutab teistsugust lähenemist. Tagajärgede mehhanismi algoritmi eelprogrammeerimise asemel on nad välja töötanud mitu närvivõrgustikku, mis on sarnased kollektiivse psühholoogilise käitumise mudeliga.
AI algoritm "ToMnet" saab toiminguid õppida, jälgides teisi neutronivõrke. ToMNet ise on kolme närvivõrgu kollektiiv: esimene põhineb teiste AI-de valimise iseärasustel vastavalt nende viimasele tegevusele. Teine moodustab praeguse meeleolu üldkontseptsiooni - nende uskumused ja kavatsused teatud ajahetkel. Kahe närvivõrgu töö kollektiivse tulemuse saab kolmas, mis ennustab AI edasisi tegevusi vastavalt olukorrale. Nagu sügava õppimise korral, muutub ka ToMnet tõhusamaks, kui omandab kogemusi teiste järgimisega.
Ühes katses "jälgis" ToMnet "kolme AI agenti manööverdamist digiruumis, kogudes värvilisi kaste. Igal neil AI-l oli oma eripära: üks oli "pime" - ei suutnud ruumi kuju ja paigutust kindlaks teha. Teine oli "sklerootik": ta ei suutnud oma viimaseid samme meelde jätta. Kolmas võis nii näha kui ka mäletada.
Pärast väljaõpet hakkas ToMnet ennustama iga AI eelistusi, jälgides selle toiminguid. Näiteks "pime" liikus pidevalt ainult mööda seinu. ToMnet mäletas seda. Algoritm suutis ka õigesti ennustada AI edasist käitumist ja, mis veelgi olulisem, aru saada, millal AI leidis keskkonna valet kujutamist.
Ühes testis programmeeris teadlaste meeskond ühte müokoopia jaoks AI-d ja muutis ruumi paigutust. Normaalse nägemisega agendid kohanesid uue paigutusega kiiresti, kuid lühinägelik mees jätkas oma algset marsruuti, uskudes ekslikult, et viibib endiselt vanas keskkonnas. ToMnet pani selle funktsiooni kiiresti tähele ja ennustas agendi käitumist täpselt, seades end oma kohale.
California Berkeley ülikooli arengupsühholoogi dr Alison Gopniku sõnul, kes ei olnud nendesse uuringutesse kaasatud, kuid kes tulemusi avastas, näitavad need tulemused, et närvivõrkudel on hämmastav võime õppida erinevaid oskusi iseseisvalt, teiste jälgimise kaudu. Samal ajal on eksperdi sõnul veel väga vara öelda, et need AI-d on välja töötanud vaimse seisundi kunstliku mudeli.
Massachusettsi tehnoloogiainstituudi dr Josh Tenebaumi sõnul, kes samuti uuringuga ei tegelenud, on ToMneti “mõistmine” tugevalt seotud õpikeskkonna kontekstiga - sama ruum ja konkreetsed AI agendid, kelle ülesandeks oli kastide korjamine. See piirang teatud raamistikus muudab ToMneti vähem efektiivseks käitumise ennustamisel radikaalselt uues keskkonnas, mitte samadel lastel, kes saavad uute olukordadega kohaneda. Algoritm ei saa teadlase sõnul hakkama täiesti teise AI või inimese toimingute modelleerimisega.
Igal juhul näitab Winstoni ja DeepMindi töö, et arvutid on hakanud näitama üksteise mõistmise alget, isegi kui see arusaam on alles algeline. Ja kui nad seda oskust täiendavad, mõistdes üksteist üha paremini, saabub aeg, mil masinad saavad aru meie enda teadvuse keerukusest ja keerukusest.
Nikolai Khizhnyak
