Derfor kan AI aldrig nå sit fulde potentiale uden en krop

Hvis vi i fremtiden skal have meningsfuld og ordentlig kommunikation med kunstig intelligens, kræver det at den kunstige intelligens har en social forståelse og en ’selvforståelse’. Det kræver imidlertid en fysisk krop skriver professor i Computer Science Mark Lee fra Aberystwyth University i Wales i artiklen Why AI can’t ever reach its full potential without a physical body i The Conversation. techst har fået lov til at låne artiklen.

Kunstig intelligens ser ud til at gøre enorme fremskridt. Det er blevet nøgleteknologien bag selvkørende biler, automatiske oversættelsessystemer, tale- og tekstanalyse, billedbehandling og alle former for diagnose- og genkendelsessystemer. I mange tilfælde kan AI overgå selv de bedste menneskelige præstationer ved specifikke opgaver.

Vi er vidne til fremkomsten af en ny kommerciel industri med intens aktivitet, massive økonomiske investeringer og et enormt potentiale.

Det ser ud til, at der ikke findes områder, som ikke kan forbedres med AI – ingen opgaver, der ikke kan automatiseres, ingen problemer, der ikke – i det mindste delvist – kan afhjælpes med en AI-applikation.

Men er det helt rigtigt?

Teoretiske studier af computerens databehandling har vist, at der er nogle ting, der ikke kan computerberegnes.

Alan Turing, den strålende matematiker og kodebryder, beviste, at nogle computerberegninger måske aldrig bliver færdige (mens andre ville tage år eller endda århundreder).

For eksempel kan vi let beregne et par træk forud i et spil skak, men det er helt umuligt at beregne samtlige mulige træk til slutningen af et typisk skakspil med 80 træk. Selv ved hjælp af en af verdens hurtigste supercomputere, der kører med over hundrede tusind billioner operationer pr. sekund, vil det tage over et år at udforske bare en lille del af de mulige træk i skak. Dette er også kendt som opskaleringsproblemet.

Tidlig AI-forskning producerede ofte gode resultater på et lille antal kombinationer af et problem som for eksempel ’kryds og bolle’, men var ude af stand til at håndtere større problemstillinger som eksempelvis antallet af mulige træk i skak.

Mark Lee er professor i Computer Science

Heldigvis har moderne AI udviklet alternative måder at håndtere sådanne problemer på. De kan slå verdens bedste skakspillere, ikke ved at se på alle mulige kommende træk, men ved at se meget længere end det menneskelige sind kan klare. Det gør det ved at bruge metoder, der involverer tilnærmelser, sandsynlighedsestimater, store neurale netværk og andre maskinlæringsteknikker.

Men dette er i virkeligheden problemer inden for datalogi og ikke kunstig intelligens. Er der nogen grundlæggende begrænsninger for, at AI fungerer intelligent? Et alvorligt problem bliver klart, når vi overvejer interaktion mellem menneske og computer. Der er en bred forventning om, at fremtidige AI-systemer vil kommunikere med og hjælpe mennesker i venlige, fuldt interaktive, sociale udvekslinger.

Theory of mind

Selvfølgelig har vi allerede primitive versioner af sådanne systemer. Men lydkommandosystemer (som fx Google højtalere, red.) og script-behandling i call-center-stil foregiver bare at være samtaler.

Men det, der er behov for, er ordentlige sociale interaktioner, der involverer frit flydende samtaler over længere tid, hvor AI-systemer husker personen og deres tidligere samtaler. AI bliver nødt til at forstå intentioner og overbevisninger og betydningen af, hvad folk siger.

Det kræver imidlertid det, der i psykologien er kendt som Theory of mind – en forståelse af, at den person, du er involveret i, har en måde at tænke på og groft sagt ser verden på samme måde som du gør. Så når nogen taler om deres oplevelser, kan du identificere dig med det og sætte pris på, hvad de beskriver, og hvordan det relaterer til dig selv.

Vi observerer også andre personers handlinger og udleder deres intentioner og præferencer ud fra bevægelser og signaler. Så når Sally siger, “Jeg tror, at John kan lide Zoe, men han tror ikke at Zoe kan lide ham”, ved vi, at Sally har en førsteordens model af sig selv (sine egne tanker), en andenordens model af Johns tanker og en tredje ordens model af, hvad John tror, Zoe tænker. Bemærk, at vi er nødt til at have lignende oplevelser i livet for at forstå dette.

Fysisk læring

Det er klart, at al denne sociale interaktion kun giver mening for de involverede parter, hvis de har en ’følelse af sig selv’ og på lignende måde kan opretholde en model for den anden person. For at forstå en anden er det nødvendigt at kende sig selv.

En AI ’selvmodel’ skal omfatte et subjektivt perspektiv, der involverer, hvordan dets krop fungerer (for eksempel afhænger den visuelle synsvinkel af den fysiske placering af øjnene), et detaljeret kort over sit eget rum og et repertoire af velkendte færdigheder og handlinger.

Det betyder, at en fysisk krop er påkrævet for at kunne afgrænse følelsen af ´sig selv’ i konkrete data og erfaringer. Når en handling fra en person observeres af en anden, kan den forstås gensidigt gennem de delte erfaringer. Dette betyder, at en social AI er nødt til at blive realiseret i robotter med kroppe.

Hvordan skulle en softwarekasse kunne have et subjektivt syn på og af den fysiske verden, den verden mennesker lever i? Vores samtalesystemer skal ikke bare være indlejret, men indbygget.

En designer kan ikke effektivt opbygge en software, der har en selvfølelse, til en robot. Hvis en subjektiv synsvinkel blev designet fra starten, ville det være designerens egen synsvinkel. Desuden ville det også være nødvendigt at lære og håndtere oplevelser, som designeren ikke kendte. Så det vi har brug for, er at designe er en ramme, der understøtter indlæringen af en subjektiv synsvinkel.

Heldigvis er der en vej ud af disse vanskeligheder. Mennesker står over for nøjagtigt de samme problemer, men de løser ikke dem alle på én gang.

I min nye bog, How to Grow a Robot. Developing Human-Friendly, Social AI, undersøger jeg eksperimenterne på dette felt.

De første barndomsår viser utrolige udviklingsmæssige fremskridt, hvor vi lærer, hvordan vi styrer vores kroppe, og hvordan vi opfatter og oplever objekter, personer og miljøer. Vi lærer også, hvordan man handler og hvad der konsekvenserne af vores handlinger.

Forskning inden for det nye felt for udviklingsrobotik undersøger nu, hvordan robotter kan lære fra bunden, som spædbørn. De første faser involverer at opdage egenskaberne ved passive genstande og ’fysikken’ i robottens verden. Senere bemærker og kopierer robotter interaktioner med personer (plejere) efterfulgt af gradvis mere kompleks opbygning af selvet i sammenhæng med omgivelserne.

Så mens kropsløs AI bestemt har en grundlæggende begrænsning, kan fremtidig forskning med robotkroppe en dag hjælpe med at skabe varige, empatiske, sociale interaktioner mellem AI og mennesker.

Læs den originale artikel

Oversat og bearbejdet af Uffe Lynglund for techst

Denne uge:

Derfor kan AI aldrig nå sit fulde potentiale uden en krop

Hvis vi i fremtiden skal have meningsfuld og ordentlig kommunikation med kunstig intelligens, kræver det at den kunstige intelligens har en social forståelse og en ’selvforståelse’. Det kræver imidlertid en fysisk krop skriver professor i Computer Science Mark Lee fra Aberystwyth University i Wales i artiklen Why AI can’t ever reach its full potential without a physical body i The Conversation. techst har fået lov til at låne artiklen.

Kunstig intelligens ser ud til at gøre enorme fremskridt. Det er blevet nøgleteknologien bag selvkørende biler, automatiske oversættelsessystemer, tale- og tekstanalyse, billedbehandling og alle former for diagnose- og genkendelsessystemer. I mange tilfælde kan AI overgå selv de bedste menneskelige præstationer ved specifikke opgaver.

Vi er vidne til fremkomsten af en ny kommerciel industri med intens aktivitet, massive økonomiske investeringer og et enormt potentiale.

Det ser ud til, at der ikke findes områder, som ikke kan forbedres med AI – ingen opgaver, der ikke kan automatiseres, ingen problemer, der ikke – i det mindste delvist – kan afhjælpes med en AI-applikation.

Men er det helt rigtigt?

Teoretiske studier af computerens databehandling har vist, at der er nogle ting, der ikke kan computerberegnes.

Alan Turing, den strålende matematiker og kodebryder, beviste, at nogle computerberegninger måske aldrig bliver færdige (mens andre ville tage år eller endda århundreder).

For eksempel kan vi let beregne et par træk forud i et spil skak, men det er helt umuligt at beregne samtlige mulige træk til slutningen af et typisk skakspil med 80 træk. Selv ved hjælp af en af verdens hurtigste supercomputere, der kører med over hundrede tusind billioner operationer pr. sekund, vil det tage over et år at udforske bare en lille del af de mulige træk i skak. Dette er også kendt som opskaleringsproblemet.

Tidlig AI-forskning producerede ofte gode resultater på et lille antal kombinationer af et problem som for eksempel ’kryds og bolle’, men var ude af stand til at håndtere større problemstillinger som eksempelvis antallet af mulige træk i skak.

Mark Lee er professor i Computer Science

Heldigvis har moderne AI udviklet alternative måder at håndtere sådanne problemer på. De kan slå verdens bedste skakspillere, ikke ved at se på alle mulige kommende træk, men ved at se meget længere end det menneskelige sind kan klare. Det gør det ved at bruge metoder, der involverer tilnærmelser, sandsynlighedsestimater, store neurale netværk og andre maskinlæringsteknikker.

Men dette er i virkeligheden problemer inden for datalogi og ikke kunstig intelligens. Er der nogen grundlæggende begrænsninger for, at AI fungerer intelligent? Et alvorligt problem bliver klart, når vi overvejer interaktion mellem menneske og computer. Der er en bred forventning om, at fremtidige AI-systemer vil kommunikere med og hjælpe mennesker i venlige, fuldt interaktive, sociale udvekslinger.

Theory of mind

Selvfølgelig har vi allerede primitive versioner af sådanne systemer. Men lydkommandosystemer (som fx Google højtalere, red.) og script-behandling i call-center-stil foregiver bare at være samtaler.

Men det, der er behov for, er ordentlige sociale interaktioner, der involverer frit flydende samtaler over længere tid, hvor AI-systemer husker personen og deres tidligere samtaler. AI bliver nødt til at forstå intentioner og overbevisninger og betydningen af, hvad folk siger.

Det kræver imidlertid det, der i psykologien er kendt som Theory of mind – en forståelse af, at den person, du er involveret i, har en måde at tænke på og groft sagt ser verden på samme måde som du gør. Så når nogen taler om deres oplevelser, kan du identificere dig med det og sætte pris på, hvad de beskriver, og hvordan det relaterer til dig selv.

Vi observerer også andre personers handlinger og udleder deres intentioner og præferencer ud fra bevægelser og signaler. Så når Sally siger, “Jeg tror, at John kan lide Zoe, men han tror ikke at Zoe kan lide ham”, ved vi, at Sally har en førsteordens model af sig selv (sine egne tanker), en andenordens model af Johns tanker og en tredje ordens model af, hvad John tror, Zoe tænker. Bemærk, at vi er nødt til at have lignende oplevelser i livet for at forstå dette.

Fysisk læring

Det er klart, at al denne sociale interaktion kun giver mening for de involverede parter, hvis de har en ’følelse af sig selv’ og på lignende måde kan opretholde en model for den anden person. For at forstå en anden er det nødvendigt at kende sig selv.

En AI ’selvmodel’ skal omfatte et subjektivt perspektiv, der involverer, hvordan dets krop fungerer (for eksempel afhænger den visuelle synsvinkel af den fysiske placering af øjnene), et detaljeret kort over sit eget rum og et repertoire af velkendte færdigheder og handlinger.

Det betyder, at en fysisk krop er påkrævet for at kunne afgrænse følelsen af ´sig selv’ i konkrete data og erfaringer. Når en handling fra en person observeres af en anden, kan den forstås gensidigt gennem de delte erfaringer. Dette betyder, at en social AI er nødt til at blive realiseret i robotter med kroppe.

Hvordan skulle en softwarekasse kunne have et subjektivt syn på og af den fysiske verden, den verden mennesker lever i? Vores samtalesystemer skal ikke bare være indlejret, men indbygget.

En designer kan ikke effektivt opbygge en software, der har en selvfølelse, til en robot. Hvis en subjektiv synsvinkel blev designet fra starten, ville det være designerens egen synsvinkel. Desuden ville det også være nødvendigt at lære og håndtere oplevelser, som designeren ikke kendte. Så det vi har brug for, er at designe er en ramme, der understøtter indlæringen af en subjektiv synsvinkel.

Heldigvis er der en vej ud af disse vanskeligheder. Mennesker står over for nøjagtigt de samme problemer, men de løser ikke dem alle på én gang.

I min nye bog, How to Grow a Robot. Developing Human-Friendly, Social AI, undersøger jeg eksperimenterne på dette felt.

De første barndomsår viser utrolige udviklingsmæssige fremskridt, hvor vi lærer, hvordan vi styrer vores kroppe, og hvordan vi opfatter og oplever objekter, personer og miljøer. Vi lærer også, hvordan man handler og hvad der konsekvenserne af vores handlinger.

Forskning inden for det nye felt for udviklingsrobotik undersøger nu, hvordan robotter kan lære fra bunden, som spædbørn. De første faser involverer at opdage egenskaberne ved passive genstande og ’fysikken’ i robottens verden. Senere bemærker og kopierer robotter interaktioner med personer (plejere) efterfulgt af gradvis mere kompleks opbygning af selvet i sammenhæng med omgivelserne.

Så mens kropsløs AI bestemt har en grundlæggende begrænsning, kan fremtidig forskning med robotkroppe en dag hjælpe med at skabe varige, empatiske, sociale interaktioner mellem AI og mennesker.

Læs den originale artikel

Oversat og bearbejdet af Uffe Lynglund for techst

Log ind

Opret kundekonto

Dine personlige data vil blive anvendt til at understøtte din brugeroplevelse,, til at administrere adgang til din konto, og til andre formål, som er beskrevet i vores persondatapolitik.

Ja tak, jeg vil gerne have et gratis prøveabonnement og adgang til alle artikler

Enkelt abonnement


Abonnement

30 dages gratis prøveperiode. Herefter 49,00 DKK per måned. Dit abonnement bliver fornyet automatisk, når prøveperioden udløber. Du kan opsige abonnementet når du vil.

30 dages gratis prøveperiode. Herefter 49,00 DKK per måned

Varenummer (SKU): 40000 Varekategori:

Gruppeabonnement


Gruppeabonnement

Dit abonnement bliver fornyet automatisk, når prøveperioden udløber. Du kan opsige abonnementet når du vil.

30 dages gratis prøveperiode. Herefter Fra: 39,00 DKK per måned per medlem

Fra 5102550
Clear

Gruppemedlemmer:

Varenummer (SKU): 30000 Varekategori:

Gavekort


Tilbud

Gavekort

Gavekortet modtages som kode via e-mail og kan frit gives væk. Den første måned er stadig gratis ved brug af gavekort.

90,00 DKK120,00 DKK

3 måneder4 måneder
Ryd

Varenummer (SKU): N/A Varekategori: