Zoals Charles Darwin schreef aan het einde van zijn baanbrekende boek uit 1859 On the Origin of the Species, "terwijl deze planeet is blijven fietsen volgens de vaste wet van de zwaartekracht, van zo eenvoudig een begin zijn eindeloze vormen de mooiste en meest wonderbaarlijke geweest, en zijn, geëvolueerd." Wetenschappers hebben sinds lang geloofd dat de diversiteit en het bereik van levensvormen op aarde het bewijs leveren dat biologische evolutie spontaan innoveert op een open manier, voortdurend nieuwe dingen uitvinden. Echter, pogingen om kunstmatige simulaties van evolutionaire systemen te construeren, lopen vaak tegen grenzen aan in de complexiteit en nieuwheid die ze kunnen produceren. Dit wordt soms 'het probleem van open einde' genoemd. Door deze moeilijkheid, daten, wetenschappers kunnen niet gemakkelijk kunstmatige systemen maken die de rijkdom en diversiteit van biologische systemen kunnen vertonen.

In een nieuwe studie gepubliceerd in het tijdschrift Kunstmatig leven , een onderzoeksteam onder leiding van Nicholas Guttenberg en Nathaniel Virgo van het Earth-Life Science Institute (ELSI) van het Tokyo Institute of Technology, Japan, en Alexandra Penn van het Center for Evaluation of Complexity Across the Nexus (CECAN), Universiteit van Surrey, VK (CRESS), onderzoek het verband tussen biologische evolutionaire openheid en recente studies in machine learning. Ze hoopten dat het verbinden van ideeën uit deze velden het mogelijk zou maken om neurale netwerken te combineren met de motivaties en ideeën van kunstmatig leven om nieuwe vormen van openheid te creëren.

Een bron van openheid in evoluerende biologische systemen is de 'wapenwedloop' van overleven. Bijvoorbeeld, snellere vossen kunnen evolueren om snellere konijnen te vangen, die op zijn beurt kan evolueren om nog sneller te worden om weg te komen van de snellere vossen. Dit idee wordt weerspiegeld in recente ontwikkelingen waarbij netwerken met elkaar in concurrentie worden geplaatst om bijvoorbeeld realistische beelden te produceren met behulp van generatieve adversariële netwerken (GAN's) en om strategieën te ontdekken in complexe games zoals Go. in de evolutie, factoren zoals mutatie kunnen de omvang van een dergelijke wapenwedloop beperken. Echter, naarmate neurale netwerken zijn opgeschaald, een dergelijke beperking lijkt niet te bestaan, en het netwerk kan blijven verbeteren naarmate aanvullende gegevens naar hun algoritmen worden gevoerd.

Guttenberg bestudeert evolutionaire openheid sinds de graduate school, maar pas de laatste jaren verschoof zijn focus naar kunstmatige intelligentie en neurale netwerken. Rond die tijd, methoden zoals GAN's werden uitgevonden, wat hem erg veel leek op de co-evolutionaire systemen met een open einde waaraan hij eerder had gewerkt. Hij zag een kans om een ​​barrière tussen de velden af ​​te breken om vooruitgang te boeken op een interessant probleem.

De onderzoekers toonden aan dat hoewel ze schaalanalyses kunnen gebruiken om een ​​open einde aan te tonen in evolutionaire en cognitieve contexten, er is een verschil tussen iets maken dat, bijvoorbeeld, wordt oneindig goed in het maken van kattenfoto's en iets dat, moe van het maken van kattenfoto's, besluit in plaats daarvan muziek te maken. In kunstmatige evolutionaire systemen, op dit soort grote kwalitatieve sprongen moet de programmeur anticiperen - ze zouden een kunstmatige wereld moeten maken waarin muziek voor de 'organismen' mogelijk is om te besluiten musici te zijn. In systemen zoals neurale netwerken, concepten zoals abstractie zijn gemakkelijker te vangen, en populaties van op elkaar inwerkende agenten zouden nieuwe problemen kunnen creëren die onderling moeten worden opgelost.

Dit werk roept een aantal diepe en interessante vragen op. Bijvoorbeeld, als de drang naar kwalitatief andere nieuwigheid in een computersysteem intern voortkomt uit abstractie, wat bepaalt de "betekenis" van de nieuwigheid die kunstmatige systemen genereren? Machinaal leren heeft soms geleid tot het creëren van kunstmatige talen door computeragenten op elkaar te laten werken, maar deze talen zijn nog steeds gebaseerd op de taak die de agenten samenwerken om op te lossen. Als de agenten echt vertrouwen op de interacties binnen het systeem om een ​​open einde te maken, ver van wat er als uitgangsmateriaal werd aangeboden, zou het zelfs mogelijk zijn om de dingen die naar buiten komen te herkennen of te interpreteren, of zou men inheems moeten zijn in zo'n systeem om de rijkdom ervan te begrijpen?

uiteindelijk, deze studie suggereert dat het misschien mogelijk is om kunstmatige systemen te maken die autonoom en continu nieuwe dingen bedenken of ontdekken, wat een aanzienlijke vooruitgang zou betekenen op het gebied van kunstmatige intelligentie, en kan helpen bij het begrijpen van de evolutie en oorsprong van het leven.