Games worden al lang gebruikt als proeftuinen en benchmarks voor kunstmatige intelligentie, en er is de afgelopen maanden geen gebrek aan prestaties geweest. Google DeepMind's AlphaGo en pokerbot Libratus van Carnegie Mellon University hebben beide menselijke experts verslagen in games die traditioneel moeilijk waren voor AI - zo'n 20 jaar nadat IBM's DeepBlue dezelfde prestatie in het schaken had bereikt.

Spellen als deze hebben de aantrekkingskracht van duidelijk gedefinieerde regels; ze zijn relatief eenvoudig en goedkoop voor AI-onderzoekers om mee te werken, en ze bieden een verscheidenheid aan cognitieve uitdagingen op elke gewenste moeilijkheidsgraad. Door algoritmen uit te vinden die ze goed spelen, onderzoekers hopen inzicht te krijgen in de mechanismen die nodig zijn om autonoom te functioneren.

Met de komst van de nieuwste technieken op het gebied van AI en machine learning, de aandacht verschuift nu naar visueel gedetailleerde computergames, waaronder de 3D-shooter Doom, verschillende 2-D Atari-spellen zoals Pong en Space Invaders, en het realtime strategiespel StarCraft.

Dit is allemaal zeker vooruitgang, maar een belangrijk onderdeel van het grotere AI-beeld wordt over het hoofd gezien. Onderzoek heeft prioriteit gegeven aan games waarin alle acties die kunnen worden uitgevoerd vooraf bekend zijn, of het nu gaat om het verplaatsen van een ridder of het afvuren van een wapen. De computer krijgt vanaf het begin alle opties en de focus ligt op hoe goed hij kiest. Het probleem is dat dit AI-onderzoek loskoppelt van de taak om computers echt autonoom te maken.

Bananenschillen

Computers laten bepalen welke acties zelfs in een bepaalde context bestaan, brengt conceptuele en praktische uitdagingen met zich mee die game-onderzoekers tot nu toe nauwelijks hebben geprobeerd op te lossen. Het "aap en bananen"-probleem is een voorbeeld van een al lang bestaand AI-raadsel waarin recentelijk geen vooruitgang is geboekt.

Het probleem werd oorspronkelijk gesteld door John McCarthy, een van de grondleggers van AI, in 1963:er is een kamer met een stoel, een stok, een aap en een tros bananen die aan een plafondhaak hangen. De taak is dat een computer een reeks acties bedenkt om de aap in staat te stellen de bananen te verwerven.

McCarthy maakte een belangrijk onderscheid tussen twee aspecten van deze taak in termen van kunstmatige intelligentie. Fysieke haalbaarheid – bepalen of een bepaalde reeks handelingen fysiek realiseerbaar is; en epistemische of kennisgerelateerde haalbaarheid - bepalen welke mogelijke acties voor de aap daadwerkelijk bestaan.

Bepalen wat fysiek haalbaar is voor de aap is heel eenvoudig voor een computer als hem alle mogelijke acties van tevoren worden verteld - "klim op stoel", "golfstok" enzovoort. Een eenvoudig programma dat de computer instrueert om alle mogelijke reeksen handelingen één voor één te doorlopen, zal snel tot de beste oplossing komen.

Als de computer eerst moet bepalen welke acties überhaupt mogelijk zijn, echter, het is een veel moeilijkere uitdaging. Het roept vragen op over hoe we kennis vertegenwoordigen, de noodzakelijke en voldoende voorwaarden om iets te weten, en hoe we weten wanneer er voldoende kennis is opgedaan. Door deze problemen onder de aandacht te brengen, McCarthy zei:"Ons uiteindelijke doel is om programma's te maken die net zo effectief leren van hun ervaringen als mensen."

Totdat computers problemen kunnen aanpakken zonder een vooraf bepaalde beschrijving van mogelijke acties, dit doel kan niet worden bereikt. Het is jammer dat AI-onderzoekers dit negeren:niet alleen zijn deze problemen moeilijker en interessanter, ze lijken een voorwaarde om verdere betekenisvolle vooruitgang in het veld te boeken.

Tekst beroep

Autonoom opereren in een complexe omgeving, het is onmogelijk om van tevoren te beschrijven hoe de objecten daar het beste kunnen worden gemanipuleerd, of zelfs gekarakteriseerd. Computers leren om deze moeilijkheden te omzeilen, leidt onmiddellijk tot diepgaande vragen over het leren van eerdere ervaringen.

In plaats van te focussen op games als Doom of StarCraft, waar het mogelijk is om dit probleem te vermijden, een meer veelbelovende test voor moderne AI zou het bescheiden tekstavontuur uit de jaren zeventig en tachtig kunnen zijn.

In de dagen voordat computers geavanceerde grafische mogelijkheden hadden, spellen als Colossal Cave en Zork waren populair. Spelers werden geïnformeerd over hun omgeving door middel van berichten op het scherm:

Ze moesten reageren met eenvoudige instructies, meestal in de vorm van een werkwoord of een werkwoord plus een zelfstandig naamwoord - "look", "pakdoos" enzovoort. Een deel van de uitdaging was om uit te zoeken welke acties mogelijk en nuttig waren en daarop in te spelen.

Een mooie uitdaging voor moderne AI zou zijn om de rol van een speler op zich te nemen in zo'n avontuur. De computer zou de tekstbeschrijvingen op het scherm moeten begrijpen en daarop moeten reageren met acties, met behulp van een voorspellend mechanisme om hun waarschijnlijke effect te bepalen.

Meer geavanceerd gedrag op een deel van de computer zou het verkennen van de omgeving inhouden, doelen definiëren, het maken van doelgerichte actiekeuzes en het oplossen van de verschillende intellectuele uitdagingen die doorgaans nodig zijn om vooruitgang te boeken.

Hoe goed zijn moderne AI-methoden van het soort dat wordt gepromoot door techreuzen als IBM, Google, Facebook of Microsoft zouden het doen in deze tekstavonturen is een open vraag - net als hoeveel specialistische menselijke kennis ze nodig zouden hebben voor elk nieuw scenario.

Om de voortgang op dit gebied te meten, de afgelopen twee jaar hebben we een wedstrijd gehouden op de IEEE Conference on Computational Intelligence and Games, die dit jaar in augustus in Maastricht in Nederland plaatsvindt. Deelnemers dienen vooraf inzendingen in, en kunnen de AI-technologie van hun keuze gebruiken om programma's te bouwen die deze spellen kunnen spelen door een tekstbeschrijving te begrijpen en in ruil daarvoor geschikte tekstopdrachten uit te voeren.

Kortom, onderzoekers moeten hun prioriteiten heroverwegen als AI vooruitgang wil blijven boeken. Als het blootleggen van de verwaarloosde wortels van de discipline vruchtbaar blijkt, the monkey may finally gets his bananas after all.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees het originele artikel.