Of een computer ooit voor een levend wezen kan doorgaan, is een van de belangrijkste uitdagingen voor onderzoekers op het gebied van kunstmatige intelligentie. Er zijn enorme vorderingen gemaakt in AI sinds Alan Turing voor het eerst creëerde wat nu de Turing-test wordt genoemd - of een machine intelligent gedrag zou kunnen vertonen dat gelijk is aan of niet te onderscheiden is van dat van een mens. Machines worstelen echter nog steeds met een van de fundamentele vaardigheden die een tweede natuur is voor mensen en andere levensvormen:levenslang leren. Dat wil zeggen, leren en ons aanpassen terwijl we een taak uitvoeren zonder eerdere taken te vergeten, of intuïtief kennis over te dragen die van de ene taak is verkregen naar een ander gebied.

Nu, met de steun van het DARPA Lifelong Learning Machines (L2M)-programma, hebben USC Viterbi-onderzoekers samengewerkt met collega's van instellingen uit de hele VS en de wereld aan een nieuwe bron voor de toekomst van AI-leren, om te bepalen hoe kunstmatige systemen met succes kunnen denken , handelen en aanpassen in de echte wereld, op dezelfde manier als levende wezens.

De paper, co-auteur van Dean's Professor of Electrical and Computer Engineering Alice Parker en Professor of Biomedical Engineering, and of Biokinesiology and Physical Therapy, Francisco Valero-Cuevas en hun onderzoeksteams, werd gepubliceerd in Nature Machine Intelligence , in samenwerking met professor Dhireesha Kudithipudi aan de Universiteit van Texas in San Antonio, samen met 22 andere universiteiten.

Het onderzoeksteam omvatte ook postdoctoraal onderzoeker in het ValeroLab, Ali Marjaninejad, Biomedical Engineering Ph.D. kandidaat Darío Urbina, en Electrical Engineering Ph.D. kandidaat Suraj Chakravarthi Raja. Het eerdere werk van het ValeroLab op het gebied van bio-geïnspireerde AI omvatte een AI-gestuurde robot ledemaat aangedreven door dierachtige pezen die kunnen leren lopen zonder voorafgaande kennis.

Valero-Cuevas zei dat het doel van deze publicatie was om onderzoekers in AI de komende decennia een go-to-resource te bieden, met de nadruk op het concept van levenslang leren in kunstmatige systemen. De blauwdruk schetst de ontwikkeling van een nieuw type machine-intelligentie dat fundamenteel zal zijn voor technologie van de volgende generatie, zoals zelfrijdende auto's, autonome robots en drones en intelligente prothesen, exoskeletten en draagbare apparaten.

Levenslang leren is een verzameling biologisch geïnspireerde mogelijkheden die we als vanzelfsprekend beschouwen, zoals het vermogen om nieuwe vaardigheden te verwerven zonder afbreuk te doen aan onze oude, het aanpassen aan veranderingen en het toepassen van eerder geleerde kennis op nieuwe taken.

"De manier waarop jij en ik leren is door ervaring, imitatie en zelfonderzoek en alleen omdat je een nieuwe taak leert, betekent niet dat je eerdere taken vergeet," zei Valero-Cuevas. "Mensen leren op het werk. We komen opdagen en beginnen te leren en dan weten we hoe we het moeten doen. Machines nog niet."

Valero-Cuevas zei dat machines kunnen worden geprogrammeerd via een algoritme. Een zelfrijdende auto kan bijvoorbeeld algoritmen gebruiken die gegevens van andere voertuigen krijgen, zodat hij kan leren hoe hij moet werken, voordat hij de wereld in wordt ingezet.

"Maar er is een heel duidelijk verschil tussen de training en de implementatie. Wanneer een machine wordt ingezet, is deze niet per se aan het leren, en als je hem iets nieuws wilt leren, moet je meestal het geheugen wissen en vergeet hij hoe hij de voorgaand," zei Valero-Cuevas.

Dit is een probleem dat bekend staat als 'catastrofaal vergeten', wat een van de belangrijkste tekortkomingen is van de huidige AI-systemen die in de nieuwe blauwdruk naar voren komen.

"Als mens zou je me kunnen laten zien hoe je pingpong speelt, en dan kan ik die vaardigheid gebruiken en overdragen om te leren tennissen of badmintonnen." aldus Valero-Cuevas. "Op dit moment zou een machine maar één racketsport kunnen leren, zoals pingpong. Als je bijvoorbeeld tennis wilt spelen waarbij je je lichaam anders moet gebruiken, moet je het programma veranderen. "

Naast het overwinnen van de factor van catastrofaal vergeten, schetste de blauwdruk van de onderzoekers een reeks andere competenties die nodig zijn voor kunstmatige systemen om levenslang leren te bereiken op dezelfde manier als levende wezens dat kunnen. Deze omvatten:

• Overdracht en aanpassing:het vermogen om kennis over te dragen en opnieuw te gebruiken en zich aan te passen aan nieuwe omgevingen.
• Taakovereenkomst benutten:het vermogen om meerdere taken te leren en die kennis tussen hen over te dragen.
• Taak-agnostisch leren—begrijpen wanneer tijdens de training van de ene taak naar de andere moet worden overgeschakeld zonder dat dit wordt verteld.
• Ruistolerantie:dezelfde taak kunnen uitvoeren in een realistisch scenario wanneer de omstandigheden anders zijn dan tijdens de trainingsperiode (zoals 's nachts werken in plaats van overdag).
• Efficiëntie en duurzaamheid van hulpbronnen:ervoor zorgen dat levenslang leren de opslagcapaciteit niet negatief beïnvloedt en de reactietijd vertraagt.

Parker is een expert op het gebied van biologisch geïnspireerde circuits en heeft een lange onderzoeksgeschiedenis in het kijken naar het menselijk brein om te begrijpen hoe het werkt en hoe deze kennis kan worden toegepast op kunstmatige systemen. Voor dit laatste artikel heeft Parker bijgedragen aan inzicht op het gebied van neuromodulatie:het systeem in de hersenen van levende wezens dat helpt om het leren te verbeteren, het probleem van catastrofaal vergeten te overwinnen, zich aan te passen aan onzekere omgevingen en veranderingen in context te begrijpen. Parker richt zich op het bouwen van elektronische structuren die neuromorfische circuits (elektronica die de hersenen modelleren) ondersteunen door biologische functies toe te voegen die niet worden gevonden in bestaande neurale netwerkhardware, maar die levenslang leren ondersteunen. De functies omvatten astrocyten - andere hersencellen die interageren met neuronen om leren te ondersteunen - en de neurale code - pieken en bursts die informatie in gecodeerde vorm overbrengen.

Valero-Cuevas zei dat de samenwerking bedoeld was als een uitgebreide bron voor toekomstig onderzoek op het gebied van machine learning en AI.

"Biologie is de inspiratie. Het ultieme voorbeeld van levenslang leren is een biologisch systeem," zei Valero-Cuevas. "Wat we doen is kijken naar alle dingen die biologische systemen kunnen doen, waar we uiterst jaloers op zijn, en ons afvragen wat er nodig is voor machines om het te doen."

"We denken dat op zijn minst enkele mechanismen uit de biologie - de lessen die in de loop van miljoenen jaren van evolutie zijn geleerd - door AI kunnen worden vertaald en overgenomen", zei hij.