Японцы научили робота использовать знания по ситуации
Успехами в разработке искусственного интеллекта поделилась группа учёных Токийского технологического института. Их подключённый к нейронной сети робот решает задачу, основываясь на ранее полученных базовых знаниях и опыте с учётом сенсорной информации.
Как сообщает DigInfo TV, в лаборатории Осаму Хасегавы (Hasegawa Lab) учёные создали «самоорганизующуюся инкрементную нейронную сеть» (SOINN). К ней исследователи подключили робота HIRO от компании Kawada Industries, который теперь «может думать».
Прогресс японцы демонстрируют на хрестоматийном примере – кошмарной для любого родителя ситуации «некому стакан воды подать».
Перед роботом ставится задача вручить человеку стакан холодной воды. Машина имеет только базовые знания о стакане, воде, льде, а также обладает навыками обращения с этими предметами. Робот обязан решить, какие действия следует совершить и в каком порядке.
Это означает, что HIRO, набрав из бутылки в стакан воды, должен понять, что у него заняты обе руки, а значит, чтобы взять кубик льда и бросить его в воду, бутылку надо поставить на стол. Опыт представлен в девятиминутном видео, которое датировано 17 июля.
"Наш робот оперирует только базовыми знаниями. Если машина чего-то не знает, она останавливается и признаётся: «Я не могу этого сделать, потому что я не знаю как». В реальном мире с быстро меняющимися условиями искусственный интеллект таким и должен быть. Ему необходимо иметь механизм обучения, который даёт возможность учиться новому на месте, приспосабливаться к ситуации. И в качестве алгоритма для достижения этой цели нужна нейронная сеть, – рассказывает Осаму Хасегава.
– Сеть SOINN получает сенсорную информацию не только от робота, но и из Интернета и от других машин. Представим, что андроид попал в услужение к одинокому пожилому человеку и тот попросил чашку зелёного чая. Если наш робот не знает, как приготовить чай, он может попросить помощи у других роботов со всего мира и те поделятся с ним своими знаниями и опытом".
Но никакие роботы не спрашивают друг у друга ничего, поскольку они суть безмозглые железные руки ИИ.
«Гипотетический» я сказал потому, что даже в среде ведущих разработчиков этой научной темы нет согласия о том, что же такое ИИ, как его однозначно определить. Как же тогда можно утверждать, что SOINN действительно обладает свойствами ИИ, если свойства не определены четко и однозначно?
Нас счет SOINN не скажу, а вот SOM, который на его основе, известен относительно давно.
Кроме того, он бы не проверял бы каждый раз все ли на месте. Это не ИИ.
Возможно здесь имеется в виду некая база знаний на основе семантической сети?
Кстати, вопрос: какими единицами оперирует ИИ? Есть ли уровни абстракций? Так сказать, кружки вообще, кубик вообще, лед вообще, вода вообще... По-идее, должны быть. Некие абстракции с определенными абстрактными свойствами. Потом ИИ выявляет в окружающей среде конкретный объект, определяет, классифицирует и помещает в абстрактные классы. Потом у него должно быть где-то прописано в отдельной базе взаимодействие абстрактных классов, совмещение их в одном конкретном объекте... В общем, после всего этого робот сделает вывод: раз объект относится к классу кружек, то он обладает свойством — способен служить емкостью для воды. И этот конкретный — тоже емкость. Стало быть, с ним можно поступать как со всеми кружками-емкостями.
У ИИ должен быть также механизм создания новых абстрактных классов, а также, возможно, новых свойств для и новых и существующих классов.
Таким образом, двум ИИ необходимо согласовать абстракции, взаимно используя механизм создания новых абстракций и их свойств. По-идее, для ИИ не будет существенной разницы между восприятием конкретного объекта и абстракций, переданных по сети. Он их равно обработает, и либо найдет подходящую абстракцию среди своих классов абстракций, либо сформирует новый класс. И среди свойств класса появится тот входящий сигнал, содержащий абстракцию от другого ИИ, на основе которого создавался новый класс. Т.е. абстракция этого ИИ установит логическую связь с абстракцией другого ИИ. Постепенно обе базы классов согласуются практически полностью.
Затем, согласовав абстракции, оба ИИ с большей вероятностью способны из аналогичных конкретных условий перейти к аналогичным абстракциям, классам и их взаимодействию, и в итоге сделать одинаковые выводы.