AI đạt được trí thông minh xã hội; Các mục tiêu và kế hoạch không thành công

NộI Dung

• Động lực Đọc cần thiết
• Cách thiết lập các mục tiêu tham vọng hơn

Bạn đã từng nghe câu nói quen thuộc, "Ngay cả những kế hoạch được xây dựng tốt nhất cũng trở nên tồi tệ?" Đây là phiên bản tiếng Anh của “Những âm mưu được dàn dựng tốt nhất o’ mouse an ’men gang aft agley” trích từ bài thơ Scotland năm 1785 “To A Mouse, On Turning Her Up In Her Nest With The Plough,” của Robert Burns.

Mạng nơ-ron nhân tạo có thể đưa ra dự đoán với mức độ chính xác cao khi mục tiêu đã được biết trước, do đó nhiều thuật toán được đưa ra mục tiêu. Điều gì xảy ra trong học máy trí tuệ nhân tạo (AI) nếu mục tiêu không được đưa ra hoặc khi kế hoạch thất bại? Trong một nghiên cứu gần đây, các nhà nghiên cứu trí tuệ nhân tạo từ Viện Công nghệ Massachusetts (MIT) đã cho thấy một thuật toán học máy mới với khả năng hiểu mục tiêu của con người ngày càng tăng.

Các nhà nghiên cứu của MIT viết: “Bằng cách thực hiện nghiên cứu này ở điểm giao giữa khoa học nhận thức và AI, chúng tôi hy vọng sẽ đặt ra một số nền tảng về khái niệm và kỹ thuật có thể cần thiết để hiểu được hành vi hợp lý nhất của chúng ta”.

Từ điển Cambridge định nghĩa suy luận là “một suy đoán mà bạn đưa ra hoặc một ý kiến ​​mà bạn hình thành dựa trên thông tin mà bạn có.” Việc nghiên cứu cách con người đưa ra suy luận trải dài trên nhiều lĩnh vực như tâm lý học nhận thức, trí tuệ nhân tạo, logic, toán học, thống kê, triết học và các ngành khác.

Nhóm nghiên cứu của MIT bao gồm Tan Zhi-Xuan, tác giả chính của bài báo, cùng với Jordyn L. Mann, Tom Silver, Joshua B. Tenenbaum và Vikash K. Mansinghka. Họ cùng nhau thực hiện nghiên cứu được trình bày tại Hội nghị lần thứ 34 về Hệ thống xử lý thông tin thần kinh (NeurIPS) vào tháng trước.

Các nhà nghiên cứu viết: “Mọi người thường suy ra mục tiêu của người khác bằng cách quan sát hành động của họ theo thời gian. “Đáng chú ý, chúng tôi có thể làm như vậy ngay cả khi những hành động đó dẫn đến thất bại, cho phép chúng tôi hỗ trợ những người khác khi chúng tôi phát hiện ra rằng họ có thể không đạt được mục tiêu của mình. Làm thế nào chúng ta có thể tạo ra những cỗ máy có khả năng tương tự?

Ví dụ, hãy hình dung một tình huống trong đó một đứa trẻ mới biết đi, khi nhìn một người lớn với cả hai tay đầy sách liên tục va vào một cái tủ có cửa đóng và thốt ra những âm thanh bối rối khó hiểu. Sau khi quan sát người lớn, đứa trẻ mới biết đi, tỏ ra vị tha, quyết định giúp đỡ và bước đến tủ để mở cho người lớn. Trẻ mới biết đi không được nói trước rằng mục tiêu của người lớn là cất sách vào tủ. Tuy nhiên, bằng cách nào đó đứa trẻ mới biết đi đủ thông minh để tìm ra những gì người lớn định làm.

Kịch bản này là một phần của bài kiểm tra thực tế do các nhà tâm lý học Felix Warneken và Michael Tomasello tại Viện Nhân chủng học Tiến hóa Max Planck thực hiện. Các nhà tâm lý học Warneken và Tomasello đã quan sát thấy rằng những đứa trẻ từ 18 tháng tuổi đã có thể đoán những gì người lớn thất bại trong một nhiệm vụ dự định làm, theo nghiên cứu của họ được công bố trên Khoa học vào năm 2006. Những đứa trẻ mới biết đi đã thể hiện sự hiểu biết của mình bằng cách giúp người lớn hoàn thành nhiệm vụ dự định như nhặt một chiếc bút bị đánh rơi, mở cửa tủ và các tình huống khác. Nói cách khác, mà không cần được nói rõ ràng, trẻ mới biết đi có thể suy ra mục tiêu của người lớn là gì, ngay cả khi người lớn không đạt được mục tiêu đó.

Khi so sánh trí thông minh nhân tạo với trí thông minh của con người, một đứa trẻ mới biết đi có thể được coi là thông minh hơn vì nhiều lý do, bao gồm khả năng bẩm sinh để khái quát hóa các khái niệm dựa trên kiến ​​thức hoặc đào tạo hạn chế. Ví dụ, một đứa trẻ có thể nhận ra rằng một món đồ chơi hình cầu có thể nảy lên là một quả bóng mà không cần phải học mọi loại bóng đã từng được sản xuất. Mặt khác, mạng nơ-ron sâu thiếu ý thức chung, đòi hỏi một lượng lớn dữ liệu để đào tạo.

Các nhà nghiên cứu viết: “Mặc dù đã có nhiều nghiên cứu đáng kể trong việc suy ra các mục tiêu và mong muốn của các đại lý, nhưng phần lớn công việc này đã giả định rằng các đại lý hành động một cách tối ưu để đạt được mục tiêu của họ. “Ngay cả khi giả định này được nới lỏng, các dạng của mức độ tối ưu được coi là thường rất đơn giản hóa.” Nói cách khác, hầu hết các công việc về việc cho phép học máy suy ra các mục tiêu đều giả định rằng mọi thứ diễn ra theo đúng kế hoạch và các thuật toán phản ánh giả định này.

Điều khiến nghiên cứu này trở nên khác biệt là thuật toán học máy mới này giải thích khi nào mọi thứ diễn ra và không theo kế hoạch, đây là một cách tiếp cận có nhiều sắc thái hơn cho trí tuệ nhân tạo mạnh mẽ hơn.

Nhóm nghiên cứu viết: “Kiến trúc của chúng tôi mô hình hóa các tác nhân như những người lập kế hoạch hợp lý, xen kẽ tìm kiếm với việc thực thi bằng cách lập kế hoạch lại, do đó tính đến hành vi dưới mức tối ưu”. “Các mô hình này được chỉ định là các chương trình xác suất, cho phép chúng tôi đại diện và thực hiện suy luận Bayes hiệu quả về các mục tiêu và quy trình lập kế hoạch nội bộ của đại lý.”

Để suy luận, các nhà nghiên cứu đã phát triển một thuật toán Monte Carlo tuần tự được gọi là Tìm kiếm kế hoạch nghịch đảo tuần tự (SIPS). Các nhà nghiên cứu đã xây dựng kiến ​​trúc của họ bằng cách sử dụng Gen, một hệ thống lập trình xác suất có mục đích chung được phát triển tại MIT.

“Chúng tôi đưa ra các thử nghiệm cho thấy rằng kiến ​​trúc mô hình và suy luận này vượt trội hơn so với đường cơ sở học tăng cường nghịch đảo của Bayes, suy ra chính xác các mục tiêu từ cả quỹ đạo tối ưu và không tối ưu liên quan đến thất bại và theo dõi ngược, trong khi tổng quát hóa trên các lĩnh vực có cấu trúc thành phần và phần thưởng thưa thớt” đã báo cáo.

Động lực Đọc cần thiết

Cách thiết lập các mục tiêu tham vọng hơn