211service.com
Aumentare il QI dell'IA
L'intelligenza artificiale di oggi è tutt'altro che intelligente. Ma Josh Tenenbaum, PhD '99, ci sta lavorando. 27 giugno 2018
Bob O'Connor
Una domenica pomeriggio di fine marzo, lo scienziato cognitivo Josh Tenenbaum, PhD '99, siede davanti a un gioco da tavolo di legno, brandendo una paletta magnetica e tentando di lanciare una pallina arancione nella porta del suo avversario. Tenenbaum, professore di scienze cognitive computazionali, e il suo avversario, uno studente laureato del primo anno, ridono mentre la palla rimbalza sul lato del tabellone e rimbalza all'indietro nella porta di Tenenbaum, costandogli un punto.
L'area di lavoro di Tenenbaum Building 46 è piena di giocattoli, non solo il gioco della pagaia magnetica, ma anche un puzzle a forma di albero e un gioco chiamato Stormy Seas, in cui i giocatori cercano di bilanciare piccoli oggetti a tema pirata su una piattaforma instabile. Un alunno di prima elementare sarebbe proprio a casa qui. Eppure i giocattoli ispirano anche Tenenbaum e i suoi studenti a esplorare domande inebrianti su ciò che rende le persone intelligenti: cosa ci permette di pensare e imparare così rapidamente e, in definitiva, cosa ci rende più intelligenti di qualsiasi attuale sistema di intelligenza artificiale.
Un essere umano che guarda Tenenbaum e il suo studente colpire la palla avanti e indietro capirebbe rapidamente che stavano giocando. Dopo pochi istanti, l'osservatore avrebbe capito le regole e sarebbe stato in grado di partecipare. Sarebbe già abbastanza difficile convincere un robot a raccogliere la maggior parte delle cose su questo tavolo, per non parlare di capire cosa sta succedendo, dice Tenenbaum. L'intelligenza artificiale non è attrezzata per lavorare a ritroso rispetto a un obiettivo e pianificare in un modo nuovo, dice. Gli esseri umani, tuttavia, possono farlo, in parte creando modelli mentali del mondo che li circonda. Potrebbe essere possibile costruire macchine più intelligenti decodificando questi processi mentali.
Nonostante tutto il recente clamore sull'intelligenza artificiale, Tenenbaum considera nessuno dei sistemi di intelligenza artificiale di oggi veramente intelligente. Sì, l'intelligenza artificiale ha compiuto notevoli progressi nel consentire ai computer di eseguire attività relativamente limitate, come il riconoscimento di volti o oggetti. Ma mentre molti di questi sistemi di intelligenza artificiale mirati funzionano incredibilmente bene e stanno avendo un enorme impatto, i ricercatori non sono riusciti a emulare l'intelligenza generale e flessibile che consente alle persone di risolvere i problemi senza essere appositamente addestrati per farlo. Il suo lavoro, dice, è ispirato dalla filosofia, comprese le questioni contemplate da Platone, Aristotele, Kant e Hume. Come si passa dai particolari alle generalità? Come fai a guardare una cosa e dire: Quello che imparo non riguarda solo quella cosa, ma anche altre cose? È eccitante per me, pensare a queste grandi domande su come arriviamo a sapere qualcosa, dice.
Bob O'Connor
Tenenbaum sostiene che concentrarsi sulla mente umana è un modo prezioso per far progredire l'IA. Storicamente, molte, se non la maggior parte delle innovazioni nel campo sono state realizzate da persone interessate a comprendere l'intelligenza umana da una prospettiva matematica o ingegneristica, dice. Quindi, sebbene questo non sia l'unico approccio possibile, crede che sia probabilmente fruttuoso. Inoltre, molti dei tipi di tecnologia per cui ci rivolgiamo all'IA sono tecnologie che vivranno in un mondo umano, afferma. Questi includono macchine che possono aiutare con le faccende domestiche o anche prendersi cura di bambini o anziani, adottando compiti a misura d'uomo. E, dice, se vogliamo che le macchine interagiscano con noi nel modo in cui interagiamo tra loro, in una certa misura è essenziale che abbiano un'intelligenza simile a quella umana.
A marzo, quando l'Istituto ha lanciato il MIT Intelligence Quest (ora chiamato MIT Quest for Intelligence), un'iniziativa per esplorare le basi dell'intelligenza umana, Tenenbaum è stato sincero sui limiti dei sistemi di intelligenza artificiale esistenti. Ognuno deve essere costruito da ingegneri davvero intelligenti, ha detto, e ognuno fa solo una cosa. Ma ha elaborato la sua visione più audace di sviluppare l'IA per emulare l'apprendimento umano. Immagina se potessimo costruire una macchina che cresca in intelligenza come fa un essere umano, che inizi come un bambino e impari come un bambino, ha detto. Sarebbe un'IA davvero intelligente, se potessimo costruirla. Ha aggiunto che quasi certamente non potrebbe essere fatto in 10 anni, probabilmente non in 20, e molto probabilmente nemmeno nelle nostre vite. Ma va bene così, disse. Ecco perché la chiamiamo ricerca.
Fisica intuitiva
In quest'epoca di big data e deep learning, è facile lasciarsi sedurre, afferma Robert Goldstone, professore di scienze psicologiche e del cervello all'Università dell'Indiana. Vuol dire che si è tentati di pensare che i sistemi di apprendimento automatico non abbiano bisogno di interpretazioni coerenti del mondo che li circonda per comportarsi in modo intelligente: chi ha bisogno della teoria quando abbiamo abbastanza dati? Il lavoro di Tenenbaum, tuttavia, dimostra l'importanza della teoria, afferma Goldstone, perché mostra che per andare avanti, gli studenti devono creare modelli interni dei loro ambienti.
Considera il regno della fisica quotidiana, in cui gli esseri umani mostrano una pronta intuizione. Quando vediamo una bambina arrampicarsi su un albero, abbiamo la sensazione che i rami siano abbastanza forti da sostenere il suo peso. Quando vediamo una tazza posizionata sul bordo di un tavolo, sappiamo che se il tavolo viene spinto, probabilmente la tazza cadrà. Ogni giorno incontriamo una gamma visivamente diversificata di scenari, ma possiamo ragionare ed esprimere giudizi su di essi. Tenenbaum pensa che le persone abbiano la capacità di simulare mentalmente i meccanismi della fisica e questo ci permette di prevedere come si comporteranno gli oggetti.
Mentre mette alla prova questa teoria, l'obiettivo di Tenenbaum non è solo quello di comprendere meglio la cognizione umana, ma anche di creare programmi per computer che potrebbero approssimarla in modo più efficace. In un progetto, lui e il suo team hanno costruito una serie di torri virtuali con strumenti utilizzati nella progettazione di videogiochi. Hanno progettato ogni torre con 10 blocchi accatastati in disposizioni più o meno precarie. Quindi il team ha presentato ai soggetti umani questi costrutti e ha chiesto loro se le torri sarebbero cadute, come in un gioco di Jenga. Dopo che il soggetto ha risposto, la torre è caduta o no. Tenenbaum sostiene che le persone affrontano questo compito utilizzando un motore fisico intuitivo, un modello mentale basato sulla comprensione di massa, attrito, gravità e altri aspetti del mondo fisico.
Bob O'Connor
Nel frattempo, Tenenbaum e il suo team avevano anche scritto un programma per computer per catturare il pensiero e la percezione umana su tali scenari fisici. Il loro obiettivo era che il programma codifichi le informazioni su una torre di blocco, come la sua posizione e configurazione, e quindi eseguisse simulazioni basate su tali informazioni per prevedere se la torre sarebbe caduta. Ha fatto previsioni probabilistiche, come dice anche il nostro ragionamento fisico. (Tendiamo a pensare in termini statistici a diversi possibili risultati, spiega, perché nel mondo di tutti i giorni dobbiamo confrontarci con l'incertezza sugli oggetti che stiamo osservando.)
In un articolo pubblicato nel 2013, Tenenbaum, postdoc Peter Battaglia, e Jessica Hamrick '11, MEng '12, descritto testare il sistema e scoprire che le sue previsioni erano fortemente correlate con quelle fatte da soggetti umani. In ulteriori esperimenti, il team ha manipolato le masse dei blocchi, in modo che alcuni fossero pesanti e altri leggeri. Hanno anche modellato una scossa sul tavolo e hanno chiesto quali blocchi avevano più probabilità di cadere a terra. In ciascuno di questi casi, le previsioni del modello al computer erano simili a quelle fatte dai soggetti umani, dice Tenenbaum: Siamo stati in grado di modellare il tipo di simulazione che qualcuno potrebbe costruire nella propria testa.
Imparare a imparare
Ad oggi, i migliori algoritmi di intelligenza artificiale hanno richiesto che i sistemi fossero addestrati su migliaia, o in alcuni casi milioni, di esempi. Questo è vero, ad esempio, nel dominio dell'identificazione delle lettere, un punto di riferimento standard nell'apprendimento automatico. Ciò che è straordinario della cognizione umana, tuttavia, è che non abbiamo bisogno di 6.000 esempi di una lettera per imparare di cosa si tratta e riconoscerla in diversi tipi di carattere o scritture, afferma Brenden Lake, PhD '14, assistente professore di psicologia e dati scienze alla New York University e un ex studente laureato di Tenenbaum.
A partire dal 2009, Lake, Tenenbaum e il post-dottorato Ruslan Salakhutdinov (ora professore associato alla Carnegie Mellon University e direttore della ricerca sull'intelligenza artificiale di Apple) hanno deciso di sviluppare un programma ispirato da approfondimenti su come le persone imparano e percepiscono i personaggi. Dopo aver filmato 20 soggetti che disegnavano lettere da alfabeti stranieri che non avevano mai usato prima, hanno trovato forti punti in comune nel modo in cui le persone affrontavano il compito: le parti in cui suddividevano i personaggi, il loro punto di partenza e la direzione dei loro tratti. Sulla base di queste osservazioni, i ricercatori hanno deciso di creare un algoritmo di scrittura a mano che ne tenesse conto come sono state prodotte lettere e non semplicemente quali pixel erano presenti nel risultato finale.
L'idea chiave era rappresentare il concetto di lettera come a programma , che è una rappresentazione molto più ricca di quella normalmente utilizzata nell'apprendimento automatico, afferma Lake. Hanno anche reso probabilistico il programma. Potrebbe osservare un carattere scritto, dedurre il modo in cui molto probabilmente era stato disegnato (il programma per disegnarlo) e quindi immaginare come potrebbero essere tracciate nuove istanze di quello stesso carattere. Potrebbe anche accogliere alcune incertezze nelle informazioni con cui ha lavorato e generare una gamma di output: ogni esempio della lettera A, ad esempio, era leggermente diverso. Questa capacità di tollerare l'incertezza ha aiutato l'algoritmo a gestire situazioni del mondo reale. Con l'esperienza, il programma potrebbe anche migliorare nel disegnare nuovi personaggi. Parte di ciò che ci ha entusiasmato è stata questa idea di 'imparare a imparare', afferma Tenenbaum. E questo, spiega, è il modo in cui otteniamo la capacità di generalizzare in modo efficiente, utilizzando dati sparsi o anche solo un esempio.
In un articolo del 2015 pubblicato in Scienza , il team ha testato l'algoritmo mostrandogli una singola lettera sconosciuta e chiedendogli di produrre un nuovo personaggio simile. Hanno presentato lo stesso compito a soggetti umani e poi hanno chiesto ai giudici di determinare quale dei personaggi fosse stato creato dalle persone e quali dalle macchine. Sorprendentemente, la stragrande maggioranza dei giudici non è stata in grado di distinguere. In altre parole, l'algoritmo ha superato una forma semplice e visiva del test di Turing, il classico criterio per l'intelligenza artificiale.
Bambini da modellare
Agli albori dell'intelligenza artificiale, la scienza dell'apprendimento umano non era abbastanza avanzata da offrire molte indicazioni. Turing poteva solo presumere com'era il cervello di un bambino, dice Tenenbaum - il matematico britannico lo considerava un taccuino bianco - ma no, è molto di più. E come parte della sua spinta a comprendere le origini della conoscenza, Tenenbaum ha anche collaborato al lavoro esplorando le menti dei bambini piccoli. Nel 2008, ha tenuto un corso ad Harvard con la rinomata psicologa Elizabeth Spelke, che ha dimostrato che anche i bambini piccoli hanno determinate forme di conoscenza che sembrano essere integrate. (In contrasto con il lavoro fondamentale di Jean Piaget, che credeva che i bambini sviluppare la permanenza dell'oggetto, la comprensione che gli oggetti non si limitano a entrare e uscire dall'esistenza, a circa otto mesi (Spelke ha mostrato che una qualche forma di questa comprensione è presente nei bambini di due o tre mesi). Spelke convinse Tenenbaum che il cervello è impostato per sviluppare determinati concetti e che per apprezzare appieno l'intelligenza umana, è necessario modellare le conoscenze di base dei bambini molto piccoli. Ciò include l'intuizione sia della fisica che della psicologia, in particolare la nostra capacità di interpretare le azioni delle altre persone in termini di stati mentali, convinzioni e obiettivi.
Bob O'Connor
Più di recente, Tenenbaum e Spelke hanno esplorato come i bambini di 10 mesi siano in grado di capire cosa vogliono le altre persone e quanto apprezzano gli obiettivi che stanno perseguendo. Per fare ciò, i ricercatori hanno creato animazioni in cui i personaggi blu, rossi e gialli saltavano sui muri o eseguivano altri compiti fisici per raggiungere l'un l'altro. Ad esempio, una figura rossa potrebbe saltare sopra un muretto per raggiungere una figura blu ma rifiutarsi di saltare sopra un muretto medio. Quella stessa figura, tuttavia, potrebbe scalare un muro alto per raggiungere la sua controparte gialla. I ricercatori hanno ipotizzato che se i bambini avessero visto un personaggio lavorare di più per raggiungere un obiettivo, avrebbero dedotto che il personaggio lo apprezzava più dell'alternativa. Infatti, quando i ricercatori hanno mostrato una figura rossa in piedi tra il giallo e il blu senza muro e poi l'hanno fatta muovere verso il blu, i bambini hanno guardato più a lungo. Cioè, avendo visto la figura rossa svolgere più lavoro per raggiungere il giallo, avevano dedotto che il rosso preferiva il giallo e sono rimasti sorpresi quando ha scelto invece il blu. Ciò suggerisce che anche i bambini preverbali hanno una comprensione intuitiva dell'equilibrio tra costi e ricompense e di come si inserisce nel comportamento delle altre persone, afferma Tenenbaum, aggiungendo che questa intuizione psicologica è fondamentale per una comprensione sociale più complessa in seguito. Il lavoro, guidato dal dottorando Tomer Ullman, PhD '15, e dalla studentessa di dottorato di Spelke Shari Liu, è stato pubblicato in Scienza nel 2017.
Fare un'escursione
Hamrick era una studentessa del MIT quando è entrata a far parte del laboratorio di Tenenbaum nel 2010 e ha iniziato a lavorare al progetto di fisica simile a Jenga. Quando gli studenti vengono esposti per la prima volta alla ricerca, in genere si concentrano strettamente sul problema che hanno davanti, dice. Ma Tenenbaum li ispira a pensare a come si adatta anche alle domande più grandi della scienza (non diversamente dal modo in cui dice che impariamo). Mi ha fatto sentire che la ricerca era una cosa fantastica da fare, aggiunge Hamrick, attribuendo alla sua esperienza nel laboratorio di Tenenbaum la decisione di intraprendere una carriera scientifica. (Ora è una ricercatrice presso DeepMind, una società britannica di intelligenza artificiale di proprietà di Google.)
Un modo in cui Tenenbaum ha promosso uno spirito stretto e collaborativo nel suo laboratorio è portare i suoi studenti e dottorandi in escursioni annuali, alcune delle quali notoriamente intense, dice. Cresciuto in California, considerava lo Yosemite National Park uno dei suoi posti preferiti. E a partire dal 2002, quando è diventato assistente professore al MIT, ha iniziato a organizzare viaggi annuali sulle White Mountains nel New Hampshire. Il gruppo di solito gira intorno al Columbus Day, al culmine della stagione delle foglie autunnali. Ma anche allora, hanno occasionalmente incontrato condizioni invernali ad altitudini più elevate. Ricordando un viaggio lungo il Franconia Ridge Trail, Tenenbaum scherza: non è stata una marcia della morte - nessuno è morto - ma c'era della neve e non tutti erano preparati, anche se erano stati avvertiti!
Insieme a quell'intensa fisicità, l'escursionismo offre anche ai membri del gruppo l'opportunità di parlare ampiamente di scienza e vita. Quando le persone camminano lungo un sentiero stretto, tendono a distendersi. A volte mi ritrovo davanti, a volte dietro, dice Tenenbaum. Ad ogni modo, aggiunge, ho sempre una vasta gamma di conversazioni che si muovono su e giù per la linea, il tutto mentre sono ispirato da questo bellissimo posto che stiamo attraversando.
Tenenbaum trae ispirazione anche dalla genitorialità. Sua figlia di 16 anni, Abi, è nota per aver dato una mano con la sua ricerca; all'età di otto o nove anni, fu la prima partecipante all'esperimento Jenga. Ha subito trovato un bug, essenzialmente un modo per ottenere un punteggio perfetto, e quando ce lo ha spiegato, abbiamo pensato 'Oh, buon punto' e abbiamo riscritto l'intero esperimento, ricorda. Ma più in generale, la genitorialità coincide con l'interesse di Tenenbaum per l'apprendimento umano, specialmente nei neonati e nei bambini. L'esperienza di guardare tuo figlio avere il loro primo assaggio di gelato o vedere il loro primo cavallo è fantastica, dice. Attinge al mio interesse per ciò che impari dalla prima volta che vedi qualcosa.
Affrontare grandi domande all'intersezione di cervelli, menti e macchine intelligenti
MIT Intelligence Quest (ora chiamato MIT Quest for Intelligence) mira a infondere l'IA con la vera intelligenza riunendo pensatori in una vasta gamma di discipline, dalla psicologia all'informatica. L'iniziativa tratta il cervello umano (e i sistemi di intelligenza artificiale che cercano di imitarlo) come una grande sfida ingegneristica. Quando il progetto è stato annunciato a marzo, Josh Tenenbaum ha condiviso questo grafico che riassume alcune delle grandi domande su cui i ricercatori del MIT stanno lavorando in sei categorie principali e ha sottolineato che le domande ancora da porre potrebbero rivelarsi più importanti.