Die 80er Jahre im MIT-Labor für Informatik und künstliche Intelligenz schienen für Außenstehende ein goldenes Zeitalter zu sein, aber im Inneren konnte David Chapman beobachten, dass der Winter bereits näher rückte. Als Mitglied des Labors war Chapman der erste Forscher, der die Mathematik der Theorie der rechnerischen Komplexität auf die Roboterplanung anwendete und zeigte, dass es keine wirklich verallgemeinerte Methode zur Erstellung von KI gibt, mit der ein Plan für den Umgang mit allen unvorhergesehenen Umständen erstellt werden kann. Er kam zu dem Schluss, dass KI auf menschlicher Ebene zwar grundsätzlich möglich sein mag, aber keiner der uns zur Verfügung stehenden Ansätze Hoffnung hat, diese Ebene zu erreichen.

Im Jahr 1990 schrieb Chapman einen Forschungsvorschlag, der einen neuen Ansatz und eine weitere Aufgabe für die Prüfung der KI forderte:Bringe dem Roboter das Tanzen bei . Der Tanz war, wie Chapman schrieb, ein wichtiges Modell, weil „er keine Ziele erreicht. Sie können nicht gewinnen oder verlieren. Dies ist kein Problem, das einer Lösung bedarf. Tanz ist ein Prozess der Interaktion. “ Tanzende Roboter erforderten eine scharfe Änderung der Prioritäten der KI-Forscher, deren Techniken auf Aufgaben wie Schach mit einer klaren Struktur und eindeutigen Zielen beruhten. Die Komplexität der Erstellung von Tanzrobotern erforderte eine noch größere Änderung unserer Annahmen darüber, was Intelligenz ist.

Chapman schreibt jetzt über die praktischen Anwendungen der Philosophie und der Kognitionswissenschaft . Kürzlich sprach er in einem Interview mit der Zeitschrift Nautilus über die Bedeutung von Nachahmung und Lehre, die Grenzen formaler Rationalität und warum Roboter kein Frühstück für Sie kochen.

Was ist ein interessanter Tanzroboter?

Menschliches Lernen ist eine soziale, greifbare Sache und findet in besonderen praktischen Situationen statt. Sie lernen nicht aus einem Buch oder aus Laborexperimenten zu tanzen. Sie lernen, indem Sie mit erfahreneren Menschen tanzen als Sie.

Nachahmung und Lehre sind die wichtigsten Methoden, um Menschen zu erziehen. Wir vergessen dies, da der Unterricht im letzten Jahrhundert wieder wichtig und sichtbarer geworden ist.

Ich beschloss, den Schwerpunkt des Lernens auf die Entwicklung zu verlagern. "Lernen" bedeutet Ende - sobald Sie etwas gelernt haben, sind Sie fertig. "Entwicklung" bedeutet einen endlosen Prozess. Sie legen keine Tanzprüfungen ab, danach beenden Sie Ihr Studium.

Es war eine ernsthafte Abkehr vom traditionellen Ansatz, KI zu unterrichten, richtig?

Ja, in den ersten Jahrzehnten konzentrierten sich KI-Forscher auf jene Aufgaben, die besonders mit Intelligenz verbunden sind, weil sie für Menschen schwierig sind: zum Beispiel Schach. Es stellt sich heraus, dass Schach für schnell genug Computer einfach ist. In frühen Arbeiten wurden einfache Aufgaben für Menschen ignoriert: zum Beispiel das Frühstück kochen. Solche einfachen Aufgaben erwiesen sich für Computer, die Roboter steuern, als schwierig.

Frühe Versuche, KI-Lernprobleme zu untersuchen, befassten sich auch mit formalen Fragen wie Schach, in denen Körper, soziale und praktische Kontexte ignoriert werden konnten. Aktuelle Studien zeigen beeindruckende Fortschritte bei praktischen Aufgaben wie der Mustererkennung. Erfolge bei sozialen und physischen Ressourcen, die für das menschliche Lernen von entscheidender Bedeutung sind, sind jedoch immer noch nicht sichtbar.

Was kann Heidegger uns über Intelligenz und Lernen beibringen ?

Die formale Rationalität, die in den letzten Jahrhunderten in Wissenschaft, Technik und Mathematik verwendet wurde, hat viele Durchbrüche gebracht. Es ist natürlich, es als das Wesen der Intelligenz zu betrachten und anzunehmen, dass es dem Funktionieren des Menschen zugrunde liegt. Seit Jahrzehnten akzeptieren analytische Philosophen, kognitive Psychologen und KI-Forscher bedingungslos, dass Menschen zuerst einen rationalen Plan mit Logik erstellen und ihn dann ausführen. Mitte der 1980er Jahre wurde deutlich, dass dies aus technischen Gründen in der Regel einfach nicht möglich ist.

Der Philosoph Hubert Dreyfus sah vorausDiese Sackgasse zehn Jahre vor ihrem Auftreten in seinem Buch „Was Computer nicht können“. Er ging von Heideggers Analyse routinemäßiger praktischer Maßnahmen wie dem Kochen des Frühstücks aus. Solche körperlichen Fähigkeiten scheinen keine formale Rationalität zu erfordern. Darüber hinaus hängt unsere Fähigkeit zum formalen Denken von unserer Fähigkeit ab, sich auf praktische, informelle und physische Dinge einzulassen - aber nicht umgekehrt. Die Kognitionswissenschaft hat alles genau umgekehrt verstanden! Heidegger meinte, der größte Teil seines Lebens sei wie Frühstück und nicht wie Schach.

Mein Kollege Phil Agre und ich entwickelten neue, interaktive Berechnungsansätze für praktische Übungen, die kein formales Denken beinhalten, und zeigten, dass sie viel effektiver sein können als herkömmliche logische Paradigmen. Unsere Systeme müssen jedoch manuell programmiert werden, was für Aufgaben, die etwas komplizierter sind als Videospiele, unpraktisch erscheint. Der nächste Schritt sollten KI-Systeme sein, die Fähigkeiten entwickeln, ohne sie direkt zu programmieren.

Heidegger sagte wenig über das Lernen, aber seine Idee, dass menschliche Aktivitäten immer einen sozialen Aspekt haben, war der Schlüssel. Phil und ich ließen uns von den Schulen für Anthropologie, Soziologie und soziale Entwicklungspsychologie inspirieren (von denen einige wiederum auch von Heidegger inspiriert wurden). Wir haben begonnen, eine rechnergestützte Theorie des Lernens durch Lehre zu entwickeln. Ein Artikel über tanzende Roboter beschreibt teilweise unsere Bestrebungen. Bald darauf stellten wir fest, dass es noch nicht möglich ist, diese Ideen in Arbeitsprogramme umzusetzen.

Die Konstruktion eines physischen Roboters bringt viele Schwierigkeiten mit sich - zum Beispiel ist es notwendig, dass er nicht fällt - und hat auf den ersten Blick keine direkte Beziehung zu Lernen und Intelligenz. Warum nicht einen Tanzroboter mit Computeranimation erstellen?

Eine der Herausforderungen eines rationalistischen Ansatzes zur KI besteht darin, dass wir kein absolut genaues Modell der realen Welt erstellen können. Er ist sehr schlampig. Ein Löffel Beerenmarmelade hat keine bestimmte Form. Es ist klebrig, formbar, flüssig. Es ist heterogen - teilweise geriebene Beeren verhalten sich anders als flüssige Teile. Auf atomarer Ebene gehorcht es den Gesetzen der Physik, aber das Frühstück mit ihnen zu kochen ist unpraktisch.

Das sind unsere Körper. Muskeln sind Beutel mit Gelee, die mit Stretchfäden durchsetzt sind. Knochen haben eine unregelmäßige Form, die durch elastische Sehnen verbunden ist, wodurch sich die Gelenke für ein komplexes Muster eignen und sich der Festigkeitsgrenze nähern.

Mithilfe physikalischer Simulationen können Sie eine animierte Figur zum Tanzen bringen. Sie mag sehr realistisch erscheinen. Diese Methoden funktionieren jedoch nicht mit Robotern, um einfache menschliche Aufgaben auszuführen. Tanzen oder Frühstück machen ist immer noch außerhalb der Reichweite der modernen Wissenschaft.

Physikalische Simulationen funktionieren schlecht, weil die Körper von Robotern wie Menschen unvollkommen sind. Die meisten modernen Designs versuchen, Roboter an einfachen physischen Modellen zu befestigen, wodurch sie stark und solide und so fein wie möglich hergestellt werden. Trotzdem weisen sie Flexibilität, Einschränkungen und Inkonsistenzen auf, was ihre Kontrolle erschwert. Sie müssen auch sehr schwer und mächtig sein, was sie gefährlich und unwirksam macht.

In dem Artikel „Tanzende Roboter“ schlug ich vor, diesen Ansatz zu beenden und mithilfe von maschinellem Lernen Wege zu finden, um leichte, schwächere und flexiblere Roboter zu steuern. Wie ein Kind sollte das System durch Erfahrung schrittweise körperliche Fähigkeiten entwickeln. Damals hatten wir nicht genügend Computerleistung, aber einige Forscher haben kürzlich mit diesem Ansatz Erfolg gehabt.

Es scheint, dass dieses Thema in Ihrer Arbeit wiederholt wird. Wir wollen eine harte und absolute Welt, die komplex und heterogen ist.

Ja Meine letzte Arbeit über „ Bedeutungen “ schlägt vor, in einem Zusammenspiel von Unsicherheit und Mustern zu arbeiten, um das Verständnis und Handeln zu verbessern. Dies ist eine „praktische Philosophie“ für die persönliche Effektivität, basierend auf der Arbeit, die ich auf dem Gebiet der KI geleistet habe, und den akademischen Bereichen, die ich zuvor erwähnt habe. Sie hat eine Dimension zum Lernen. Eine Studie zur Entwicklung von Erwachsenen zeigt, dass sich Menschen durch vorrationale, rationale und metarationale Arten des Verstehens entwickeln können. Der durchschnittliche Zustand ist extrem schwer. Es hat die Idee, dass die Welt an Systeme angepasst werden kann. Dieser Ansatz kann umständlich, ineffizient und instabil sein.

Wenn die Barriere, die uns von perfekt genauen Modellen trennt, eher grundlegend als technologisch ist, brauchen wir dann einen völlig anderen Ansatz für die KI?

Der grundlegende Ansatz aus den 1970er und 1980er Jahren ist definitiv gescheitert, und genau aus diesem Grund. Das " Deep Learning ", das erstaunliche Ergebnisse erzielt hat, ist flexibler. Es werden statistische und implizite Modelle anstelle von absoluten und logischen Modellen erstellt. Es erfordert jedoch große Datenmengen, und die Leute lernen oft aus einem einzigen Beispiel. Es wird sehr interessant sein, den Umfang und die Grenzen des Deep-Learning-Ansatzes zu entdecken.

Einschränkungen des formalen Lernens oder warum Roboter nicht tanzen können