एमआईटी कंप्यूटर विज्ञान और कृत्रिम बुद्धि प्रयोगशाला में 80 के दशक बाहरी लोगों के लिए एक स्वर्ण युग की तरह लग रहा था, लेकिन अंदर, डेविड चैपमैन देख सकते हैं कि सर्दियों पहले से ही आ रहा था। प्रयोगशाला के सदस्य के रूप में, चैपमैन रोबोटिक नियोजन के लिए कम्प्यूटेशनल जटिलता के सिद्धांत के गणित को लागू करने वाला पहला शोधकर्ता बन गया, साथ ही यह बताने के लिए कि एआई बनाने के लिए कोई वास्तविक सामान्यीकृत तरीका नहीं है जो सभी विषम परिस्थितियों से निपटने के लिए एक योजना बना सकता है। उन्होंने निष्कर्ष निकाला कि यद्यपि एआई मानव स्तर पर सिद्धांत रूप में संभव हो सकता है, हमारे पास उपलब्ध किसी भी दृष्टिकोण को इस स्तर तक पहुंचने की कोई उम्मीद नहीं है।

1990 में, चैपमैन ने लिखा, बाद में व्यापक रूप से प्रसारित किया गया, एक नए दृष्टिकोण के लिए एक शोध प्रस्ताव और एआई के परीक्षण के लिए एक और कार्य:रोबोट को डांस करना सिखाएं । डांस, जैसा कि चैपमैन ने लिखा था, एक महत्वपूर्ण मॉडल था क्योंकि "यह लक्ष्यों को प्राप्त नहीं करता है। आप जीत या हार नहीं सकते। यह समाधान की आवश्यकता वाली समस्या नहीं है। नृत्य बातचीत की एक प्रक्रिया है। ” नृत्य करने वाले रोबोटों को एआई शोधकर्ताओं की प्राथमिकताओं में तेज बदलाव की आवश्यकता थी, जिनकी तकनीक स्पष्ट संरचना और अस्पष्ट लक्ष्यों के साथ शतरंज जैसे कार्यों के आसपास बनाई गई थी। नाचने वाले रोबोट बनाने की जटिलता के बारे में हमारी धारणाओं में और भी अधिक बदलाव की आवश्यकता है कि खुफिया क्या है।

चैपमैन अब दर्शन और संज्ञानात्मक विज्ञान के व्यावहारिक अनुप्रयोगों के बारे में लिख रहे हैं । हाल ही में, नॉटिलस पत्रिका के साथ एक साक्षात्कार में, उन्होंने नकल और प्रशिक्षुता के महत्व, औपचारिक तर्कसंगतता की सीमाओं के बारे में बात की, और रोबोट आपके लिए नाश्ता क्यों नहीं बनाते हैं।

दिलचस्प डांसिंग रोबोट क्या है?

मानव सीखना एक सामाजिक, मूर्त चीज है, और विशेष व्यावहारिक स्थितियों में होता है। आप एक पुस्तक से या प्रयोगशाला प्रयोगों से नृत्य करना नहीं सीखते हैं। आप अपने से अधिक अनुभवी लोगों के साथ नृत्य करके सीखते हैं।

नकल और प्रशिक्षुता लोगों को शिक्षित करने के मुख्य तरीके हैं। हम इसे भूल जाते हैं, क्योंकि पिछली सदी में कक्षा निर्देश फिर से महत्वपूर्ण हो गया है, और अधिक दृश्यमान है।

मैंने सीखने के फोकस को विकास में स्थानांतरित करने का फैसला किया। "सीखना" का अर्थ है समाप्त होना - एक बार जब आप कुछ सीख गए, तो आप समाप्त हो गए हैं। "विकास" का अर्थ है एक सतत अंतहीन प्रक्रिया। वे नृत्य में परीक्षा नहीं देते हैं, जिसके बाद आप अपनी पढ़ाई पूरी करते हैं।

यह पारंपरिक दृष्टिकोण से एआई को पढ़ाने के लिए एक गंभीर प्रस्थान था, है ना?

हां, पहले दशकों में, एआई शोधकर्ताओं ने उन कार्यों पर ध्यान केंद्रित किया, जो विशेष रूप से खुफिया से जुड़े हैं, क्योंकि वे लोगों के लिए मुश्किल हैं: उदाहरण के लिए, शतरंज। यह पता चला है कि तेजी से पर्याप्त कंप्यूटरों के लिए, शतरंज सरल है। शुरुआती कार्यों में, लोगों के लिए सरल कार्यों को अनदेखा किया गया था: उदाहरण के लिए, खाना पकाने का नाश्ता। रोबोट को नियंत्रित करने वाले कंप्यूटरों के लिए ऐसे सरल कार्य कठिन साबित हुए।

एआई सीखने के मुद्दों पर शोध करने के शुरुआती प्रयास भी शतरंज जैसे औपचारिक मुद्दों से निपटते हैं, जिसमें निकायों, सामाजिक और व्यावहारिक संदर्भों को नजरअंदाज किया जा सकता है। हाल के अध्ययनों से व्यावहारिक वास्तविक दुनिया के कार्यों में प्रभावशाली प्रगति दिखाई देती है, जैसे पैटर्न मान्यता। लेकिन मानव सीखने के लिए महत्वपूर्ण सामाजिक और भौतिक संसाधनों में सफलता अभी भी दिखाई नहीं दे रही है।

हेइडेगर हमें बुद्धि और सीखने के बारे में क्या सिखा सकता है ?

विज्ञान, इंजीनियरिंग और गणित में पिछले कुछ शताब्दियों में इस्तेमाल की गई औपचारिक तर्कसंगतता ने कई सफलताएं प्रदान की हैं। बुद्धि के सार के लिए इसे लेना स्वाभाविक है, और यह मान लेना कि यह मनुष्य के कामकाज को रेखांकित करता है। दशकों से, विश्लेषणात्मक दार्शनिक, संज्ञानात्मक मनोवैज्ञानिक, और एआई शोधकर्ताओं ने बिना शर्त स्वीकार किया है कि लोग पहले तर्क का उपयोग करके एक तर्कसंगत योजना बनाते हैं और फिर उसे निष्पादित करते हैं। 1980 के दशक के मध्य में, यह स्पष्ट हो गया कि तकनीकी कारणों से यह आमतौर पर संभव नहीं है।

दार्शनिक ह्यूबर्ट ड्रेफस फोर्सायह मृतक अपनी घटना से दस साल पहले, अपनी पुस्तक "व्हाट कम्प्यूटर्स कैन डू डू" में। वह हाइडेगर के नियमित व्यावहारिक कार्यों के विश्लेषण से आगे बढ़े, जैसे कि नाश्ता पकाना। इस तरह के शारीरिक कौशल के लिए औपचारिक तर्कसंगतता की आवश्यकता नहीं लगती है। इसके अलावा, औपचारिक तर्क में संलग्न होने की हमारी क्षमता व्यावहारिक, अनौपचारिक और भौतिक चीजों में संलग्न होने की हमारी क्षमता पर निर्भर करती है - लेकिन इसके विपरीत नहीं। संज्ञानात्मक विज्ञान ने सब कुछ ठीक विपरीत समझा! हाइडेगर ने सुझाव दिया कि उनका अधिकांश जीवन नाश्ते की तरह था, न कि शतरंज की तरह।

मेरे सहकर्मी फिल एगर और मैंने व्यावहारिक अभ्यासों में नए, संवादात्मक कम्प्यूटेशनल दृष्टिकोण विकसित किए, जिनमें औपचारिक तर्क शामिल नहीं हैं, और दिखाया कि वे पारंपरिक तार्किक प्रतिमानों की तुलना में बहुत अधिक प्रभावी हो सकते हैं। हालांकि, हमारे सिस्टम को मैन्युअल रूप से प्रोग्राम किया जाना चाहिए, जो कि वीडियो गेम की तुलना में थोड़ा अधिक जटिल कार्यों के लिए अव्यावहारिक लगता है। अगला कदम एआई सिस्टम होना चाहिए जो उन्हें सीधे प्रोग्रामिंग किए बिना कौशल विकसित करता है।

हाइडेगर ने सीखने के बारे में बहुत कम कहा, लेकिन उनका विचार था कि मानवीय गतिविधियों में हमेशा एक सामाजिक पहलू होता है। फिल और मैं नृविज्ञान, समाजशास्त्र और सामाजिक विकास मनोविज्ञान के स्कूलों से प्रेरित थे (जिनमें से कुछ, बदले में, हेइडेगर से भी प्रेरित थे)। हमने शिक्षुता के माध्यम से सीखने का एक कम्प्यूटेशनल सिद्धांत विकसित करना शुरू कर दिया। डांसिंग रोबोट के बारे में एक लेख हमारी आकांक्षाओं को आंशिक रूप से रेखांकित करता है। इसके तुरंत बाद, हमने महसूस किया कि इन विचारों को कामकाजी कार्यक्रमों में बदलना अभी संभव नहीं है।

एक भौतिक रोबोट का निर्माण कई कठिनाइयों को वहन करता है - उदाहरण के लिए, यह आवश्यक है कि यह गिर न जाए - पहली नज़र में, सीखने और बुद्धि के लिए एक सीधा संबंध नहीं है। कंप्यूटर एनीमेशन के साथ एक नृत्य रोबोट क्यों नहीं बनाना शुरू करें?

एआई के लिए एक तर्कसंगत दृष्टिकोण की चुनौतियों में से एक यह है कि हम वास्तविक दुनिया का बिल्कुल सटीक मॉडल नहीं बना सकते हैं। वह बहुत ही मैला है। बेरी जाम के एक चम्मच का एक निश्चित आकार नहीं होता है। यह चिपचिपा, निंदनीय है, तरल है। यह विषम है - आंशिक रूप से घिसे हुए जामुन तरल भागों से अलग व्यवहार करते हैं। परमाणु स्तर पर, यह भौतिकी के नियमों का पालन करता है, लेकिन उनके साथ नाश्ता पकाना अव्यावहारिक है।

ये हमारे शरीर हैं। मांसपेशियों में खिंचाव के धागे के साथ जेली के थैले होते हैं। हड्डियां अनियमित आकार की होती हैं, जो लोचदार टेंडनों द्वारा जुड़ी होती हैं, जिसके परिणामस्वरूप जोड़ों को एक जटिल पैटर्न के लिए उधार दिया जाता है, जो ताकत की सीमा तक पहुंचता है।

शारीरिक सिमुलेशन का उपयोग करके, आप एक एनिमेटेड फिगर डांस कर सकते हैं। वह बहुत यथार्थवादी लग सकता है। लेकिन ये तरीके सरल मानव कार्यों को करने के लिए रोबोट के साथ काम नहीं करते हैं। नाश्ता करना या बनाना अभी भी आधुनिक विज्ञान की पहुंच से परे है।

शारीरिक सिमुलेशन खराब तरीके से काम करते हैं क्योंकि इंसानों की तरह रोबोट के शरीर भी अपूर्ण होते हैं। अधिकांश आधुनिक डिजाइन रोबोट को सरल भौतिक मॉडल से जोड़ने की कोशिश करते हैं, जिससे वे मजबूत और ठोस हो जाते हैं, और जितना संभव हो उतना सूक्ष्म रूप से बनाया जाता है। लेकिन सभी समान हैं, वे लचीलापन और सीमाएं, और असंगतता दिखाते हैं, जिससे उन्हें नियंत्रित करना मुश्किल हो जाता है। उन्हें बहुत भारी और शक्तिशाली होना पड़ता है, जो उन्हें खतरनाक और अप्रभावी बनाता है।

"डांसिंग रोबोट" लेख में, मैंने इस दृष्टिकोण को छोड़ने का सुझाव दिया, और मशीन सीखने का उपयोग करके, हल्के, कमजोर और अधिक लचीले रोबोट को नियंत्रित करने के तरीके ढूंढे। एक बच्चे की तरह, सिस्टम को धीरे-धीरे अनुभव के माध्यम से शारीरिक कौशल विकसित करना चाहिए। तब हमारे पास पर्याप्त कंप्यूटर शक्ति नहीं थी, लेकिन कुछ शोधकर्ताओं ने हाल ही में इस दृष्टिकोण के साथ सफलता हासिल की है।

ऐसा लगता है कि यह विषय आपके काम में दोहराया जाता है। हम एक कठिन और निरपेक्ष दुनिया चाहते हैं, और यह जटिल और विषम है।

हां। " अर्थ " पर मेरा आखिरी काम समझ और कार्रवाई को बेहतर बनाने के लिए अनिश्चितता और पैटर्न के एक परस्पर क्रिया में काम करने का सुझाव देता है। यह व्यक्तिगत प्रभावशीलता के लिए एक "व्यावहारिक दर्शन" है, जो कि मैंने एआई के क्षेत्र में किए गए काम, और उन शैक्षणिक क्षेत्रों पर आधारित है, जिनका मैंने पहले उल्लेख किया था। उसके पास सीखने के लिए एक आयाम है। वयस्क विकास के एक अध्ययन से पता चलता है कि लोग पूर्व-तर्कसंगत, तर्कसंगत और मेटा-तर्कसंगत समझ के तरीकों के माध्यम से विकसित कर सकते हैं। औसत स्थिति अत्यंत गंभीर है। इसका विचार है कि दुनिया को प्रणालियों में समायोजित किया जा सकता है। यह दृष्टिकोण अटपटा, अक्षम और अस्थिर हो सकता है।

यदि बाधा जो हमें पूरी तरह से सटीक मॉडल से अलग करती है, तकनीकी के बजाय मौलिक है, तो क्या हमें एआई के लिए एक पूरी तरह से अलग दृष्टिकोण की आवश्यकता होगी?

1970 और 1980 के दशक का मूल दृष्टिकोण निश्चित रूप से विफल रहा है, और इसी कारण से। " गहन शिक्षा ", जिसने आश्चर्यजनक परिणाम प्राप्त किए हैं, अधिक लचीला है। यह निरपेक्ष और तार्किक लोगों के बजाय सांख्यिकीय और अंतर्निहित मॉडल बनाता है। हालांकि, इसके लिए बड़ी मात्रा में डेटा की आवश्यकता होती है, और लोग अक्सर एक उदाहरण से सीखते हैं। गहन शिक्षण दृष्टिकोण के दायरे और सीमाओं की खोज करना बहुत दिलचस्प होगा।

औपचारिक सीखने की सीमाएँ, या रोबोट डांस क्यों नहीं कर सकते

दिलचस्प डांसिंग रोबोट क्या है?

यह पारंपरिक दृष्टिकोण से एआई को पढ़ाने के लिए एक गंभीर प्रस्थान था, है ना?

हेइडेगर हमें बुद्धि और सीखने के बारे में क्या सिखा सकता है ?

ऐसा लगता है कि यह विषय आपके काम में दोहराया जाता है। हम एक कठिन और निरपेक्ष दुनिया चाहते हैं, और यह जटिल और विषम है।

More articles: