Tahun 80-an di laboratorium ilmu komputer dan kecerdasan buatan MIT tampak seperti zaman keemasan bagi orang luar, tetapi di dalam, David Chapman dapat mengamati bahwa musim dingin sudah mendekat. Sebagai anggota laboratorium, Chapman menjadi peneliti pertama yang menerapkan matematika dari teori kompleksitas komputasi untuk perencanaan robot, serta menunjukkan bahwa tidak ada metode umum yang nyata untuk membuat AI yang dapat membuat rencana untuk menangani semua keadaan yang tidak terduga. Dia menyimpulkan bahwa meskipun AI pada tingkat manusia pada prinsipnya dimungkinkan, tidak ada pendekatan yang tersedia bagi kita yang memiliki harapan untuk mencapai tingkat ini.

Pada tahun 1990, Chapman menulis, kemudian diedarkan secara luas, sebuah proposal penelitian yang menyerukan pendekatan baru dan tugas lain untuk AI untuk diuji:ajari robot untuk menari . Tarian itu, seperti ditulis Chapman, adalah model yang penting karena “tidak mencapai tujuan. Anda tidak bisa menang atau kalah. Ini bukan masalah yang membutuhkan solusi. Tarian adalah proses interaksi. ” Robot penari membutuhkan perubahan tajam dalam prioritas peneliti AI, yang tekniknya dibangun di sekitar tugas-tugas seperti catur, dengan struktur yang jelas dan tujuan yang jelas. Kompleksitas membuat robot menari membutuhkan perubahan yang lebih besar dalam asumsi kita tentang apa itu kecerdasan.

Chapman sekarang menulis tentang aplikasi praktis filsafat dan sains kognitif . Baru-baru ini, dalam sebuah wawancara dengan majalah Nautilus, ia berbicara tentang pentingnya imitasi dan magang, keterbatasan rasionalitas formal, dan mengapa robot tidak memasak sarapan untuk Anda.

Apa itu robot menari yang menarik?

Pembelajaran manusia adalah hal yang sosial, nyata, dan terjadi dalam situasi praktis khusus. Anda tidak belajar menari dari buku atau dari eksperimen laboratorium. Anda belajar dengan menari dengan orang yang lebih berpengalaman daripada Anda.

Imitasi dan magang adalah cara utama untuk mendidik orang. Kami lupa ini, karena pengajaran di kelas kembali menjadi penting di abad terakhir, dan lebih terlihat.

Saya memutuskan untuk mengalihkan fokus belajar ke pengembangan. "Belajar" berarti mengakhiri - setelah Anda mempelajari sesuatu, Anda sudah selesai. "Pembangunan" berarti proses tanpa akhir yang berkelanjutan. Mereka tidak mengikuti ujian menari, setelah itu Anda menyelesaikan studi Anda.

Itu adalah keberangkatan yang serius dari pendekatan tradisional untuk mengajar AI, kan?

Ya, pada dekade pertama, peneliti AI berfokus pada tugas-tugas yang terutama terkait dengan kecerdasan, karena sulit bagi orang-orang: misalnya, catur. Ternyata untuk komputer yang cukup cepat, catur itu sederhana. Dalam karya-karya awal, tugas-tugas sederhana untuk orang-orang diabaikan: memasak sarapan, misalnya. Tugas sederhana seperti itu terbukti sulit bagi komputer yang mengendalikan robot.

Upaya awal untuk meneliti masalah pembelajaran AI juga berurusan dengan masalah formal, seperti catur, di mana tubuh, konteks sosial dan praktis dapat diabaikan. Studi terbaru menunjukkan kemajuan yang mengesankan dalam tugas-tugas praktis dunia nyata, seperti pengenalan pola. Tetapi keberhasilan dalam sumber daya sosial dan fisik yang penting untuk pembelajaran manusia masih belum terlihat.

Apa yang bisa Heidegger ajarkan kepada kita tentang kecerdasan dan pembelajaran?

Rasionalitas formal yang digunakan dalam sains, teknik, dan matematika selama beberapa abad terakhir telah memberikan banyak terobosan. Adalah wajar untuk menganggapnya sebagai esensi kecerdasan, dan berasumsi bahwa itu mendasari fungsi manusia. Selama beberapa dekade, filsuf analitis, psikolog kognitif, dan peneliti AI telah tanpa syarat menerima bahwa orang pertama-tama membuat rencana rasional menggunakan logika dan kemudian melaksanakannya. Pada pertengahan 1980-an, menjadi jelas bahwa untuk alasan teknis ini biasanya tidak mungkin.

Filsuf Hubert Dreyfus meramalkanjalan buntu ini sepuluh tahun sebelum kemunculannya, dalam bukunya "What Computers Can't Do Do". Dia melanjutkan dari analisis Heidegger tentang tindakan praktis rutin, seperti memasak sarapan. Keterampilan fisik seperti itu tampaknya tidak memerlukan rasionalitas formal. Selain itu, kemampuan kita untuk terlibat dalam penalaran formal tergantung pada kemampuan kita untuk terlibat dalam hal-hal praktis, informal dan fisik - tetapi tidak sebaliknya. Ilmu kognitif memahami segala sesuatu yang sebaliknya! Heidegger menyarankan bahwa sebagian besar hidupnya seperti sarapan, dan tidak seperti catur.

Kolega saya Phil Perjanjian dan saya mengembangkan pendekatan komputasi interaktif baru untuk latihan praktis yang tidak termasuk penalaran formal, dan menunjukkan bahwa mereka bisa jauh lebih efektif daripada paradigma logis tradisional. Namun, sistem kami harus diprogram secara manual, yang tampaknya tidak praktis untuk tugas yang sedikit lebih rumit daripada video game. Langkah selanjutnya adalah sistem AI yang mengembangkan keterampilan tanpa memprogramnya secara langsung.

Heidegger tidak banyak berbicara tentang belajar, tetapi gagasannya bahwa kegiatan manusia selalu memiliki aspek sosial adalah kuncinya. Phil dan saya terinspirasi oleh sekolah-sekolah antropologi, sosiologi dan psikologi perkembangan sosial (beberapa di antaranya, juga diilhami oleh Heidegger). Kami mulai mengembangkan teori komputasi pembelajaran melalui pemagangan. Artikel tentang robot menari sebagian menguraikan aspirasi kami. Segera setelah itu, kami menyadari bahwa mengubah ide-ide ini menjadi program kerja belum memungkinkan.

Konstruksi robot fisik membawa banyak kesulitan - misalnya, perlu tidak jatuh - tidak memiliki, pada pandangan pertama, hubungan langsung dengan pembelajaran dan kecerdasan. Mengapa tidak mulai membuat robot menari dengan animasi komputer?

Salah satu tantangan dari pendekatan rasionalis terhadap AI adalah bahwa kita tidak dapat membangun model dunia nyata yang benar-benar akurat. Dia sangat ceroboh. Sendok selai berry tidak memiliki bentuk yang pasti. Ini lengket, mudah dibentuk, cairan. Ini heterogen - buah yang digosok sebagian berperilaku berbeda dari bagian cair. Pada tingkat atom, ia mematuhi hukum fisika, tetapi memasak sarapan bersama mereka tidak praktis.

Ini adalah tubuh kita. Otot adalah kantong-kantong agar-agar yang diselingi benang stretch. Tulang memiliki bentuk yang tidak beraturan, dihubungkan oleh tendon elastis, akibatnya persendiannya memberikan pola yang kompleks, mendekati batas kekuatan.

Menggunakan simulasi fisik, Anda dapat membuat gambar animasi menari. Dia mungkin terlihat sangat realistis. Tetapi metode ini tidak bekerja dengan robot untuk melakukan tugas manusia yang sederhana. Menari atau membuat sarapan masih di luar jangkauan sains modern.

Simulasi fisik bekerja buruk karena tubuh robot, seperti manusia, tidak sempurna. Sebagian besar desain modern mencoba untuk melampirkan robot ke model fisik sederhana, membuatnya kuat dan solid, dan dibuat sebaik mungkin. Namun semuanya sama, mereka menunjukkan fleksibilitas dan keterbatasan, dan ketidakkonsistenan, yang membuat mereka sulit dikendalikan. Mereka juga harus sangat berat dan kuat, yang membuat mereka berbahaya dan tidak efektif.

Dalam artikel "Robot Menari," saya menyarankan untuk berhenti dari pendekatan ini, dan menggunakan pembelajaran mesin, menemukan cara untuk mengendalikan robot yang lebih ringan, lebih lemah, dan lebih fleksibel. Seperti anak kecil, sistem harus secara bertahap mengembangkan keterampilan fisik melalui pengalaman. Kemudian kami tidak memiliki kekuatan komputer yang memadai, tetapi beberapa peneliti baru-baru ini mencapai keberhasilan dengan pendekatan ini.

Tampaknya topik ini diulang dalam pekerjaan Anda. Kami menginginkan dunia yang keras dan absolut, dan itu kompleks dan heterogen.

Ya Pekerjaan terakhir saya tentang " makna " menyarankan untuk bekerja dalam interaksi yang tidak menentu dan pola untuk meningkatkan pemahaman dan tindakan. Ini adalah "filosofi praktis" untuk efektivitas pribadi, berdasarkan pada pekerjaan yang saya lakukan di bidang AI, dan bidang akademik yang saya sebutkan sebelumnya. Dia memiliki dimensi untuk belajar. Sebuah studi tentang perkembangan orang dewasa menunjukkan bahwa orang dapat berkembang melalui cara-cara pemahaman pra-rasional, rasional, dan meta-rasional. Kondisi rata-rata sangat parah. Ia memiliki gagasan bahwa dunia dapat disesuaikan dengan sistem. Pendekatan ini bisa canggung, tidak efisien dan tidak stabil.

Jika penghalang yang memisahkan kita dari model yang sangat akurat lebih penting daripada teknologi, akankah kita membutuhkan pendekatan yang sama sekali berbeda untuk AI?

Pendekatan dasar dari tahun 1970-an dan 1980-an pasti gagal, dan karena alasan inilah. " Pembelajaran mendalam ", yang telah mencapai hasil luar biasa, lebih fleksibel. Itu membangun model statistik dan implisit, bukan yang absolut dan logis. Namun, ini membutuhkan sejumlah besar data, dan orang sering belajar dari satu contoh. Akan sangat menarik untuk menemukan ruang lingkup dan keterbatasan dari pendekatan pembelajaran yang mendalam.

Keterbatasan Pembelajaran Formal, atau Mengapa Robot Tidak Bisa Menari