Os anos 80 no laboratório de ciência da computação e inteligência artificial do MIT pareciam uma era de ouro para quem estava de fora, mas por dentro, David Chapman pôde observar que o inverno já estava se aproximando. Como membro do laboratório, Chapman se tornou o primeiro pesquisador a aplicar a matemática da teoria da complexidade computacional ao planejamento robótico, além de mostrar que não há um método generalizado real de criação de IA que possa fazer um plano para lidar com todas as circunstâncias imprevistas. Ele concluiu que, embora a IA no nível humano possa, em princípio, ser possível, nenhuma das abordagens disponíveis para nós tem alguma esperança de atingir esse nível.

Em 1990, Chapman escreveu, posteriormente amplamente divulgado, uma proposta de pesquisa pedindo uma nova abordagem e outra tarefa para a IA ser testada:ensine o robô a dançar . A dança, como Chapman escreveu, era um modelo importante porque “não atinge objetivos. Você não pode ganhar ou perder. Este não é um problema que requer solução. A dança é um processo de interação. ” Os robôs dançarinos exigiram uma mudança acentuada nas prioridades dos pesquisadores de IA, cujas técnicas foram construídas em torno de tarefas como xadrez, com uma estrutura clara e objetivos inequívocos. A complexidade de criar robôs dançarinos exigiu uma mudança ainda maior em nossas suposições sobre o que é inteligência.

Chapman está escrevendo agora sobre as aplicações práticas da filosofia e da ciência cognitiva . Recentemente, em uma entrevista à revista Nautilus, ele falou sobre a importância da imitação e aprendizagem, as limitações da racionalidade formal e por que os robôs não preparam o café da manhã para você.

O que é um robô dançarino interessante?

A aprendizagem humana é uma coisa social, tangível e ocorre em situações práticas especiais. Você não aprende a dançar de um livro ou de experimentos de laboratório. Você aprende dançando com pessoas mais experientes do que você.

Imitação e aprendizagem são as principais maneiras de educar as pessoas. Esquecemos isso, pois o ensino em sala de aula voltou a ser importante no século passado e mais visível.

Decidi mudar o foco da aprendizagem para o desenvolvimento. "Aprender" significa terminar - depois de aprender algo, você termina. "Desenvolvimento" significa um processo contínuo e interminável. Eles não fazem exames de dança, após o qual você termina seus estudos.

Foi uma partida séria da abordagem tradicional para ensinar IA, certo?

Sim, nas primeiras décadas, os pesquisadores de IA se concentraram nas tarefas especialmente associadas à inteligência, porque são difíceis para as pessoas: por exemplo, xadrez. Acontece que, para computadores rápidos o suficiente, o xadrez é simples. Nos primeiros trabalhos, tarefas simples para as pessoas eram ignoradas: cozinhar o café da manhã, por exemplo. Tarefas tão simples provaram ser difíceis para computadores que controlam robôs.

As primeiras tentativas de pesquisar questões de aprendizagem da IA também tratavam de questões formais, como o xadrez, nas quais corpos, contextos sociais e práticos poderiam ser ignorados. Estudos recentes mostram um progresso impressionante em tarefas práticas do mundo real, como reconhecimento de padrões. Mas sucessos em recursos sociais e físicos críticos para a aprendizagem humana ainda não são visíveis.

O que Heidegger pode nos ensinar sobre inteligência e aprendizado?

A racionalidade formal usada em ciência, engenharia e matemática nos últimos séculos forneceu muitos avanços. É natural tomá-lo como essência da inteligência e assumir que ela é subjacente ao funcionamento do homem. Durante décadas, filósofos analíticos, psicólogos cognitivos e pesquisadores de IA aceitaram incondicionalmente que as pessoas primeiro criam um plano racional usando a lógica e depois o executam. Em meados da década de 1980, ficou óbvio que, por razões técnicas, isso geralmente não é possível.

O filósofo Hubert Dreyfus previuesse beco sem saída dez anos antes de sua ocorrência, em seu livro "O que os computadores não podem fazer". Ele prosseguiu com a análise de Heidegger das ações práticas rotineiras, como preparar o café da manhã. Tais habilidades físicas não parecem exigir racionalidade formal. Além disso, nossa capacidade de se envolver em raciocínio formal depende de nossa capacidade de se envolver em coisas práticas, informais e físicas - mas não vice-versa. A ciência cognitiva entendeu tudo exatamente o oposto! Heidegger sugeriu que a maior parte de sua vida era como café da manhã e não como xadrez.

Meu colega Phil Agre e eu desenvolvemos novas abordagens computacionais interativas para exercícios práticos que não incluem o raciocínio formal e mostraram que elas podem ser muito mais eficazes do que os paradigmas lógicos tradicionais. No entanto, nossos sistemas devem ser programados manualmente, o que parece impraticável para tarefas um pouco mais complicadas que os videogames. O próximo passo deve ser sistemas de IA que desenvolvam habilidades sem programá-las diretamente.

Heidegger falou pouco sobre o aprendizado, mas sua idéia de que as atividades humanas sempre têm um aspecto social era fundamental. Phil e eu fomos inspirados pelas escolas de antropologia, sociologia e psicologia do desenvolvimento social (algumas das quais, por sua vez, também foram inspiradas por Heidegger). Começamos a desenvolver uma teoria computacional da aprendizagem através da aprendizagem. Um artigo sobre robôs dançantes descreve parcialmente nossas aspirações. Logo depois, percebemos que ainda não era possível transformar essas idéias em programas de trabalho.

A construção de um robô físico traz muitas dificuldades - por exemplo, é necessário que não caia - sem ter, à primeira vista, uma relação direta com aprendizado e inteligência. Por que não começar a criar um robô dançarino com animação por computador?

Um dos desafios de uma abordagem racionalista da IA é que não podemos construir um modelo absolutamente preciso do mundo real. Ele é muito desleixado. Uma colher de geléia de frutas silvestres não tem uma forma definida. É pegajoso, maleável, fluido. É heterogêneo - bagas parcialmente esfregadas se comportam de maneira diferente das partes líquidas. No nível atômico, ele obedece às leis da física, mas preparar o café da manhã com elas é impraticável.

Estes são nossos corpos. Músculos são sacos de geléia entremeados por fios elásticos. Os ossos são de forma irregular, conectados por tendões elásticos, pelo que as articulações se prestam a um padrão complexo, aproximando-se do limite de força.

Usando simulações físicas, você pode fazer uma figura animada dançar. Ela pode parecer muito realista. Mas esses métodos não funcionam com robôs para executar tarefas humanas simples. Dançar ou fazer café da manhã ainda está fora do alcance da ciência moderna.

As simulações físicas funcionam mal porque os corpos dos robôs, como os humanos, são imperfeitos. A maioria dos projetos modernos tenta anexar robôs a modelos físicos simples, tornando-os fortes e sólidos, e o mais finamente possível. No entanto, eles mostram flexibilidade e limitações, e inconsistência, o que os torna difíceis de controlar. Eles também precisam ser muito pesados e poderosos, o que os torna perigosos e ineficazes.

No artigo “Dancing Robots”, sugeri abandonar essa abordagem e, usando o aprendizado de máquina, encontrar maneiras de controlar robôs leves, mais fracos e mais flexíveis. Como uma criança, o sistema deve gradualmente desenvolver habilidades físicas através da experiência. Então não tínhamos energia suficiente para o computador, mas alguns pesquisadores recentemente obtiveram sucesso com essa abordagem.

Parece que esse tópico se repete em seu trabalho. Queremos um mundo difícil e absoluto, e é complexo e heterogêneo.

Sim Meu último trabalho sobre " significados " sugere trabalhar em uma interação de incerteza e padrões para melhorar a compreensão e a ação. Essa é uma “filosofia prática” para eficácia pessoal, baseada no trabalho que fiz no campo da IA e nas áreas acadêmicas que mencionei anteriormente. Ela tem uma dimensão para aprender. Um estudo do desenvolvimento adulto mostra que as pessoas podem se desenvolver por meio de formas de entendimento pré-racionais, racionais e meta-racionais. A condição média é extremamente grave. Tem a ideia de que o mundo pode ser ajustado aos sistemas. Essa abordagem pode ser estranha, ineficiente e instável.

Se a barreira que nos separa de modelos perfeitamente precisos é fundamental e não tecnológica, precisaremos de uma abordagem completamente diferente da IA?

A abordagem básica das décadas de 1970 e 1980 definitivamente falhou, e por esse mesmo motivo. O " aprendizado profundo ", que alcançou resultados surpreendentes, é mais flexível. Constrói modelos estatísticos e implícitos, em vez de absolutos e lógicos. No entanto, requer grandes quantidades de dados e as pessoas geralmente aprendem com um único exemplo. Será muito interessante descobrir o escopo e as limitações da abordagem de aprendizado profundo.

Limitações do aprendizado formal ou por que os robôs não conseguem dançar