Se un computer possa mai passare per un essere vivente è una delle sfide chiave per i ricercatori nel campo dell'intelligenza artificiale. Ci sono stati grandi progressi nell'intelligenza artificiale da quando Alan Turing ha creato per la prima volta quello che ora viene chiamato il Test di Turing:se una macchina potesse mostrare un comportamento intelligente equivalente o indistinguibile da quello di un essere umano. Tuttavia, le macchine lottano ancora con una delle abilità fondamentali che è una seconda natura per gli esseri umani e altre forme di vita:l'apprendimento permanente. Cioè, l'apprendimento e l'adattamento mentre svolgiamo un'attività senza dimenticare le attività precedenti o il trasferimento intuitivo delle conoscenze raccolte da un'attività a un'area diversa.

Ora, con il supporto del programma DARPA Lifelong Learning Machines (L2M), i ricercatori dell'USC Viterbi hanno collaborato con i colleghi di istituzioni di tutto gli Stati Uniti e del mondo su una nuova risorsa per il futuro dell'apprendimento dell'IA, definendo come i sistemi artificiali possono pensare con successo , agire e adattarsi nel mondo reale, allo stesso modo delle creature viventi.

L'articolo, co-autore della professoressa di ingegneria elettrica e informatica Alice Parker e professore di ingegneria biomedica e di biochinesiologia e terapia fisica, Francisco Valero-Cuevas e i loro team di ricerca, è stato pubblicato su Nature Machine Intelligence , in collaborazione con la professoressa Dhireesha Kudithipudi presso l'Università del Texas a San Antonio, insieme ad altre 22 università.

Il team di ricerca comprendeva anche un ricercatore post-dottorato nel ValeroLab, Ali Marjaninejad, Ph.D. in Ingegneria Biomedica. candidato Darío Urbina e Ph.D. in Ingegneria Elettrica. candidato Suraj Chakravarthi Raja. Il precedente lavoro di ValeroLab nel campo dell'IA di ispirazione biologica includeva un arto robotico controllato dall'IA guidato da tendini simili a animali che possono imparare a camminare senza una conoscenza preliminare.

Valero-Cuevas ha affermato che l'obiettivo di questa pubblicazione era fornire una risorsa di riferimento per i ricercatori nell'IA per i decenni a venire, concentrandosi sul concetto di apprendimento permanente nei sistemi artificiali. Il progetto delineerà lo sviluppo di un nuovo tipo di intelligenza artificiale che sarà fondamentale per la tecnologia di prossima generazione come auto a guida autonoma, robot autonomi e droni e protesi intelligenti, esoscheletri e dispositivi indossabili.

L'apprendimento permanente è un insieme di capacità di ispirazione biologica che diamo per scontate, come la capacità di acquisire nuove competenze senza compromettere quelle precedenti, adattarsi ai cambiamenti e applicare le conoscenze apprese in precedenza a nuovi compiti.

"Il modo in cui tu e io impariamo è attraverso l'esperienza, l'imitazione e l'autoesplorazione e solo perché impari un nuovo compito, non significa che dimentichi i compiti precedenti", ha detto Valero-Cuevas. "Gli esseri umani imparano sul lavoro. Ci presentiamo e iniziamo a imparare e poi sappiamo come farlo. Le macchine non lo fanno ancora."

Valero-Cuevas ha detto che le macchine possono essere programmate tramite un algoritmo. Ad esempio, un'auto a guida autonoma può utilizzare algoritmi che ricevono dati da altri veicoli in modo che possa imparare a funzionare, prima di essere schierata nel mondo.

"Ma c'è una differenza molto chiara tra la formazione e l'implementazione. Quando una macchina viene implementata, non sta necessariamente imparando e se vuoi insegnarle qualcosa di nuovo, in genere devi cancellare la memoria e si dimentica come fare il prima cosa", ha detto Valero-Cuevas.

Questo è un problema noto come "oblio catastrofico", che è una delle principali carenze degli attuali sistemi di intelligenza artificiale evidenziata dal nuovo progetto.

"Come umano, potresti mostrarmi come giocare a ping pong, e poi posso usare quell'abilità e trasferirla per imparare a giocare a tennis o badminton". ha detto Valero-Cuevas. "Al momento, una macchina potrebbe imparare solo a praticare uno sport con la racchetta, come il ping pong. Se vuoi, per esempio, giocare a tennis che richiede di usare il tuo corpo in modo diverso, devi cambiare il programma. "

Oltre a superare il fattore dell'oblio catastrofico, il progetto dei ricercatori ha delineato una serie di altre competenze necessarie affinché i sistemi artificiali raggiungano l'apprendimento permanente allo stesso modo degli esseri viventi. Questi includono:

• Trasferimento e adattamento:la capacità di trasferire e riutilizzare la conoscenza e adattarsi a nuovi ambienti.
• Sfruttare la somiglianza delle attività:la capacità di apprendere più attività e trasferire le conoscenze tra di loro.
• Apprendimento indipendente dal compito:capire quando, durante l'allenamento, passare da un compito all'altro senza che gli venga detto.
• Tolleranza al rumore:essere in grado di completare la stessa attività in uno scenario reale quando le condizioni sono diverse dal periodo di addestramento (come operare durante la notte anziché durante il giorno).
• Efficienza delle risorse e sostenibilità:assicurando che l'apprendimento permanente non influisca negativamente sulla capacità di archiviazione e ne rallenti i tempi di risposta.

Esperto nel campo dei circuiti di ispirazione biologica, Parker ha una lunga storia di ricerca nel guardare il cervello umano per capire come funziona e come questa conoscenza può essere applicata ai sistemi artificiali. Per quest'ultimo articolo, Parker ha contribuito alla comprensione nell'area della neuromodulazione:il sistema nel cervello degli esseri viventi che aiuta a migliorare l'apprendimento, a superare il problema dell'oblio catastrofico, ad adattarsi ad ambienti incerti e a comprendere i cambiamenti nel contesto. Parker si concentra sulla costruzione di strutture elettroniche che supportano i circuiti neuromorfici (l'elettronica che modella il cervello) aggiungendo caratteristiche biologiche che non si trovano nell'hardware delle reti neurali esistenti, ma che supportano l'apprendimento permanente. Le caratteristiche includono gli astrociti, altre cellule cerebrali che interagiscono con i neuroni per supportare l'apprendimento, e il codice neurale, picchi ed esplosioni che trasmettono informazioni in forma codificata.

Valero-Cuevas ha affermato che la collaborazione intendeva essere una risorsa completa per la ricerca futura nell'apprendimento automatico e nell'intelligenza artificiale.

"La biologia è l'ispirazione. L'ultimo esempio di apprendimento permanente è un sistema biologico", ha detto Valero-Cuevas. "Quello che stiamo facendo è guardare a tutte le cose che i sistemi biologici possono fare, di cui siamo estremamente invidiosi, e chiederci cosa ci vorrebbe perché le macchine lo facciano."

"Pensiamo che almeno alcuni meccanismi della biologia, le lezioni apprese in milioni di anni di evoluzione, potrebbero essere tradotti e adottati dall'IA", ha affermato.