Mensimulasikan Evolusi Kecerdasan yang Diwujudkan – Majalah Time.com

oleh


Hewan telah mewujudkan kecerdasan: Mereka melakukan tugas-tugas yang dirancang dengan baik oleh tubuh mereka. Itu karena kecerdasan setiap spesies hewan berevolusi seiring dengan bentuk fisiknya saat berinteraksi dengan lingkungannya. Jadi, laba-laba menenun jaring dengan kaki kurus mereka, berang-berang menampar ekor lebar mereka untuk membunyikan alarm, cheetah berlari cepat untuk menangkap zebra, dan manusia memiliki ibu jari yang berlawanan untuk menggenggam alat.

Kecerdasan buatan juga cukup cerdas. Namun tidak seperti kecerdasan hewan, AI sering kali tidak berwujud. Pemrosesan bahasa alami dan jenis pembelajaran mesin lainnya, misalnya, biasanya dilakukan pada chip silikon di dalam komputer, tanpa manifestasi fisik di dunia. Dan walaupun computer vision membutuhkan kamera atau sensor, biasanya hal itu tidak tergantung pada bentuk fisik apa pun.

Sebuah tim peneliti di Stanford bertanya-tanya: Apakah perwujudan penting bagi evolusi kecerdasan? Dan jika demikian, bagaimana ilmuwan komputer dapat menggunakan perwujudan untuk menciptakan AI yang lebih cerdas?

Untuk menjawab pertanyaan ini, mereka menciptakan taman bermain simulasi komputer di mana agen mirip arthropoda yang dijuluki “unimals” (kependekan dari hewan universal dan diucapkan “yoo-nimals”) belajar dan mengalami mutasi dan seleksi alam. Para peneliti kemudian mempelajari bagaimana memiliki tubuh virtual mempengaruhi evolusi kecerdasan hewan.

“Kami sering begitu fokus pada kecerdasan yang menjadi fungsi otak manusia dan neuron secara khusus,” kata Fei Fei Li, anggota tim peneliti dan co-direktur dari Institut Stanford untuk AI yang Berpusat pada Manusia (HAI). “Melihat kecerdasan sebagai sesuatu yang diwujudkan secara fisik adalah paradigma yang berbeda.”

Temuan mereka, rinci dalam jurnal Komunikasi Alam, menyarankan perwujudan adalah kunci evolusi kecerdasan: Bentuk tubuh makhluk virtual memengaruhi kemampuan mereka untuk mempelajari tugas baru, dan morfologi yang belajar dan berkembang di lingkungan yang lebih menantang, atau saat melakukan tugas yang lebih kompleks, belajar lebih cepat dan lebih baik daripada yang belajar dan berkembang dalam lingkungan yang lebih sederhana. Dalam studi tersebut, unimal dengan morfologi yang paling sukses juga mengambil tugas lebih cepat dari generasi sebelumnya – meskipun mereka memulai keberadaan mereka dengan tingkat kecerdasan dasar yang sama dengan yang datang sebelumnya.

“Sepengetahuan kami, ini adalah simulasi pertama yang menunjukkan bahwa apa yang Anda pelajari dalam seumur hidup dapat dipercepat hanya dengan mengubah morfologi Anda,” kata rekan penulis studi Surya Ganguli, seorang profesor fisika terapan di School of Humanities and Sciences dan associate director di HAI.

Algoritme tim, yang disebut DERL (Deep Evolutionary Reinforcement Learning), dapat membantu peneliti merancang robot yang dioptimalkan untuk melakukan tugas dunia nyata di lingkungan dunia nyata. “Jika kita ingin agen-agen ini membuat hidup kita lebih baik, kita membutuhkan mereka untuk berinteraksi di dunia tempat kita tinggal,” kata penulis pertama studi dan mahasiswa pascasarjana ilmu komputer Agrim Gupta.

The Unimal Universe

Untuk memahami evolusi kecerdasan yang diwujudkan, tim tidak hanya memvariasikan bentuk tubuh hewan, tetapi juga lingkungan pelatihan dan tugas yang mereka lakukan. Dan semua variabel ini jauh lebih kompleks daripada pekerjaan sebelumnya, kata Ganguli. “Ini memungkinkan kami untuk melihat lebih banyak pertanyaan ilmiah daripada yang telah dilakukan sebelumnya.”

Tim juga mengadopsi skema evolusi Darwinian gaya turnamen untuk memastikan bahwa setiap morfologi unik memiliki lebih dari satu kesempatan untuk berhasil dan diteruskan ke generasi berikutnya. Pendekatan ini berfungsi untuk mempertahankan keragaman dalam populasi unimal dan juga mengurangi biaya komputasi simulasi.

Setiap simulasi dimulai dengan 576 unimal unik yang terdiri dari “bola” (kepala) dan “tubuh” yang terdiri dari sejumlah anggota badan silinder yang bersendi yang diatur dalam berbagai pengaturan. Setiap unimal merasakan dunia dengan cara yang sama dan memulai dengan arsitektur saraf dan algoritma pembelajaran yang sama. Dengan kata lain, semua unimal memulai kehidupan virtual mereka dengan tingkat kecerdasan yang sama — hanya bentuk tubuh mereka yang berbeda.

Setiap unimal kemudian melewati fase pembelajaran di mana ia menavigasi medan datar atau medan yang lebih menantang yang mencakup punggungan yang bergumpal, tangga, dan bukit yang mulus. Beberapa unimal harus memindahkan satu blok ke lokasi target melintasi medan variabel. Setelah pelatihan, setiap unimal memasuki turnamen dengan tiga unimal lainnya yang dilatih pada kombo lingkungan/tugas yang sama. Pemenang dipilih untuk menghasilkan keturunan tunggal yang mengalami mutasi tunggal yang melibatkan perubahan anggota badan atau persendian sebelum menghadapi tugas yang sama dengan orang tuanya. Semua unimal (termasuk pemenang) berpartisipasi dalam beberapa turnamen, menua hanya ketika keturunan baru muncul.

Setelah 4.000 morfologi yang berbeda telah dilatih, para peneliti mengakhiri simulasi. Pada saat itu, unimal yang masih hidup telah melalui, rata-rata, 10 generasi evolusi, dan morfologi yang berhasil sangat beragam, termasuk biped, triped, dan quadruped dengan dan tanpa lengan.

Tantangan Gladiator

Setelah menyelesaikan tiga putaran evolusioner per lingkungan (4.000 morfologi per putaran), Gupta dan rekan-rekannya memilih 10 unimal berkinerja terbaik dari setiap lingkungan dan melatih mereka dari awal dalam delapan tugas baru seperti menavigasi rintangan, memanipulasi bola, atau mendorong sebuah kotak di atas tanjakan.

Hasilnya: Gladiator yang berevolusi di medan variabel berkinerja lebih baik daripada yang berevolusi di medan datar, dan gladiator yang berevolusi untuk memanipulasi kotak di medan variabel memiliki performa terbaik. Unimal yang paling sukses juga belajar lebih cepat baik secara individu (dengan mencapai kinerja yang lebih baik dengan lebih sedikit pelatihan) dan lintas generasi. Memang, setelah 10 generasi, morfologi unimal yang paling sukses menjadi sangat baik beradaptasi sehingga mereka mempelajari tugas yang sama dalam waktu setengah dari nenek moyang mereka yang paling awal.

Hal ini sesuai dengan hipotesis yang dibuat pada akhir 1800-an oleh psikolog Amerika James Mark Baldwin, yang menduga bahwa kemampuan untuk mempelajari hal-hal yang memiliki keunggulan adaptif sebenarnya dapat diturunkan melalui seleksi alam Darwinian. Intinya, Gupta mengatakan, “Alam memilih perubahan tubuh yang membuat perolehan perilaku menguntungkan lebih cepat.”

Membuat AI yang Lebih Cerdas

Karena agen yang berkembang di lingkungan yang lebih kompleks mempelajari tugas-tugas baru lebih cepat dan lebih baik, Gupta dan rekan-rekannya percaya bahwa membiarkan agen yang disimulasikan berevolusi di lingkungan yang semakin kompleks akan memberikan wawasan untuk mengembangkan robot yang dapat belajar melakukan banyak tugas di dunia nyata.

Manusia belum tentu tahu bagaimana merancang tubuh robot untuk tugas-tugas aneh seperti merangkak melalui reaktor nuklir untuk mengekstrak limbah, memberikan bantuan bencana setelah gempa bumi, membimbing nanorobot melalui tubuh manusia, atau bahkan melakukan tugas-tugas rumah tangga seperti mencuci piring atau melipat cucian.

“Mungkin satu-satunya jalan ke depan adalah membiarkan evolusi merancang robot-robot ini,” kata Ganguli.

Sumber: Universitas Stanford





Source link

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *

Situs ini menggunakan Akismet untuk mengurangi spam. Pelajari bagaimana data komentar Anda diproses.

No More Posts Available.

No more pages to load.