Sürücüsüz arabaları eğitildikleri
yolların dışına çıkarıldığında hata yapma olasılıkları
artıyor. Yanlış şeylere odaklanabiliyorlar. Yayayı algılamadığı
oluyor. Bebekler 12-18 aylıkken kaşık tutmayı öğrenebilirken,
robotlara bir nesneyi tutması öğretilemiyor. Yani yapay zeka
sorulan sorulara ekrandan gayet güzel yanıt verebilse de, ekranın
dışındaki fiziksel dünyayı öğrenemiyor.
Robotik ve yapay zeka öncüsü Daniela Rus, yapay zeka ve robot
teknolojilerinin yakınlaşmasının günlük yaşamda yeni ve harika
bir olasılıklar dünyasının kapılarını açacağını söylüyor.
Makinelerin düşünme biçimlerini inceleyen Rus, basit
organizmaların sinirsel süreçlerini taklit eden devrim
niteliğindeki bir YZ sınıfı olan "sıvı ağların"
akıllı makinelerin bilgiyi daha verimli bir şekilde işlemesine
nasıl yardımcı olabileceğini ve YZ'nin dijital sınırların
ötesinde çalışmasını ve gerçek dünyaya dinamik bir şekilde
dahil olmasını sağlayacak "fiziksel zekayı" nasıl
ortaya çıkarabileceğini açıklıyor.
Robotik okuyan bir öğrenciyken, bir
grubumuz profesörümüzün doğum günü için bir hediye yapmaya
karar verdik. Robotumuzu onun için bir dilim pasta kesecek şekilde
programlamak istedik. Yazılımı yazmak için bütün gece uğraştık
ve ertesi gün felaket oldu. Robotu yumuşak, yuvarlak bir
pandispanya kesmesi için programladık ama iyi koordine edemedik.
Onun yerine kare şeklinde sert bir dondurmalı pasta aldık. Robot
çılgınca çırpındı ve neredeyse pastayı yok ediyordu.
...
Yapay zeka karar verme ve öğrenme
yetisiyle sizi hayrete düşürdü, ancak bilgisayarların içine
hapsolmuş durumda. Robotlar fiziksel bir varlığa sahipler ve
önceden programlanmış görevleri yerine getirebiliyorlar, ancak
zeki değiller.
...
İşte bu ayrım değişmeye başlıyor.
YZ, 2D bilgisayar ekranı etkileşimlerinden kurtulmak ve canlı,
fiziksel bir 3D dünyaya girmek üzere. Laboratuvarımda, YZ’nin
dijital zekasını robotların mekanik becerisiyle birleştiriyoruz.
Yapay zekayı dijital dünyadan fiziksel dünyaya taşımak,
makineleri akıllı hale getiriyor ve benim fiziksel zeka olarak
adlandırdığım bir sonraki büyük atılıma yol açıyor.
...
Fiziksel zeka için yapay zekanın
robotun vücuduna sığan bilgisayarlarda çalışması gerekiyor.
Örneğin, yumuşak robot balığımız. Günümüzün YZ’si
sığmayan sunucu çiftlikleri kullanıyor. Günümüzün yapay
zekası da hatalar yapıyor. Bir robot arabadaki bu YZ sistemi
yayaları algılamıyor. Fiziksel zeka için hata yapmayan küçük
beyinlere ihtiyacımız var.
...
Bu zorlukların üstesinden C.
elegans adlı bir solucandan ilham alarak geliyoruz. İnsan
beynindeki milyarlarca nöronun aksine, C. elegans sadece 302 nöronla
mutlu bir yaşam sürüyor ve biyologlar bu nöronların her birinin
ne yaptığının matematiğini anlıyor.
...
İş arkadaşlarım ve öğrencilerimle
birlikte yapay zekaya “sıvı ağlar” adını verdiğimiz yeni
bir yaklaşım geliştirdik. Sıvı ağlar, günümüzün geleneksel
yapay zeka çözümlerinden çok daha kompakt ve açıklanabilir
çözümlerle sonuçlanıyor.
...
(Sürücüsüz arabalar yoldan çok,
yol kenarındaki çalılara bakarak araba sürüyor. Yani
odaklanmaları gürültülü oluyor.)
Bu bizim sürücüsüz arabamız.
Geleneksel bir yapay zeka çözümü kullanılarak eğitildi, bugün
birçok uygulamada bulabileceğiniz türden. Bu arabanın gösterge
paneli. Sağ alt köşede haritayı göreceksiniz. Sol üst köşede,
kamera giriş akışı. Ortada yanıp sönen ışıkların olduğu
büyük kutu ise karar verme motoru. On binlerce yapay nörondan
oluşuyor ve arabanın nasıl yönlendirilmesi gerektiğine karar
veriyor. Bu nöronların aktivitesini arabanın davranışıyla
ilişkilendirmek mümkün değil. Dahası, sol alt tarafa bakarsanız,
bu karar verme motorunun arabaya ne yapması gerektiğini söylemek
için görüntünün neresine baktığını görürsünüz. Ne kadar
gürültülü olduğunu görüyorsunuz. Bu araba yolun kenarındaki
çalılara ve ağaçlara bakarak sürüyor. Biz böyle araba
kullanmıyoruz. İnsanlar yola bakar. Şimdi bunu on binlerce nöron
yerine sadece 19 nörondan oluşan sıvı ağ çözümümüzle
karşılaştırın. Dikkat haritasına bakın. Çok temiz ve yol
ufkuna ve yolun kenarına odaklanmış. Bu modeller çok daha küçük
olduğu için aslında nasıl karar verdiklerini anlayabiliyoruz.
...
Peki
bu performansı nasıl elde ettik? Geleneksel bir yapay zeka
sisteminde, hesaplama nöronu yapay nörondur ve yapay nöron esasen
bir açma/kapama hesaplama birimidir. Bazı sayıları alır, toplar,
bazı temel matematiği uygular ve sonucu iletir. Bu karmaşıktır
çünkü binlerce hesaplama biriminde gerçekleşir. Sıvı ağlarda,
daha az nöronumuz vardır, ancak her biri daha karmaşık matematik
yapar.
...
İşte sıvı nöronumuzun içinde
olanlar. Nöral hesaplamayı ve yapay sinapsı modellemek için
diferansiyel denklemler kullanıyoruz. Bu diferansiyel denklemler,
biyologların solucanların nöral yapısı için haritalandırdıkları
şeydir. Ayrıca bilgi akışını arttırmak için nöronları
farklı şekilde bağladık. Bu değişiklikler olağanüstü
sonuçlar veriyor. Geleneksel yapay zeka sistemleri eğitimden sonra
dondurulur. Bu da onları vahşi doğada fiziksel bir dünyaya
yerleştirdiğimizde gelişmeye devam edemeyecekleri anlamına
geliyor. Sadece bir sonraki sürümü bekleriz. Sıvı nöronun
içinde olup bitenler nedeniyle, sıvı ağlar eğitimden sonra
gördükleri girdilere göre uyum sağlamaya devam eder.
(Geniş
Dil Modellerinin verdiği bilgiler mümkün olduğunca kontrol
altında tutulması için nöron ağları ve dolayısıyla öğrendiği
bilgiler dondurulur. Ya da bir sürücüsüz arabanın nöron ağı
eğitildikten sonra hatalı şeyler öğrenmesini engellemek için
dondurulur. Bu Sıvı Nöron Ağı ise sürekli öğrenebiliyor.)
...
Geleneksel yapay zeka ve sıvı ağları
bu videolar gibi yaz videolarını kullanarak eğittik ve görevimiz
ormanda bir şeyler bulmaktı. Tüm modeller yaz aylarında bu görevi
nasıl yapacaklarını öğrendi. Daha sonra modelleri sonbaharda
drone’larda kullanmaya çalıştık. Geleneksel yapay zeka
çözümünün arka plan yüzünden kafası karışıyor. Dikkat
haritasına bakıyor, görevi yapamıyor. Sıvı ağların arka
planla kafası karışmıyor ve görevi çok başarılı bir şekilde
yerine getiriyor.
...
Şimdiye kadar muhtemelen metinden
görüntüye sistemleri kullanarak görüntüler oluşturmuşsunuzdur.
Metinden robota da yapabiliriz, ancak günümüzün yapay zeka
çözümlerini kullanamayız çünkü bunlar istatistikler üzerinde
çalışıyor ve fiziği anlamıyor. Laboratuvarımda, makine için
fiziksel kısıtlamaları kontrol ederek ve simüle ederek tasarım
sürecine rehberlik eden bir yaklaşım geliştirdik. Bana ileriye
doğru yürüyebilen bir robot yap şeklinde bir dil komutuyla
başlıyoruz ve sistemimiz şekil, malzemeler, aktüatörler,
sensörler, onu kontrol edecek program ve onu yapmak için gerekli
üretim dosyalarını içeren tasarımları üretiyor. Daha sonra
tasarımlar, spesifikasyonları karşılayana kadar simülasyonda
rafine ediliyor. Böylece birkaç saat içinde fikirden kontrol
edilebilir fiziksel makineye geçebiliyoruz.
...
Dolayısıyla metni görüntüye,
görüntüyü de robota dönüştürebilmek çok önemli çünkü
yeni ürünleri prototip haline getirmek ve test etmek için gereken
süreyi ve kaynakları büyük ölçüde azaltıyoruz ve bu da çok
daha hızlı bir inovasyon döngüsü sağlıyor.
...
(İnsanların
hareketlerini sensörlerle takip ederek, hareket etmeyi öğreniyorlar sıvı nöron ağları.)
Şimdi
bu makinelerin öğrenmesini sağlamak için sıçrama yapmaya bile
hazırız. Fiziksel zekanın üçüncü yönü. Bu makineler
görevlerin nasıl yapılacağını insanlardan öğrenebilir. Bunu
insandan robota olarak düşünebilirsiniz. Laboratuvarımda,
insanlara sensörler yerleştirdiğimiz bir mutfak ortamı yarattık
ve insanların mutfak işlerini nasıl yaptıklarına dair çok
sayıda veri topladık. Fiziksel verilere ihtiyacımız var çünkü
videolar görevin dinamiklerini yakalayamıyor. Bu yüzden insanların
görevleri nasıl yaptıklarına dair kas, poz ve hatta bakış
bilgilerini topluyoruz. Sonra da robotlara aynı görevleri nasıl
yapacaklarını öğretmek için bu verileri kullanarak yapay zekayı
eğitiyoruz. Sonuçta zarafet ve çeviklikle hareket eden, uyum
sağlayan ve öğrenen makineler ortaya çıkıyor. Fiziksel zeka. Bu
yaklaşımı robotlara çok çeşitli görevleri nasıl yapacaklarını
öğretmek için kullanabiliriz: yemek hazırlama, temizlik ve çok
daha fazlası.
...
Görüntüleri ve metinleri işlevsel
makinelere dönüştürme becerisi ve bu makineler için insanlardan
öğrenebilen güçlü beyinler oluşturmak üzere sıvı ağları
kullanmak inanılmaz derecede heyecan verici. Çünkü bu, hayal
ettiğimiz neredeyse her şeyi yapabileceğimiz anlamına geliyor.
Günümüzün yapay zekasının bir tavanı var. Sunucu çiftlikleri
gerektiriyor. Sürdürülebilir değil. Açıklanamaz hatalar
yapıyor. Mevcut teklifle yetinmeyelim. Yapay zeka fiziksel dünyaya
girdiğinde, faydalar ve atılımlar için fırsatlar
olağanüstüdür.
...
Yine de, gelişen fiziksel zeka bize
teknoloji ve kendimiz hakkında öğrenecek daha çok şeyimiz
olduğunu öğretiyor. Yapay zeka üzerinde insan rehberliğine çok
geç olmadan ihtiyacımız var. Ne de olsa bu gezegenden ve üzerinde
yaşayan her şeyden biz sorumluyuz. İnsanlık ve gezegen için daha
iyi bir gelecek sağlamak üzere fiziksel zekayı kullanma gücüne
sahip olduğumuza olan inancımı koruyorum.