Yapay zeka ekrandan çıkıp gerçek dünyaya nasıl adım atacak? - Konferans

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.