Como é que os sistemas inteligentes aprendem por si próprios? Este tópico faz-me lembrar a forma como o AlphaGo aprendeu Go por si próprio - em vez de lhe ser ensinado cada movimento passo a passo, melhorou o seu jogo através de tentativa e erro e do jogo. O mecanismo subjacente a esta capacidade de auto-aprendizagem é fascinante. A aprendizagem autónoma nas inteligências modernas baseia-se frequentemente em arquitecturas de aprendizagem por reforço, mas a implementação é muito mais complexa do que isso. Tal como um recém-chegado a um novo emprego, as inteligências precisam de passar pelo processo de crescimento de "novato" a "perito".
O caso mais interessante talvez seja o projeto Hide&Seek da OpenAI. Neste ambiente virtual, as inteligências de IA não faziam ideia de como jogar às escondidas no início, mas após centenas de milhares de jogos, não só dominaram as regras básicas, como também desenvolveram espontaneamente estratégias avançadas, como a utilização de ferramentas para bloquear as passagens. Este processo de aprendizagem "epifânico" demonstra como os sistemas inteligentes podem adquirir capacidades através de interações ambientais e não através de regras rígidas. Muitas equipas de investigação estão agora a explorar este paradigma de aprendizagem autónoma baseada no ambiente.
Arquitetura multinível dos mecanismos de aprendizagem
Um olhar mais atento revela que a aprendizagem autónoma em sistemas inteligentes se manifesta tipicamente a três níveis: a aprendizagem por imitação mais básica (por exemplo, através de dados de demonstração humana), a aprendizagem por reforço mais avançada (modificando o comportamento através de feedback ambiental) e a meta-aprendizagem de ordem mais elevada (aprendendo a aprender de forma mais eficiente). O que significa que as inteligências que combinam os três tipos de aprendizagem podem adaptar-se a novas tarefas 5 a 8 vezes mais depressa. É interessante notar que este processo é muito semelhante ao percurso da aprendizagem humana!
Uma nova e excitante direção é a introdução do conceito de "modelação do mundo". Os corpos inteligentes construirão internamente uma representação abstrata do seu ambiente externo, tal como um mapa mental da nossa mente. Com este modelo, podem realizar "experiências de pensamento" antes de tomarem acções reais, reduzindo grandemente o custo da tentativa e erro. Uma experiência efectuada pela Google no ano passado mostrou que as inteligências equipadas com o modelo do mundo melhoraram a sua eficiência de aprendizagem em 70% em determinadas tarefas de tomada de decisões.
É claro que a aprendizagem autónoma também enfrenta enormes desafios. O mais óbvio é o chamado "dilema exploração-exploração": até que ponto deve um organismo inteligente experimentar novos comportamentos e quando deve seguir estratégias comprovadas? Uma equipa de investigadores da Universidade Carnegie Mellon encontrou recentemente uma solução interessante ao conceber um algoritmo que ajusta dinamicamente a intensidade da exploração, de modo a que as inteligências estejam mais inclinadas a utilizar os seus conhecimentos existentes em ambientes estáveis e a aumentar a exploração em ambientes voláteis.
Para ser sincero, as expectativas são bastante elevadas em relação à capacidade de as inteligências aprenderem sozinhas, mas a realidade é que o progresso tende a ser em espiral. Como no vídeo que vi há uns tempos, em que um robô aprendia a apertar uma tampa de garrafa, falhou centenas de vezes antes de dominar a técnica, um processo lento mas esclarecedor. Talvez os avanços futuros residam na forma de permitir que as inteligências transfiram mais eficazmente a aprendizagem de um domínio para novas tarefas.
评论列表 (0条):
加载更多评论 Carregando...