Ein Konzept in der Psychologie hilft der KI, sich besser in unserer Welt zurechtzufinden

Kategorie: Künstliche Intelligenz Gesendet 17. Juli

Das Konzept: Wenn wir einen Stuhl betrachten, wissen wir, unabhängig von seiner Form und Farbe, dass wir darauf sitzen können. Wenn ein Fisch im Wasser ist, weiß er unabhängig von seinem Standort, dass er schwimmen kann. Dies ist als Theorie der Erschwinglichkeit bekannt, ein Begriff, der vom Psychologen James J. Gibson geprägt wurde. Es besagt, dass intelligente Wesen, wenn sie die Welt betrachten, nicht nur Objekte und ihre Beziehungen wahrnehmen, sondern auch deren Möglichkeiten . Mit anderen Worten, der Stuhl bietet die Möglichkeit zum Sitzen. Das Wasser bietet die Möglichkeit zum Schwimmen. Die Theorie könnte zum Teil erklären, warum tierische Intelligenz so verallgemeinerbar ist – wir wissen oft sofort, wie wir uns mit neuen Objekten auseinandersetzen müssen, weil wir ihre Möglichkeiten erkennen.

Die Idee: Forscher bei DeepMind nutzen dieses Konzept nun, um es weiterzuentwickeln ein neuer Ansatz für bestärkendes Lernen . Beim typischen bestärkenden Lernen lernt ein Agent durch Versuch und Irrtum, beginnend mit der Annahme, dass jede Aktion möglich ist. Ein Roboter, der zum Beispiel lernt, sich von Punkt A nach Punkt B zu bewegen, geht davon aus, dass er sich durch Wände oder Möbel bewegen kann, bis wiederholte Fehler ihm etwas anderes sagen. Die Idee ist, dass, wenn dem Roboter stattdessen zuerst die Erschwinglichkeiten seiner Umgebung beigebracht würden, er sofort einen erheblichen Teil der fehlgeschlagenen Versuche, die er durchführen müsste, eliminieren würde. Dies würde den Lernprozess effizienter machen und ihm helfen, sich über verschiedene Umgebungen hinweg zu verallgemeinern.

Die Experimente: Die Forscher erstellten ein einfaches virtuelles Szenario. Sie platzierten einen virtuellen Agenten in einer 2D-Umgebung mit einer Wand in der Mitte und ließen den Agenten seinen Bewegungsbereich erkunden, bis er gelernt hatte, was die Umgebung ihm erlauben würde – seine Erschwinglichkeiten. Die Forscher gaben dem Agenten dann eine Reihe einfacher Ziele, die er durch Verstärkungslernen erreichen sollte, z. B. eine bestimmte Bewegung nach rechts oder links. Sie fanden heraus, dass es im Vergleich zu einem Agenten, der die Erschwinglichkeiten nicht gelernt hatte, alle Bewegungen vermied, die dazu führen würden, dass es während seiner Bewegung von der Wand blockiert würde, und es so aufstellte, dass es sein Ziel effizienter erreichte.

Warum es wichtig ist: Die Arbeit befindet sich noch in einem frühen Stadium, daher verwendeten die Forscher nur eine einfache Umgebung und primitive Ziele. Aber ihre Hoffnung ist, dass ihre ersten Experimente dazu beitragen werden, eine theoretische Grundlage für die Skalierung der Idee auf viel komplexere Aktionen zu legen. In Zukunft sehen sie diesen Ansatz darin, dass ein Roboter schnell beurteilen kann, ob er beispielsweise Flüssigkeit in eine Tasse gießen kann. Nachdem es ein allgemeines Verständnis dafür entwickelt hat, welche Gegenstände die Möglichkeit bieten, Flüssigkeit zu halten und welche nicht, muss es nicht wiederholt die Tasse verpassen und Flüssigkeit über den ganzen Tisch gießen, um zu lernen, wie es sein Ziel erreicht.