A menudo se piensa que la inteligencia artificial es incorpórea: una mente como un programa, flotando en un vacío digital. Pero las mentes humanas están profundamente entrelazadas con nuestros cuerpos, y un experimento con criaturas virtuales La realización de tareas en entornos simulados sugiere que la IA puede beneficiarse de tener una configuración mente-cuerpo.
Los científicos de Stanford sentían curiosidad por la interacción físico-mental en nuestra propia evolución de manchas a simios que usan herramientas. ¿Podría ser que el cerebro esté influenciado por las capacidades del cuerpo y viceversa? Se ha sugerido antes, hace más de un siglo, de hecho, y ciertamente es obvio que con una mano que agarra uno aprende más rápidamente a manipular objetos que con un apéndice menos diferenciado.
Es difícil saber si se puede decir lo mismo de una IA, ya que su desarrollo está más estructurado. Sin embargo, las preguntas que plantea este concepto son convincentes: ¿podría una IA aprender y adaptarse mejor al mundo si ha evolucionado para hacerlo desde el principio?
El experimento que diseñaron es similar en algunos aspectos a los entornos simulados que se han utilizado durante décadas para probar algoritmos evolutivos. Configura un espacio virtual y coloca criaturas simuladas simples en él, solo algunas formas geométricas conectadas que se mueven de manera aleatoria. De entre miles de formas que se retuercen, eliges las 10 que se retuercen más y haces mil variaciones sobre ellas, y repites una y otra vez. Muy pronto tienes un puñado de polígonos haciendo un paseo bastante pasable por la superficie virtual.
Sin embargo, todo eso es viejo: como explican los investigadores, necesitaban hacer que su simulación fuera más robusta y variable. No estaban simplemente tratando de crear criaturas virtuales que caminen, sino de investigar cómo esas criaturas aprendieron a hacer lo que hacen y si algunas aprenden mejor o más rápido que otras.
Para averiguarlo, el equipo creó una simulación similar a las antiguas, dejando caer sus sims, a los que llamaron “unimals” (para “animales universales” … veremos si esta terminología despega), al principio solo para aprender caminar. Las formas simples tenían una “cabeza” esférica y algunas extremidades articuladas parecidas a ramas, con las que desarrollaron una serie de interesantes paseos. Algunos se tambalearon hacia adelante, algunos desarrollaron un andar articulado parecido a un lagarto y otros un estilo agitado pero efectivo que recuerda a un pulpo en tierra.
¡Míralos ir !. Créditos de imagen: Stanford
Hasta ahora, muy similar a los experimentos más antiguos, pero ahí las similitudes más o menos terminan.
Algunos de estos unimales crecieron en diferentes planetas de origen, por así decirlo, con colinas onduladas o barreras bajas por las que trepar. Y en la siguiente fase, los unimales de estos diferentes terrenos compitieron en tareas más complejas para ver si, como se suele sostener, la adversidad es la madre de la adaptabilidad.
“Casi todo el trabajo previo en este campo ha desarrollado agentes en un terreno plano simple. Además, no hay aprendizaje en el sentido de que el controlador y / o el comportamiento del agente no se aprende a través de interacciones sensitivomotoras directas con el entorno ”, explicó el coautor Agrim Gupta a TechCrunch; en otras palabras, evolucionaron sobreviviendo pero no lo hicieron. Realmente no aprendes haciendo. “Este trabajo, por primera vez, realiza una evolución y un aprendizaje simultáneos en entornos complejos como terrenos con escalones, colinas, crestas y se mueve más allá para realizar la manipulación en estos entornos complejos”.
Los 10 mejores unimals de cada entorno se soltaron en tareas que iban desde nuevos obstáculos hasta mover una pelota a una meta, empujar una caja cuesta arriba o patrullar entre dos puntos. Aquí fue donde estos “gladiadores” realmente mostraron su valía virtual. Los unimals que habían aprendido a caminar en terrenos variables aprendieron sus nuevas tareas más rápido y las realizaron mejor que sus primos llaneros.
Créditos de imagen: Stanford
“En esencia, encontramos que la evolución selecciona rápidamente morfologías que aprenden más rápido, lo que permite que los comportamientos aprendidos al final de la vida de los primeros antepasados se expresen al principio de la vida de sus descendientes”, escriben los autores en el artículo. publicado hoy en la revista Nature.
No es solo que aprendieron a aprender más rápido; el proceso evolutivo seleccionó tipos de cuerpos que les permitirían adaptarse más rápido y aplicar las lecciones más rápidamente. En terreno llano, un pulpo puede llevarlo a la línea de meta con la misma rapidez, pero las colinas y las crestas se seleccionan para una configuración de carrocería rápida, estable y adaptable. Llevar este cuerpo a la arena de gladiadores les dio a esos unimales que venían de la escuela de golpes duros una ventaja sobre la competencia. Sus cuerpos versátiles pudieron aplicar mejor las lecciones que sus mentes estaban poniendo a prueba, y pronto dejaron su competencia más floja en el polvo.
¿Qué significa todo esto, además de proporcionar algunos GIF entretenidos de figuras de palitos en 3D galopando sobre un terreno virtual? Como dice el artículo, el experimento “abre la puerta a la realización de experimentos in silico a gran escala para obtener conocimientos científicos sobre cómo el aprendizaje y la evolución crean de manera cooperativa relaciones sofisticadas entre la complejidad ambiental, la inteligencia morfológica y la capacidad de aprendizaje de las tareas de control”.
Supongamos que tiene una tarea relativamente complicada que le gustaría automatizar: subir escaleras con un robot de cuatro patas, por ejemplo. Puede diseñar los movimientos manualmente o combinar los personalizados con los generados por IA, pero quizás la mejor solución sería que un agente desarrolle su propio movimiento desde cero. El experimento muestra que existe potencialmente un beneficio real de que el cuerpo y la mente que lo controlan evolucionen en conjunto.
Si tiene conocimientos de código, puede poner en marcha toda la operación en su propio hardware: el grupo de investigación ha creado todo el código y los datos disponible gratuitamente en GitHub. Y asegúrese de tener también listo su clúster de computación de alta gama o contenedor en la nube: “Los parámetros predeterminados asumen que está ejecutando el código en 16 máquinas. Asegúrese de que cada máquina tenga un mínimo de 72 CPU “.
Source link