Laissez l'IA penser comme un bébé ! Modèle DeepMind « Plato » publié dans la sous-journal Nature

Adresse papier : https://www.nature.com/articles/s41562-022-01394-8

Cependant, avant de parler de ce projet, il faut donner un exemple que tout le monde puisse comprendre.

Si je me tiens devant vous avec un stylo, puis que je cache le stylo derrière mon dos, ne pourrez-vous pas voir le stylo ?

Mais le stylo existe toujours, n'est-ce pas.

Une vérité si simple, non seulement vous la comprenez, mais même un bébé de deux mois la comprend.

Mais la raison derrière cela est très intrigante. Les scientifiques sont curieux de savoir pourquoi les gens comprennent naturellement ce principe ?

L'histoire de DeepMind part de cette simple curiosité.

Vous pensez que les bébés ne comprennent rien ?

Nous appelons « le stylo ne peut pas être vu après avoir été posé mais le stylo est toujours là » comme l'un des milliers de bon sens en physique, et les scientifiques de DeepMind veulent comparer le bon sens en physique entre l'IA et les bébés.

Luis Piloto de l'Université de Princeton et ses collègues ont développé un système d'IA d'apprentissage profond capable de comprendre certaines lois de bon sens du monde physique.

De cette façon, les futurs modèles informatiques pourront mieux imiter la pensée humaine et résoudre des problèmes avec un modèle qui a la même cognition qu'un bébé.

Normalement, tout modèle d'IA commence avec une feuille de papier vierge, puis utilise une variété d'exemples pour entraîner le modèle. À partir des données d'entrée et des exemples, le modèle génère des connaissances.

Cependant, les scientifiques soulignent que ce n'est pas le cas pour les bébés.

Les bébés n'apprennent pas les choses de zéro, mais ils naissent avec certains préjugés sur des choses objectives.

Prenons le stylo caché ci-dessus comme exemple. Les bébés savent naturellement que même si le stylo est caché, il sera toujours là.

C'est la logique sous-jacente de la prochaine expérience. C'est-à-dire : les bébés ont certaines hypothèses de base à leur naissance, et ces hypothèses leur permettront de se développer dans la bonne direction à mesure qu'ils grandissent, et leurs connaissances s'amélioreront à mesure que le temps passe et que l'expérience s'affine.

C'est une source d'inspiration pour l'équipe Piloto.

Piloto s'est demandé : un modèle d'intelligence artificielle d'apprentissage profond qui imite le comportement d'un bébé serait-il plus performant qu'un modèle d'intelligence artificielle qui commence avec une feuille de papier vierge et s'appuie uniquement sur l'apprentissage par l'expérience ?

Les chercheurs ont ensuite comparé ces deux modèles différents.

La première chose qu'ils ont faite a été la méthode traditionnelle (appelée feuille de papier vierge). Ils ont donné au modèle d'IA des animations visuelles d'objets et ont laissé l'IA apprendre, comme un bloc glissant sur une pente ou une balle rebondissant contre un mur.

Le modèle d'IA a détecté les schémas de mouvement dans ces animations, puis les chercheurs ont commencé à tester si le modèle pouvait prédire les résultats de mouvement de certains autres objets.

D'un autre côté, le modèle d'intelligence artificielle qui imite les bébés a au début quelques « principes », et la source de ces « principes » réside dans certaines hypothèses innées des bébés sur le mouvement et l'interaction entre les objets.

Pour donner un exemple simple, les bébés savent que deux objets ne peuvent pas se traverser, qu'un objet ne peut pas sortir de nulle part, etc.

Une IA qui imite la cognition des bébés - "Platon"

En fait, le bon sens physique que les bébés connaissent de manière innée va au-delà des deux points mentionnés ci-dessus. La version complète comprend les cinq points suivants :

1. Continuité : Les objets ne voyagent pas d'un endroit à un autre, mais ont un certain chemin continu dans le temps et dans l'espace.

2. Persistance des objets : les objets ne disparaîtront pas lorsqu'ils seront hors de vue.

3. Solidité : Les objets ne se pénètrent pas.

4. Immuabilité : Les propriétés d'un objet (comme la forme) ne changent pas.

5. Inertie directionnelle : La trajectoire du mouvement de l'objet est cohérente avec le principe d'inertie.

Sur la base de ces cinq points de connaissance, si vous effectuez un tour de magie pour bébés, et que quelque chose va à l'encontre de leur cognition prédéfinie, ils sauront que vous jouez des tours, et ils sauront également que c'est contraire à le bon sens. Le phénomène n’est pas tel que les choses sont.

Bien que les bébés ne soient toujours pas aussi informés que les enfants plus âgés, ils observeront des phénomènes contre-intuitifs pendant une longue période, puis les compareront avec leur propre cognition prédéfinie, et parviendront finalement à la conclusion que quelqu'un fait des tours.

En parlant de ça, je ne peux m'empêcher de penser à une vidéo très populaire. Les parents se sont cachés derrière les draps, ont secoué les draps de haut en bas plusieurs fois et se sont rapidement cachés dans la pièce derrière eux tout en se cachant derrière les draps. Lorsque le bébé ne voit pas ses parents après la disparition des draps, il reste là et réfléchit un moment, se demandant où sont allés ses parents.

Il y a un autre point intéressant ici. Autrement dit, les bébés exprimeront leur « surprise » après avoir vu des phénomènes contre-intuitifs. Cela semble évident, mais les chercheurs ont également reproduit cette performance unique dans l’IA.

Avec ces fondements à l’esprit, regardons les résultats expérimentaux.

Le modèle d'IA conçu par Piloto s'appelle PLATO (Physics Learning through Auto-encoding and Tracking Objects), également connu sous le nom de « Platon ».

PLATO a été formé sur près de 30 heures de vidéos montrant comment des objets effectuent des mouvements simples, puis a entraîné le modèle à prédire les mouvements de ces objets dans différentes situations.

Ce qui est intéressant, c'est que le modèle a finalement appris les cinq points de bon sens de la physique mentionnés ci-dessus.

Quand il y a quelque chose de contre-intuitif dans la vidéo que vous regardez, PLATO peut aussi faire preuve d'un certain degré de surprise comme un bébé.

Piloto et ses collègues ont constaté que le modèle d'IA utilisant la méthode de formation traditionnelle (une feuille de papier vierge) fonctionnait bien, mais il n'était pas aussi bon que l'inconnu et a été choqué par la comparaison. PLATO, un modèle d'IA qui imite les bébés, a obtenu de bien meilleurs résultats.

En raison de la bénédiction de la cognition prédéfinie, ce dernier modèle peut prédire plus précisément le mouvement d'un objet, appliquer la cognition prédéfinie à de nouvelles animations de mouvement d'objet et entraîner l'ensemble de données utilisé par le modèle. L'échelle sera également plus petite.

L'équipe Piloto a conclu que même si les apprentissages acquis et l'accumulation d'expériences sont importants, ce n'est pas tout.

Leurs recherches pointent directement vers une question classique : qu'est-ce qui est inné chez l'homme et qu'est-ce qui s'apprend.

La prochaine étape consiste à appliquer ce type de cognition humaine à la recherche sur l’IA.

Piloto nous a montré les excellents résultats de la nouvelle méthode.

Cependant, Piloto a souligné que PLATO n'est pas conçu pour être un modèle de comportement de bébé. Nous empruntons simplement certaines méthodes de cognition du bébé pour alimenter l'intelligence artificielle.

Le système de simulation de PLATO : module de perception anticipée (à gauche) et module de prédicteur dynamique cyclique (à droite)

Jeff Clune, informaticien à l'Université de la Colombie-Britannique à Vancouver, a également déclaré que la combinaison de l'IA avec les méthodes d'apprentissage de nourrissons humains C'est une direction relativement importante.

En ce moment, Clune travaille avec d'autres chercheurs pour développer leur propre méthode algorithmique pour comprendre le monde physique.

Introduction à l'auteur

Luis Piloto est le premier auteur de l'article et l'auteur correspondant.

Il a obtenu un baccalauréat en informatique de l'Université Rutgers en 2012, puis est allé étudier à l'Université de Princeton, et a obtenu une maîtrise et un doctorat en neurosciences en 2017 et 2021 respectivement.

En 2016, il rejoint officiellement DeepMind en tant que chercheur scientifique.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!