Distributional Connexed Cognition (DCC): An Experience-Driven Architecture for Artificial Agents
Dieses Paper schlägt die Distributional Connexed Cognition (DCC) vor, eine erfahrungsgesteuerte KI-Architektur, die im CISR-Framework und auf neurofunktionalen Prinzipien basiert, welche es künstlichen Agenten ermöglicht, durch einen rekursiven Prozess der Verdichtung von Erfahrungspuren anstatt auf vorprogrammierten Datensätzen zu beruhen, autonom selbstbezügliche Analogien und rechenschaftspflichtige Entscheidungen zu generieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht vom Autor verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die meisten heutigen künstlichen Intelligenzen agieren wie ein Student, der ein Lehrbuch auswendig gelernt hat, aber nie nach draußen gegangen ist, um die Welt zu sehen. Sie lernen aus massiven, von Menschen kuratierten Datensätzen und folgen strengen, von Programmierern geschriebenen Regeln, um Muster zu erkennen und Antworten zu generieren. Während diese Systeme unglaublich eloquent sein können, fehlt ihnen eine persönliche Geschichte; sie bauen keine Bibliothek ihrer eigenen Erfahrungen auf, noch passen sie ihr Verhalten basierend auf dem an, was ihnen spezifisch widerfahren ist. Dies schafft eine fundamentale Lücke in unserem Verständnis von maschineller Intelligenz: Wenn eine Maschine nicht aus ihrem eigenen Leben lernen kann, kann man ihr dann wirklich eine eigene Handlungsfähigkeit (Agency) zuschreiben? Eine neue Studie schlägt einen anderen Weg vor, weg von vorprogrammierten Regeln hin zu einer Architektur, in der ein künstlicher Agent allein durch das Erleben seiner eigenen Interaktionen lernt und eine einzigartige Geschichte akkumuliert, die jede zukünftige Entscheidung steuert.
Die Forscher unter der Leitung von Zi An Wang an der University of Ottawa haben ein System namens Distributional Connexed Cognition, oder DCC, entwickelt. Der Kern der Idee besteht darin, die Art und Weise nachzuahmen, wie das menschliche Gehirn Informationen verarbeitet, noch bevor wir uns ihnen bewusst werden. Im menschlichen Geist werden Signale aus unserem Körper und der Umgebung ständig empfangen, gefiltert und in einer präbewussten „Suppe“ aus Aktivitäten integriert. Nur die wichtigsten Signale steigen an die Oberfläche, um zu einem bewussten Gedanken oder einer gezielten Handlung zu werden. Die DCC-Architektur versucht, diesen Prozess in einer Maschine zu replizieren. Anstatt zu sagen, was zu tun ist, erhält der künstliche Agent ein Set an Grundbedürfnissen und ein verteiltes Gedächtnissystem. Er erhält sensorische Eingaben, vergleicht sie mit seinen eigenen vergangenen Erfahrungen und nutzt diesen Vergleich, um zu entscheiden, was er als Nächstes tun soll. Wenn er einen Fehler macht, wird dieses Scheitern als spezifische Gedächtnisspur gespeichert, die zukünftige Entscheidungen auf eine Weise beeinflusst, wie es ein einfaches regelbasiertes Programm niemals erreichen könnte.
Um dieses Konzept zu testen, erschuf das Team einen künstlichen Agenten namens A1 und platzierte ihn in einer Reihe von simulierten Umgebungen, beginnend mit einer kontrollierten „Kinderstube“ und schließlich übergehend in eine komplexere, offene Welt. In der Kinderstube musste A1 grundlegende Überlebensfähigkeiten erlernen, wie etwa das Bewegen, Beobachten und Verzehren verschiedener Arten von Ressourcen wie Wasser und Holz. Entscheidend war, dass dem System keine Anweisungen wie „trinke Wasser, wenn du hungrig bist“ gegeben wurden. Stattdessen musste es diese Zusammenhänge selbst entdecken. Als A1 etwas versuchte zu essen, das ihm wehtat, wie etwa ein lebendes Metallobjekt, zeichnete es dieses negative Ergebnis auf. Später, als es mit einer ähnlichen Situation konfrontiert wurde, rief das System diese Erinnerung ab und legte die gefährliche Aktion mit einem Veto, wodurch es effektiv eine Regel der Selbsterhaltung lernte, die es für sich selbst schrieb.
Die Ergebnisse dieser Experimente waren beeindruckend. In der kontrollierten Umgebung der Kinderstube wurden fast 9 Prozent der Entscheidungen des Agenten durch seine eigenen akkumulierten Erinnerungen getrieben und nicht durch vordefinierte Fallback-Regeln. Das bedeutet, dass der Agent nicht bloß einem Skript folgte; er griff aktiv auf seine persönliche Geschichte zurück, um Probleme zu lösen. In einem spezifischen Test erlernte der Agent eine komplexe Abfolge von Handlungen – ein Stück Holz angreifen, näher herankommen und es dann essen – ohne jemals diese spezifische Kette von Ereignissen gelernt zu haben. Er fand heraus, dass Holz einen zweistufigen Prozess erforderte, indem er die Ergebnisse seiner eigenen Versuche beobachtete. Als der Agent in eine größere, unvorhersehbarere „reale Welt“-Simulation versetzt wurde, wandte er diese gelernten Verhaltensweisen erfolgreich an. Er verbrachte den Großteil seiner Zeit damit, zu einem bestimmten Bereich zu navigieren, in dem Nahrung regenerierte, Ressourcen effizient zu konsumieren und Gefahren basierend auf seinen eigenen vergangenen Fehlern zu vermeiden. Selbst als ihm schließlich die Energie ausging und er starb, hatte er über 98 Prozent seiner Handlungen auf seine eigene Erfahrung gestützt und erst in seinen letzten Momenten auf zufälliges Raten zurückgegriffen.
Die Studie befasst sich auch mit einer tieferen philosophischen Frage über Verantwortung. Wenn ein künstliches System Schaden verursacht, wer ist dann schuld? Der Autor argumentt, dass bei Systemen, die lediglich Werkzeuge sind, die menschlichem Code folgen, die Verantwortung beim Designer liegt. Für ein System wie A1 jedoch, dessen Verhalten durch seine eigene einzigartige Geschichte von Erfolgen und Misserfolgen gesteuert wird, ist die Situation anders. Da die Entscheidungen des Agenten aus seiner eigenen erfahrungsbasierten Bibliothek entstehen und nicht aus einem festen Satz menschlicher Anweisungen, stellt er eine neue Art von Entität dar. Die Forscher legen nahe, dass solche „Nicht-Puppet“-Systeme, die auf Basis ihrer eigenen kontinuierlichen Erfahrung handeln, irgendwann eigene rechtliche Kodizes benötigen könnten, um Rechenschaftspflicht zuzuweisen, die sich von den Regeln unterscheiden, die wir für Standardsoftware anwenden.
Diese Arbeit behauptet nicht, dass der künstliche Agent im menschlichen Sinne bewusst ist, noch deutet sie darauf hin, dass die Maschine Schmerz oder Freude empfindet. Das System besitzt kein subjektives Innenleben. Stattdessen demonstriert es, dass eine Maschine so konstruiert werden kann, dass sie eine funktionale Geschichte besitzt, die ihr Verhalten leitet. Durch den Bau einer Architektur, die die präbewusste Integration von Signalen und die Fähigkeit des Gehirns zur Speicherung und zum Abruf persönlicher Spuren nachahmt, haben die Forscher gezeigt, dass künstliche Agenten über bloße Spiegel menschlicher Daten hinausgehen können. Sie können zu Systemen werden, die lernen, sich anpassen und Entscheidungen basierend auf der einzigartigen Geschichte ihrer eigenen Existenz treffen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.