Grounded world models in biological organisms and future embodied AI

De Grote Brein-Bouwer: Waarom Robots Moeten Voelen Voordat Ze Praten

Stel je voor dat je een superintelligent robot probeert te leren hoe de wereld werkt. Je hebt twee manieren om dit te doen. De eerste manier is alsof je de robot een miljard boeken en een miljoen video's geeft en dan zegt: "Lees alles, onthoud de patronen en raad wat er hierna komt." Dit is hoe de meeste van de huidige beroemde kunstmatige intelligentie werkt. Het is als een student die elk woordenboek heeft gelezen, maar nog nooit echt een appel heeft vastgehouden, het gewicht ervan heeft gevoeld of de zoetheid heeft geproefd. De student kent de woorden voor "appel", "zwaar" en "knapperig", maar weet eigenlijk niet wat een appel is.

De tweede manier is hoe levende wezens — zoals jij, ik, of zelfs een klein wormpje — leren. Wij beginnen niet met het lezen van een handleiding. Wij beginnen met bewegen, tegen dingen aanbotsen, voelen dat we honger hebben, en ontdekken wat er gebeurt als we een bal duwen of aan een touwtje trekken. Onze hersenen bouwen een kaart van de wereld op basis van deze echte ervaringen in het echte leven. Pas later leren we om labels (woorden) op die ervaringen te plakken. Dit artikel gaat over het verschil tussen deze twee benaderingen. Het stelt een grote vraag: Als we robots willen bouwen die ons echt kunnen begrijpen en door onze rommelige, fysieke wereld kunnen navigeren, moeten we ze dan blijven volstoppen met boeken, of moeten we ze de ruimte geven om te gaan spelen? De auteurs suggereren dat de "eerst spelen, later praten"-methode het geheime ingrediënt is dat bij de huidige robots nog ontbreekt.

---

Het Grote Idee van het Papier: Van "Passieve Lezer" naar "Actieve Ontdekkingsreiziger"

Dit artikel, geschreven door een team wetenschappers uit Italië en Canada, betoogt dat de manier waarop we momenteel Kunstmatige Intelligentie (AI) bouwen, achterstevoren is vergeleken met hoe de natuur ons heeft gebouwd.

Op dit moment is de heetste trend in AI "Generatieve AI". Dit zijn systemen die leren door enorme hoeveelheden tekst te lezen en video's te bekijken. Ze zijn ongelooflijk goed in het voorspellen van het volgende woord in een zin of het volgende frame in een video. Het artikel noemt dit een "passief trainingsregime". Stel je een student voor die in een stoel zit, naar een scherm staart en duizend video's kijkt van mensen die ballen vangen, maar zelf nooit een bal heeft gegooid of gevangen. Ze leren misschien de statistiek van hoe ballen bewegen, maar ze hebben niet het gevoel geleerd van de bal die hun hand raakt. De auteurs wijzen erop dat in deze systemen taal (woorden) de basis is. De AI leert eerst de regels van de taal en probeert later pas afbeeldingen en acties aan die woorden te koppelen.

Het artikel suggereert dat biologische organismen (zoals mensen, honden en zelfs wormen) precies het tegenovergestelde doen. Wij bouwen eerst "gegronde wereldmodellen". Dit is een chique manier om te zeggen dat onze hersenen een mentale kaart maken van hoe de wereld werkt op basis van ons eigen lichaam dat erdoorheen beweegt. We leren dat vuur heet is omdat we de hitte voelen, niet omdat iemand ons vertelde dat "vuur heet is". Pas nadat we dit fysieke, gegronde begrip hebben, leggen we taal daar als een laag overheen. Voor ons zijn woorden slechts labels voor dingen die we al kennen door ervaring.

Vijf Manieren waarop Onze Hersenen Betere Kaarten Bouwen

Om hun punt te bewijzen, kijken de auteurs naar vijf specifieke "circuits" of onderdelen van de hersenen die levende wezens helpen bij het bouwen van deze gegronde kaarten. Ze gebruiken deze voorbeelden om te laten zien wat er ontbreekt in de huidige robots.

1. De GPS en de Conceptuele Kaart
Denk aan hoe je door je stad navigeert. Je draait niet alleen links omdat je een rood bord ziet; je hebt een mentale kaart. Je hersenen hebben een speciaal systeem (in de hippocampus en entorhinale cortex) dat fungeert als een GPS. Het maakt gebruik van "gridcellen" die in een hexagonaal patroon vuren, zoals een honingraat, om je te helpen precies weten waar je bent.
Maar hier komt het mooie deel: ditzelfde GPS-systeem werkt niet alleen voor fysieke straten. Het artikel legt uit dat jouw hersenen dezezelfde "grid" gebruiken om door ideeën te navigeren. Wanneer je over een verhaal nadenkt, of twee verschillende concepten vergelijkt, of zelfs sociale relaties uitwerkt, is je brein in feite aan het "wandelen" door een mentale kaart. Het artikel suggereert dat in de biologie het vermogen om door de fysieke ruimte te navigeren eraan voorafging, en dat het vermogen om door abstracte ideeën te navigeren daarop werd gebouwd. De huidige AI probeert abstracte ideeën direct uit tekst te leren, waarbij het de fysieke "wandelfase" overslaat.

2. De "Wat kan ik ermee?" Detector (Affordances)
Wanneer je naar een stoel kijkt, zie je niet alleen "een houten object met vier poten". Je ziet "iets waar ik op kan zitten". Wanneer je een kopje ziet, zie je "iets wat ik kan vastpakken". Het artikel noemt dit "affordances" (gebruiksmogelijkheden). Het is een directe link tussen wat je ziet en wat je ermee kunt doen.
Je hersenen voeren constant een competitie uit: "Kan ik op die rots klimmen? Kan ik die appel pakken?" Het beschrijft niet alleen de wereld; het berekent mogelijkheden voor actie. Het artikel stelt dat voor een robot om een zin als "Pas op, die beker is breekbaar" echt te begrijpen, het een gegrond model moet hebben van hoe "breekbaar" voelt wanneer je het vasthoudt. Het moet weten dat als je te hard knijpt, de beker breekt. De huidige AI kent het woord "breekbaar", maar heeft misschien niet het interne "spiergeheugen" om het risico te begrijpen.

3. De Nieuwsgierigheidsmotor
Heb je ooit die drang gevoeld om iets nieuws te verkennen, simpelweg omdat het interessant is? Dat is niet alleen een menselijke eigenschap; het is een biologische drang. Het artikel spree으로 over hoe onze hersenen een "meta-model" hebben dat bijhoudt hoeveel we niet weten. Wanneer we nieuwsgierig zijn, laten onze hersenen chemicaliën vrij (zoals norepinefrine) die ons alerter en klaar om te leren maken.
Dit is anders dan een robot die gewoon wacht tot een docent het hem een nieuwe dataset geeft. Biologische agenten zijn "intrinsiek gemotiveerd". Ze zoeken nieuwe ervaringen op om de gaten in hun eigen mentale kaarten op te vullen. Het artikel suggereert dat voor AI om effectief te leren, het niet alleen moet wachten op data; het zou een interne drang moeten hebben om naar buiten te gaan en de dingen te vinden die het nog niet begrijpt.

4. Het Alarmsysteem van het Lichaam (Allostase)
Je hersenen denken niet alleen na over de buitenwereld; ze monitoren ook constant je binnenwereld. Ze houden je honger, dorst, temperatuur en energieniveaus bij. Dit wordt "allostatische controle" genoemd.
Stel je je hersenen voor als een thermostaat die niet alleen reageert op de kou, maar voorspelt dat je het koud gaat krijgen en je vertelt dat je een jas aan moet trekken voordat je zelfs maar begint te rillen. Dit systeem creëert een gevoel van "zelf". Het vertelt je wat goed voor je is (voedsel) en wat slecht is (pijn). Het artikel stelt dat dit interne gevoel van "ik heb dit nodig" of "ik wil dat" de basis is van alle motivatie. Huidige AI-systemen hebben meestal doelen die mensen hen geven (zoals "win dit spel"). Ze hebben geen eigen interne "honger" of "angst" die hen aanzet tot actie.

5. De "Was ik dat?" Filter
Wanneer je met je vinger wiebelt, weten je hersenen precies hoe dat eruit zal zien. Ze sturen een kopie van het "beweeg"-commando naar je ogen zodat het de beweging die jij hebt veroorzaakt kan wegfilteren. Dit helpt je om je eigen bewegingen te negeren en je te concentreren op dingen die vanzelf bewegen (zoals een vogel die voorbij vliegt).
Dit is hoe we het verschil weten tussen "mij" en "de wereld". Als je aan je neus zit, weet je dat jij het deed. Als iemand anders aan je neus zit, is dat een verrassing. Het artikel legt uit dat dit vermogen om onderscheid te maken tussen zelfgegenereerde acties en externe gebeurtenissen cruciaal is voor het begrijpen van oorzaak en gevolg. Zonder dit begrijpt een robot misschien niet dat het degene is die de beker breekt, of dat het degene is die het geluid veroorzaakt.

Wat dit betekent voor de Toekomst

De auteurs zeggen voorzichtig dat de huidige AI niet "kapot" is of dat biologie "perfect" is. Ze geven toe dat de methode van "passief lezen" ongelooflijk succesvol is geweest voor zaken als schrijven en chatten. Echter, ze suggereren dat als we willen dat robots de fysieke wereld echt begrijpen, op een natuurlijke manier met mensen interageren en op zichzelf kunnen leren, we misschien onze aanpak moeten veranderen.

Ze stellen voor dat toekomstige AI meer gebouwd moet worden als een biologisch organisme:

• Begin met het lichaam: Laat de AI eerst leren door beweging en interactie, niet alleen door teksten te lezen.
• Bouw de kaart van onderaf op: Laat de AI eerst een fysiek begrip van objecten en ruimte ontwikkelen voordat je probeert het complexe taal te leren.
• Voeg een gevoel van zelf toe: Geef de AI interne driften (zoals nieuwsgierigheid of de behoefte om evenwicht te bewaren) zodat het actief leert, niet alleen passief.
• Leer sociaal: Net zoals mensen leren door interactie met anderen, moet toekomstige AI misschien leren door rond te hangen met mensen en andere agenten, om zo een "gedeeld" begrip van de wereld op te bouwen.

Het artikel concludeert dat hoewel we niet precies weten welke delen van de biologie essentieel zijn en welke slechts toevallige resultaten van evolutie zijn, het negeren van de manier waarop levende wezens leren een groot risico is. Als we AI willen die echt door onze wereld kan navigeren, moeten we misschien stoppen met het behandelen als een bibliotheek en het gaan behandelen als een nieuwsgierige ontdekkingsreiziger.