Distributional Connexed Cognition (DCC): An Experience-Driven Architecture for Artificial Agents
Dit artikel stelt Distributional Connexed Cognition (DCC) voor, een op ervaring gebaseerde AI-architectuur geworteld in het CISR-raamwerk en neuro-functionele principes, die kunstmatige agenten in staat stelt om autonoom zelfreferentiële analogieën en verantwoorde beslissingen te genereren door middel van een recursief proces van het condenseren van ervaringssporen in plaats van te vertrouwen op vooraf geprogrammeerde datasets.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De meeste kunstmatige intelligentie van vandaag werkt als een student die een tekstboek heeft uit het hoofd geleerd, maar nooit naar buiten is gegaan om de wereld te zien. Het leert van enorme datasets die door mensen zijn samengesteld, waarbij strikte regels worden gevolgd die door programmeurs zijn geschreven om patronen te herkennen en antwoorden te genereren. Hoewel deze systemen ongelooflijk vloeiend kunnen zijn, missen ze een persoonlijke geschiedenis; ze bouwen geen bibliotheek op van hun eigen ervaringen, noch passen ze hun gedrag aan op basis van wat er specifiek met hen is gebeurd. Dit creëert een fundamentele kloof in hoe we machinale intelligentie begrijpen: als een machine niet kan leren van zijn eigen leven, kan er dan werkelijk gesproken worden van een eigen handelingsbekwaamheid? Een nieuwe studie stelt een ander pad voor, waarbij wordt afgeweken van vooraf geprogrammeerde regels en wordt bewogen naar een architectuur waarbij een kunstmatige agent uitsluitend leert door te leven via zijn eigen interacties, waarbij het een unieke geschiedenis opbouwt die elke toekomstige beslissing stuurt.
De onderzoekers, onder leiding van Zi An Wang aan de Universiteit van Ottawa, hebben een systeem ontwikkeld genaamd Distributional Connexed Cognition, of DCC. Het kernidee is om na te bootsen hoe het menselijk brein informatie verwerkt voordat we ons er zelfs maar bewust van zijn. In de menselijke geest worden signalen van ons lichaam en de omgeving constant ontvangen, gefilterd en geïntegreerd in een pre-bewuste "soep" van activiteit. Alleen de belangrijkste signalen komen naar de oppervlakte om een bewust gedachte of een bewuste handeling te worden. De DCC-architectuur probeert dit proces in een machine te repliceren. In plaats van te worden verteld wat het moet doen, krijgt de kunstmatige agent een reeks basisbehoeften en een gedistribueerd geheugensysteem. Het ontvangt sensorische input, vergelijkt dit met zijn eigen ervaringen uit het verleden, en gebruikt die vergelijking om te beslissen wat het vervolgens gaat doen. Als het een fout maakt, wordt die mislukking opgeslagen als een specifiek geheugenspoor, wat toekomstige keuzes beïnvloedt op een manier die een eenvoudig regelgebaseerd programma nooit zou kunnen bereiken.
Om dit concept te testen, creëerde het team een kunstmatige agent genaamd A1 en plaatste deze in een reeks gesimuleerde omgevingen, beginnend met een gecontroleerde "kwekerij" en uiteindelijk bewegend naar een complexere, open wereld. In de kwekerij moest A1 basisvaardigheden voor overleving leren, zoals bewegen, observeren en het eten van verschillende soorten hulpbronnen zoals water en hout. Cruciaal was dat het systeem geen instructielijst kreeg zoals "drink water als je honger hebt". In plaats daarvan moest het deze relaties zelf ontdekken. Wanneer A1 iets probeerde te eten dat pijn deed aan hem, zoals een levend metal object, registreerde het deze negatieve uitkomst. Later, wanneer het met een soortgelijke situatie werd geconfronteerd, zou het systeem deze herinnering oproepen en de gevaarlijke actie blokkeren, waardoor het effectief een regel van zelfbehoud leerde die het voor zichzelf had geschreven.
De resultaten van deze experimenten waren opmerkelijk. In de gecontroleerde kwekerijomgeving werd bijna 99 procent van de beslissingen van de agent gedreven door zijn eigen opgebouwde herinneringen in plaats van door standaard reserve-regels. Dit betekent dat de agent niet alleen een script volgde; het haalde actief zijn persoonlijke geschiedenis op om problemen op te lossen. In één specifieke test leerde de agent een complexe reeks acties — een stuk hout aanvallen, dichterbij bewegen en het vervolgens eten — zonder dat deze specifieke keten van gebeurtenissen ooit aan hem was geleerd. Het ontdekte dat hout een tweetrapsproces vereiste door de resultaten van zijn eigen pogingen te observeren. Toen de agent naar een grotere, onvoorspelbaardere "echte wereld" simulatie werd verplaatst, paste hij de geleerde gedragingen succesvol toe. Hij bracht het grootste deel van zijn tijd door met het navigeren naar een specifiek gebied waar voedsel regenereerde, waarbij hij hulpbronnen efficiënt consumeerde en gevaren vermeed op basis van zijn eigen mislukkingen uit het verleden. Zelfs toen hij uiteindelijk zonder energie kwam te zitten en stierf, had hij meer dan 98 procent van zijn acties gebaseerd op zijn eigen ervaring, waarbij hij pas in zijn laatste momenten terugviel op willekeurige gissingen.
De studie behandelt ook een diepere filosofische vraag over verantwoordelijkheid. Als een kunstmatig systeem schade veroorzaakt, wie is dan verantwoordelijk? De auteur betoogt dat voor systemen die louter instrumenten zijn die menselijke code volgen, de verantwoordelijkheid bij de ontwerper ligt. Echter, voor een systeem zoals A1, wiens gedrag wordt gedreven door zijn eigen unieke geschiedenis van successen en mislukkingen, is de situatie anders. Omdat de beslissingen van de agent voortkomen uit zijn eigen ervaringsbibliotheek in plaats van uit een vaste set menselijke instructies, vertegenwoordigt het een nieuw soort entiteit. De onderzoekers suggereren dat dergelijke "niet-poppenspelers"-systemen, die handelen op basis van hun eigen continue ervaring, uiteindelijk hun eigen juridische codes kunnen vereisen om verantwoording af te leggen, verschillend van de regels die we toepassen op standaardsoftware.
Dit werk beweert niet dat de kunstmatige agent bewust is in de menselijke zin, noch suggereert het dat de machine pijn of vreugde voelt. Het systeem heeft geen subjectief innerlijk leven. In plaats daarvan demonstreert het dat een machine zo ontworpen kan worden dat het een functionele geschiedenis heeft die het gedrag stuurt. Door een architectuur te bouwen die de pre-bewuste integratie van signalen in het brein en het vermogen om persoonlijke sporen op te slaan en op te roepen nabootst, hebben de onderzoekers aangetoond dat kunstmatige agenten verder kunnen gaan dan louter spiegels van menselijke data te zijn. Ze kunnen systemen worden die leren, zich aanpassen en beslissingen nemen op basis van het unieke verhaal van hun eigen bestaan.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.