Dieren en andere wezen hebben intelligentie in hun lichaam zitten. Wat zou er dan gebeuren als je kunstmatige intelligentie een (virtueel) lichaam geeft? Dat is het idee achter het onderzoek van het team van professor Agrim Gupta aan de universiteit van Stanford. Wezens voeren de taken uit waarvoor zij (en hun lichaam) gebouwd zijn. Een en ander heeft te maken met evolutie, en hoe intelligentie mee-evolueert met je lichaam. Denk aan spinnen, die een web weven waarop ze met hun (enge) lange dunne poten makkelijk kunnen bewegen, jachtluipaarden die jagen op snelheid omdat zij daarvoor gebouwd zijn, of mensen die met hun aangepaste handen allerlei werktuigen kunnen gebruiken. De handen, en de intelligentie om die te gebruiken, evolueren samen.

Bij het bouwen van AI werken wetenschappers en ontwikkelaars echter vaak in een vacuüm. De kunstmatige intelligentie bestaat op een server ergens, maar heeft geen 'lichaam'. Onderzoekers aan de Stanford universiteit gingen daarom bekijken in welke zin een lichaam belangrijk is, en of het kan bijdragen aan 'slimmere' AI.

Evolutietoernooi

Voor dat onderzoek bouwden ze een virtuele wereld waarin een reeks wezentjes, genaamd 'unimals' (kort voor 'universal animals') konden bijleren en een eigen soort van natuurlijke selectie en evolutie ondergaan. De onderzoekers hielden daarbij rekening met verschillende trainingsomgevingen, en gebruikten een soort evolutionair toernooi om verschillende soorten lichamen de kans te geven om te worden doorgegeven naar een nieuwe generatie. In totaal startten er zo 576 wezentjes, elk met een andere lichaamsbouw, die de virtuele omgeving konden aanvoelen en leren navigeren, en taakjes moesten leren als 'een bal naar een doelwit duwen'. Na training kregen de unimals een race te verwerken, waarvan de winnaar de volgende generatie mocht leveren, plus één mutatie. In totaal werden zo drie keer 4.000 morfologieën bestudeerd, en de besten daarvan werden gladiatorgewijs tegenover elkaar gezet en getest op nieuwe taken.

De studie suggereert alvast dat virtuele wezens met de meer succesvolle morfologie ook sneller taken konden leren dan vroegere generaties, zo schrijven de onderzoekers in het blad Nature Communications, en in een post op de site van de universiteit. 'Dit is voor zover we weten de eerste simulatie waarin aangetoond wordt dat wat je leert kan worden versneld door je morfologie te veranderen', zegt professor Surya Ganguli aan de universiteit. Zo blijkt onder meer dat de meer succesvolle unimals werden getraind in meer variabele omgevingen, en niet een vlak terrein. Met elke succesvolle mutatie werden ze ook steeds sneller, zodat na een tiental generaties de succesvolle unimals eenzelfde taak in zowat de helft van de tijd konden leren als een eerste generatie.

De evolutie van robots

De studie heeft mogelijk gevolgen voor het ontwerpen van robots. Het algoritme van het team zou zo robots kunnen maken die gebouwd worden voor specifieke taken, en daar ook de juiste vorm voor krijgen. Het idee dat je betere AI traint in meer complexe omgevingen, zeggen de onderzoekers, betekent ook dat je misschien zo'n complexe omgeving kunt gebruiken om robots te laten evolueren die taken kunnen leren in de echte, bijzonder ingewikkelde, wereld. Nog een boeiende: misschien is het ook een goed idee om niet als mens te proberen specifieke robots te bouwen voor ingewikkelde taakjes die we zelf niet kunnen, zoals door buizen kruipen. 'Misschien is de enige weg vooruit om evolutie toe te laten die robots te ontwerpen,' zegt professor Ganguli.

Dieren en andere wezen hebben intelligentie in hun lichaam zitten. Wat zou er dan gebeuren als je kunstmatige intelligentie een (virtueel) lichaam geeft? Dat is het idee achter het onderzoek van het team van professor Agrim Gupta aan de universiteit van Stanford. Wezens voeren de taken uit waarvoor zij (en hun lichaam) gebouwd zijn. Een en ander heeft te maken met evolutie, en hoe intelligentie mee-evolueert met je lichaam. Denk aan spinnen, die een web weven waarop ze met hun (enge) lange dunne poten makkelijk kunnen bewegen, jachtluipaarden die jagen op snelheid omdat zij daarvoor gebouwd zijn, of mensen die met hun aangepaste handen allerlei werktuigen kunnen gebruiken. De handen, en de intelligentie om die te gebruiken, evolueren samen. Bij het bouwen van AI werken wetenschappers en ontwikkelaars echter vaak in een vacuüm. De kunstmatige intelligentie bestaat op een server ergens, maar heeft geen 'lichaam'. Onderzoekers aan de Stanford universiteit gingen daarom bekijken in welke zin een lichaam belangrijk is, en of het kan bijdragen aan 'slimmere' AI. Voor dat onderzoek bouwden ze een virtuele wereld waarin een reeks wezentjes, genaamd 'unimals' (kort voor 'universal animals') konden bijleren en een eigen soort van natuurlijke selectie en evolutie ondergaan. De onderzoekers hielden daarbij rekening met verschillende trainingsomgevingen, en gebruikten een soort evolutionair toernooi om verschillende soorten lichamen de kans te geven om te worden doorgegeven naar een nieuwe generatie. In totaal startten er zo 576 wezentjes, elk met een andere lichaamsbouw, die de virtuele omgeving konden aanvoelen en leren navigeren, en taakjes moesten leren als 'een bal naar een doelwit duwen'. Na training kregen de unimals een race te verwerken, waarvan de winnaar de volgende generatie mocht leveren, plus één mutatie. In totaal werden zo drie keer 4.000 morfologieën bestudeerd, en de besten daarvan werden gladiatorgewijs tegenover elkaar gezet en getest op nieuwe taken. De studie suggereert alvast dat virtuele wezens met de meer succesvolle morfologie ook sneller taken konden leren dan vroegere generaties, zo schrijven de onderzoekers in het blad Nature Communications, en in een post op de site van de universiteit. 'Dit is voor zover we weten de eerste simulatie waarin aangetoond wordt dat wat je leert kan worden versneld door je morfologie te veranderen', zegt professor Surya Ganguli aan de universiteit. Zo blijkt onder meer dat de meer succesvolle unimals werden getraind in meer variabele omgevingen, en niet een vlak terrein. Met elke succesvolle mutatie werden ze ook steeds sneller, zodat na een tiental generaties de succesvolle unimals eenzelfde taak in zowat de helft van de tijd konden leren als een eerste generatie. De studie heeft mogelijk gevolgen voor het ontwerpen van robots. Het algoritme van het team zou zo robots kunnen maken die gebouwd worden voor specifieke taken, en daar ook de juiste vorm voor krijgen. Het idee dat je betere AI traint in meer complexe omgevingen, zeggen de onderzoekers, betekent ook dat je misschien zo'n complexe omgeving kunt gebruiken om robots te laten evolueren die taken kunnen leren in de echte, bijzonder ingewikkelde, wereld. Nog een boeiende: misschien is het ook een goed idee om niet als mens te proberen specifieke robots te bouwen voor ingewikkelde taakjes die we zelf niet kunnen, zoals door buizen kruipen. 'Misschien is de enige weg vooruit om evolutie toe te laten die robots te ontwerpen,' zegt professor Ganguli.