211service.com
Booster le QI de l'IA
L'intelligence artificielle d'aujourd'hui est loin d'être intelligente. Mais Josh Tenenbaum, PhD '99, y travaille. 27 juin 2018
Bob O'Connor
Un dimanche après-midi fin mars, le scientifique cognitif Josh Tenenbaum, PhD '99, est assis devant un jeu de table en bois, brandissant une palette magnétique et essayant de faire tomber une petite balle orange dans le but de son adversaire. Tenenbaum, professeur de sciences cognitives computationnelles, et son adversaire, un étudiant diplômé de première année, rient alors que la balle rebondit sur le côté du plateau et ricoche vers l'arrière dans le but de Tenenbaum, ce qui lui coûte un point.
L'espace de travail du bâtiment 46 de Tenenbaum est rempli de jouets, non seulement le jeu de pagaie magnétique, mais aussi un puzzle en forme d'arbre et un jeu appelé Stormy Seas, dans lequel les joueurs essaient d'équilibrer de petits objets sur le thème des pirates sur une plate-forme instable. Un élève de première année serait ici chez lui. Pourtant, les jouets inspirent également Tenenbaum et ses étudiants à explorer des questions plus intéressantes sur ce qui rend les gens intelligents - ce qui nous permet de penser et d'apprendre si rapidement, et finalement ce qui nous rend plus intelligents que n'importe quel système d'intelligence artificielle actuel.
Un être humain regardant Tenenbaum et son élève frapper la balle d'avant en arrière comprendrait rapidement qu'ils jouaient à un jeu. Après quelques instants, l'observateur comprendrait les règles et pourrait participer. Il serait déjà assez difficile de faire en sorte qu'un robot ramasse la plupart des choses sur cette table, sans parler de comprendre ce qui se passe, dit Tenenbaum. L'intelligence artificielle n'est pas équipée pour travailler à rebours à partir d'un objectif et planifier d'une manière nouvelle, dit-il. Les humains, cependant, peuvent le faire, en partie en créant des modèles mentaux du monde qui les entoure. Il est peut-être possible de construire des machines plus intelligentes en procédant à la rétro-ingénierie de ces processus mentaux.
Malgré tout le battage médiatique récent autour de l'intelligence artificielle, Tenenbaum considère qu'aucun des systèmes d'IA d'aujourd'hui n'est vraiment intelligent. Oui, l'IA a fait des progrès remarquables en permettant aux ordinateurs d'effectuer des tâches relativement étroites, comme la reconnaissance de visages ou d'objets. Mais alors que bon nombre de ces systèmes d'IA ciblés fonctionnent incroyablement bien et ont un impact énorme, les chercheurs n'ont pas réussi à imiter l'intelligence générale et flexible qui permet aux gens de résoudre des problèmes sans être spécialement formés pour le faire. Son travail, dit-il, s'inspire de la philosophie, y compris des questions envisagées par Platon, Aristote, Kant et Hume. Comment passer du particulier au général ? Comment pouvez-vous regarder une chose et dire : Ce que j'apprends ne concerne pas seulement cette chose, mais aussi d'autres choses ? C'est excitant pour moi de penser à ces grandes questions sur la façon dont nous apprenons quoi que ce soit, dit-il.
Bob O'Connor
Tenenbaum soutient que se concentrer sur l'esprit humain est un moyen précieux de faire progresser l'IA. Historiquement, de nombreuses innovations dans le domaine, sinon la plupart, ont été réalisées par des personnes intéressées à comprendre l'intelligence humaine d'un point de vue mathématique ou technique, dit-il. Ainsi, bien que ce ne soit pas la seule approche possible, il pense qu'elle est susceptible d'être fructueuse. De plus, bon nombre des types de technologies pour lesquelles nous nous tournons vers l'IA sont des technologies qui vivront dans un monde humain, dit-il. Il s'agit notamment de machines qui peuvent aider aux tâches ménagères ou encore s'occuper des enfants ou des personnes âgées, en adoptant des tâches à taille humaine. Et, dit-il, si nous voulons que les machines interagissent avec nous de la même manière que nous interagissons les unes avec les autres, alors, dans une certaine mesure, il est essentiel qu'elles aient une intelligence de type humain.
En mars, lorsque l'Institut a lancé MIT Intelligence Quest (maintenant appelé MIT Quest for Intelligence), une initiative visant à explorer les fondements de l'intelligence humaine, Tenenbaum a été franc sur les limites des systèmes d'IA existants. Chacun doit être construit par des ingénieurs vraiment intelligents, a-t-il dit, et chacun ne fait qu'une chose. Mais il a développé sa vision plus audacieuse du développement de l'IA pour imiter l'apprentissage humain. Imaginez si nous pouvions construire une machine qui grandit en intelligence comme le fait un être humain, qui commence comme un bébé et apprend comme un enfant, a-t-il dit. Ce serait une IA vraiment intelligente, si nous pouvions la construire. Il a ajouté que cela ne pourrait certainement pas être fait en 10 ans, probablement pas en 20 et très probablement même pas de notre vivant. Mais ça va, dit-il. C'est pourquoi nous l'appelons une quête.
Physique intuitive
À l'ère du big data et du deep learning, il est facile de se laisser séduire, explique Robert Goldstone, professeur de sciences psychologiques et cérébrales à l'université d'Indiana. Il veut dire qu'il est tentant de penser que les systèmes d'apprentissage automatique n'ont pas besoin d'interprétations cohérentes du monde qui les entoure pour se comporter intelligemment. Qui a besoin de théorie lorsque nous avons suffisamment de données ? Le travail de Tenenbaum, cependant, démontre l'importance de la théorie, dit Goldstone, car il montre que pour aller de l'avant, les apprenants doivent créer des modèles internes de leur environnement.
Considérez le domaine de la physique de tous les jours, dans lequel les humains font preuve d'une intuition toute prête. Lorsque nous voyons un enfant grimper à un arbre, nous savons si les branches sont assez solides pour supporter son poids. Quand on voit une tasse positionnée au bord d'une table, on sait que si la table est bousculée, la tasse tombera probablement. Chaque jour, nous rencontrons une gamme visuellement diversifiée de scénarios, mais nous pouvons raisonner et porter des jugements à leur sujet. Tenenbaum pense que les gens ont la capacité de simuler mentalement les mécanismes de la physique, ce qui nous permet de prédire le comportement des objets.
En testant cette théorie, l'objectif de Tenenbaum n'est pas seulement de mieux comprendre la cognition humaine, mais aussi de créer des programmes informatiques qui pourraient s'en approcher plus efficacement. Dans un projet, lui et son équipe ont construit une série de tours virtuelles avec des outils utilisés dans la conception de jeux vidéo. Ils ont conçu chaque tour avec 10 blocs empilés dans des arrangements plus ou moins précaires. Ensuite, l'équipe a présenté ces constructions à des sujets humains et leur a demandé si les tours tomberaient, comme dans un jeu de Jenga. Après que le sujet ait répondu, la tour est tombée – ou pas. Tenenbaum soutient que les gens abordent cette tâche en utilisant un moteur physique intuitif - un modèle mental basé sur une compréhension de la masse, de la friction, de la gravité et d'autres aspects du monde physique.
Bob O'Connor
Pendant ce temps, Tenenbaum et son équipe avaient également écrit un programme informatique pour capturer la pensée et la perception humaines sur de tels scénarios physiques. Leur objectif était que le programme encode des informations sur une tour de bloc, telles que sa position et sa configuration, puis exécute des simulations basées sur ces informations pour prédire si la tour tomberait. Il a fait des prédictions qui étaient probabilistes, comme il dit que notre propre raisonnement physique le fait aussi. (Nous avons tendance à penser en termes statistiques aux différents résultats possibles, explique-t-il, car dans le monde de tous les jours, nous devons faire face à l'incertitude concernant les objets que nous observons.)
Dans un article publié en 2013, Tenenbaum, postdoc Peter Battaglia et Jessica Hamrick ’11, MEng ’12, décrit tester le système et constater que ses prédictions étaient fortement corrélées avec celles faites par des sujets humains. Dans d'autres expériences, l'équipe a manipulé les masses des blocs, de sorte que certains étaient lourds et d'autres légers. Ils ont également modélisé une secousse sur la table et demandé quels blocs étaient les plus susceptibles de tomber au sol. Dans chacun de ces cas, les prédictions du modèle informatique étaient similaires à celles faites par des sujets humains, explique Tenenbaum : nous avons pu modéliser le type de simulation que quelqu'un pourrait construire dans sa propre tête.
Apprendre à apprendre
À ce jour, les meilleurs algorithmes d'IA ont exigé que les systèmes soient entraînés sur des milliers, voire des millions, d'exemples. C'est le cas, par exemple, dans le domaine de l'identification des lettres, une référence standard en apprentissage automatique. Ce qui est remarquable à propos de la cognition humaine, cependant, c'est que nous n'avons pas besoin de 6 000 exemples d'une lettre pour apprendre ce qu'elle est et la reconnaître dans différentes polices ou différentes écritures, déclare Brenden Lake, PhD '14, professeur adjoint de psychologie et de données sciences à l'Université de New York et ancien étudiant diplômé de Tenenbaum.
À partir de 2009, Lake, Tenenbaum et le postdoc Ruslan Salakhutdinov (maintenant professeur agrégé à l'Université Carnegie Mellon et directeur de la recherche sur l'IA d'Apple) ont entrepris de développer un programme inspiré par des informations sur la façon dont les gens apprennent et perçoivent les personnages. Après avoir filmé 20 sujets dessinant des lettres d'alphabets étrangers qu'ils n'avaient jamais utilisés auparavant, ils ont trouvé de forts points communs dans la façon dont les gens s'y prenaient : les parties dans lesquelles ils cassaient les caractères, leur point de départ et la direction de leurs traits. Sur la base de ces observations, les chercheurs ont décidé de créer un algorithme d'écriture manuscrite qui prendrait en compte comment lettres ont été produites et pas simplement quels pixels étaient présents dans le résultat final.
L'idée maîtresse était de représenter le concept de lettre comme un programme , qui est une représentation beaucoup plus riche que celle généralement utilisée dans l'apprentissage automatique, explique Lake. Ils ont également rendu le programme probabiliste. Il pouvait observer un caractère écrit, déduire la manière dont il avait très probablement été dessiné (le programme pour le dessiner), puis imaginer comment de nouvelles instances de ce même caractère pourraient être dessinées. Il pouvait également tenir compte d'une certaine incertitude dans les informations avec lesquelles il travaillait et générer une gamme de résultats : chaque exemple de la lettre A, par exemple, était légèrement différent. Cette capacité à tolérer l'incertitude a aidé l'algorithme à gérer les situations du monde réel. Avec l'expérience, le programme pourrait également s'améliorer pour dessiner de nouveaux personnages. Une partie de ce qui nous a enthousiasmés était cette idée « d'apprendre à apprendre », dit Tenenbaum. Et c'est ainsi, explique-t-il, que nous acquérons la capacité de généraliser efficacement, en utilisant des données rares ou même un seul exemple.
Dans un article de 2015 publié dans La science , l'équipe a testé l'algorithme en lui montrant une seule lettre inconnue et en lui demandant de produire un nouveau personnage similaire. Ils ont présenté à des sujets humains la même tâche, puis ont demandé aux juges de déterminer lesquels des personnages avaient été créés par des personnes et lesquels par des machines. Fait remarquable, la grande majorité des juges ne pouvaient pas faire la différence. En d'autres termes, l'algorithme a réussi une forme simple et visuelle du test de Turing, le critère classique de l'intelligence artificielle.
Modeler des bébés
Aux débuts de l'intelligence artificielle, la science de l'apprentissage humain n'était pas assez avancée pour offrir beaucoup de conseils. Turing ne pouvait que présumer à quoi ressemblait le cerveau d'un enfant, dit Tenenbaum - le mathématicien britannique le considérait comme un cahier vierge - mais non, c'est bien plus. Et dans le cadre de sa volonté de comprendre les origines de la connaissance, Tenenbaum a également collaboré à des travaux explorant l'esprit des jeunes enfants. En 2008, il a donné un cours à Harvard avec la célèbre psychologue Elizabeth Spelke, qui a montré que même les jeunes bébés ont certaines formes de connaissances qui semblent être intégrées. (Contrairement au travail fondateur de Jean Piaget, qui croyait que les enfants développer la permanence des objets, la compréhension que les objets ne se contentent pas de clignoter dans et hors de l'existence, vers huit mois - Spelke a montré qu'une certaine forme de cette compréhension est présente chez les enfants de deux à trois mois.) Spelke a convaincu Tenenbaum que le cerveau est mis en place pour développer certains concepts, et que pour apprécier pleinement l'intelligence humaine, il est nécessaire de modéliser les connaissances de base des très jeunes enfants. Cela inclut l'intuition à la fois physique et psychologique, en particulier notre capacité à interpréter les actions des autres en termes d'états mentaux, de croyances et d'objectifs.
Bob O'Connor
Plus récemment, Tenenbaum et Spelke ont exploré comment les bébés de 10 mois sont capables de comprendre ce que veulent les autres et combien ils apprécient les objectifs qu'ils poursuivent. Pour ce faire, les chercheurs ont créé des animations dans lesquelles des personnages bleus, rouges et jaunes sautaient par-dessus des murs ou exécutaient d'autres tâches physiques pour se rejoindre. Par exemple, une figurine rouge peut sauter par-dessus un petit mur pour atteindre une figurine bleue mais refuser de sauter par-dessus un mur moyen. Cette même figure, cependant, pourrait escalader un grand mur afin d'atteindre son homologue jaune. Les chercheurs ont émis l'hypothèse que si les bébés voyaient un personnage travailler plus dur pour atteindre un objectif, ils en déduiraient que le personnage l'appréciait plus que l'alternative. En effet, lorsque les chercheurs ont montré une figure rouge debout entre le jaune et le bleu sans mur et l'ont ensuite fait se déplacer vers le bleu, les bébés ont regardé plus longtemps. Autrement dit, après avoir vu la figure rouge effectuer plus de travail pour atteindre le jaune, ils avaient déduit que le rouge préférait le jaune et avaient été surpris lorsqu'il avait choisi le bleu à la place. Cela suggère que même les bébés préverbaux ont une compréhension intuitive de l'équilibre entre les coûts et les récompenses et comment il figure dans le comportement des autres, dit Tenenbaum, ajoutant que cette intuition psychologique est fondamentale pour une compréhension sociale plus complexe plus tard. Les travaux, dirigés par le postdoctorant Tomer Ullman, PhD ’15, et la doctorante de Spelke, Shari Liu, ont été publiés dans La science en 2017.
Faire une randonnée
Hamrick était junior au MIT lorsqu'elle a rejoint le laboratoire de Tenenbaum en 2010 et a commencé à travailler sur le projet de physique de type Jenga. Lorsque les étudiants sont exposés pour la première fois à la recherche, ils se concentrent généralement étroitement sur le problème qui se pose à eux, dit-elle. Mais Tenenbaum les incite à réfléchir à la façon dont cela s'intègre également dans les questions scientifiques plus larges (un peu comme la façon dont il dit que nous apprenons). Cela m'a fait sentir que la recherche était une chose formidable à faire, ajoute Hamrick, attribuant à son expérience dans le laboratoire de Tenenbaum la décision de poursuivre une carrière scientifique. (Elle est maintenant chercheuse chez DeepMind, une société britannique d'IA appartenant à Google.)
Tenenbaum a notamment favorisé un esprit de proximité et de collaboration dans son laboratoire en emmenant ses étudiants et postdoctorants lors de randonnées annuelles, dont certaines ont été notoirement intenses, dit-il. Ayant grandi en Californie, il considérait le parc national de Yosemite comme l'un de ses endroits préférés. Et à partir de 2002, lorsqu'il est devenu professeur adjoint au MIT, il a commencé à organiser des voyages annuels dans les White Mountains du New Hampshire. Le groupe se déplace généralement autour de Columbus Day, au plus fort de la saison des feuillages d'automne. Mais même alors, ils ont parfois rencontré des conditions hivernales à des altitudes plus élevées. Se souvenant d'un voyage le long du Franconia Ridge Trail, Tenenbaum plaisante : Ce n'était pas une marche de la mort - personne n'est mort - mais il y avait de la neige et tout le monde n'était pas préparé, bien qu'ils aient été prévenus !
Parallèlement à cette activité physique intense, la randonnée offre également aux membres du groupe l'occasion de parler largement de la science et de la vie. Lorsque les gens marchent le long d'un sentier étroit, ils ont tendance à s'étaler. Parfois je me retrouve à l'avant, parfois à l'arrière, raconte Tenenbaum. Quoi qu'il en soit, ajoute-t-il, j'ai toujours une si grande variété de conversations qui montent et descendent la ligne, tout en étant inspiré par ce bel endroit que nous traversons.
Tenenbaum s'inspire également de la parentalité. Sa fille de 16 ans, Abi, est connue pour avoir prêté main forte à ses recherches ; à huit ou neuf ans, elle a été la première participante à l'expérience de Jenga. Tout de suite, elle a trouvé un bug - essentiellement un moyen d'obtenir un score parfait - et quand elle nous l'a expliqué, nous nous sommes dit : 'Oh, bon point', et nous avons réécrit toute l'expérience, se souvient-il. Mais plus largement, la parentalité rejoint l'intérêt de Tenenbaum pour l'apprentissage humain, en particulier chez les bébés et les enfants. L'expérience de regarder votre enfant goûter pour la première fois à la crème glacée ou voir son premier cheval est formidable, dit-il. Il puise dans mon intérêt pour ce que vous apprenez dès la première fois que vous voyez quelque chose.
Aborder les grandes questions à l'intersection des cerveaux, des esprits et des machines intelligentes
MIT Intelligence Quest (maintenant appelé MIT Quest for Intelligence) vise à imprégner l'IA d'une véritable intelligence en réunissant des penseurs de diverses disciplines, de la psychologie à l'informatique. L'initiative traite le cerveau humain (et les systèmes d'IA qui tentent de l'imiter) comme un grand défi d'ingénierie. Lorsque le projet a été annoncé en mars, Josh Tenenbaum a partagé ce tableau résumant certaines des grandes questions sur lesquelles les chercheurs du MIT travaillent dans six grandes catégories - et a souligné que les questions qui n'ont pas encore été posées peuvent s'avérer les plus importantes.