Kunstig intelligens

17.01.2019
5 min læstetid

Spilplatforme er læremestre for kunstig intelligens

Hvad sker der, når man blander to af de mest spændende aktører indenfor kunstig intelligens og spil? AI-virksomheden DeepMind er gået sammen med spilvirksomheden Unity om at lade spil simulere virkeligheden og lave bedre machine learning.

af Anne-Cathrine Jensen

Kunstig intelligens styrer bilen ned ad gaden i tungt regnvejr, og pludselig stavrer en fumlegænger ud lige foran kofangeren. Ulykken er uundgåelig.
Heldigvis er den også en simulation, for hvis man træner kunstig intelligens (AI) til at navigere i trafikken ved hjælp af realistiske computerspil, så kan AI’en lære en masse scenarier at kende uden fatale konsekvenser for rigtige mennesker.

Det er en af tankerne bag spilgiganten Unity's samarbejde med den Londonbaserede AI-virsomhed DeepMind, der har præsteret at bygge en AI, som slog verdensmesteren i det asiatiske brætspil Go.

Machine learning i simulationer

Machine learning er stadig en forholdsvis ny måde at lave systemer på. Man skal ikke længere være den alvidende programmør, der skriver hele koden og afgør, hvad der skal ske hvornår. I stedet bruges data til at få systemet til selv at lære, hvad det skal gøre. På den måde kan systemer lære at håndtere meget komplekse sammenhænge og håndtere dem i en grad, som ingen ingeniørgruppe kunne udvikle og forudse alle elementer af.

"Derfor fokuserer vi på læreteknikker og på at skabe nok data til at træne systemerne i stedet for at forsøge at udtænke hele hændelsesprocessen for dem," forklarer Danny Lange, der er vice president for AI og Machine Learning hos Unity.

Mennesket har udviklet sig via trial and error altid. Både evolutionært, teknologisk og videnskabeligt. Unity bruger den samme tankegang. Via simulering skabes en masse forskellige situationer, så maskinen kan lære ikke kun af det, programmørerne tror, er de gode eksempler på, hvordan AI’en skal agere men på hele spektret af mulige udfald.

"Det kan være en selvkørende bil på vej ned ad en gade med biler og cyklister. Det kræver mange forsøg at lære at undgå barnet, der løber efter en bold, eller ikke ramme en anden bil, men så kører vi 10.000 instanser af Unity i clouden og på den måde kan vi køre millioner af kilometer på et døgn, og så har vi pludselig data nok til at lære at få bilen til at køre korrekt," siger Danny Lange.

Selv om vi tænker på spil som langt fra vores realitet, så skabes en stor del fortsat figurativt. Det er muligt at køre galt, tyngdekraften gælder og du kan slå dig, hvis du gør noget uoverlagt. Den læring kan AI lige så vel lære i simulationer som i virkeligheden.

Menneskelig nysgerrighed for bedre learning

For kun 12 måneder siden var der ingen hos Unity, som talte om nysgerrighed i deres spilskabelse. Men udviklingen er i rivende fart, og de 1,3 millioner udviklere verden over, der bruger Unity's platforme til at udvikle spil, har i dag muligheden for at slå funktionen 'nysgerrighed' til.

Når man tilvælger nysgerrighed i spiludviklingens machine learning, stopper teknologien med at gå tilfældigt til værks. 

"Med nysgerrighed prøver maskinen de muligheder, som den har sværest ved at forudse udfaldet af. På den måde gik vi fra, at det krævede millioner af forsøg at lære noget, til at maskinen med nysgerrighed kan lære tingene på 20.000 gentagelser," fortæller Danny Lange.

Det gør læringen smartere. I stedet for at skulle bruge 150 servere et helt døgn på at simulere 150 års læring for en robothånd, kan den langt mere effektivt blive klar til at løse opgaven ved aktivt at tillære sig de udfald, som den ikke kan tænke til enden selv.

The Reality Gap

Det er ikke lighederne mellem spillenes verden og realiteten, som udgør en udfordring i at overføre maskinlæring til virkeligheden. Det er forskellene, som kan give problemer. De forskelle kalder man The Reality Gap.

"Der er jo en forskel mellem den fysiske verden og den syntetiske verden, men vi har fundet måder, hvorpå vi kan minimere forskellen. Blandt andet ved at putte støj ind i det syntetiske system. Vi skruer hele tiden på tyngdekraft, friktion og så videre. Så bliver modellerne langt mere robuste og kan fungere godt i den fysiske verden så længe, den ikke overskrider grænsen for den støj, vi har lært algoritmen i den syntetiske verden," siger Danny Lange.

Det er nemlig ikke 1:1 at overføre kunstig intelligens til vores realitet. Et af de tilbagevendende emner er etik. Særligt hvis det lykkes at udvikle en generel kunstig intelligens.

I dag er AI en masse smalle løsninger, der gør én ting og løser opgaver i et bestemt system. Men forhåbningen er, at man i fremtiden kan lade forskellige AI's arbejde sammen. Det kræver, at de får lov til at machine learne fra hinanden og uden menneskelig indblanding får lov til at udvikle deres egen kommunikationsform. 

Maskine og matematik, menneske og etik

I de kommende år vil Unity og Deeplearning lade flere kunstige intelligente systemer tilllære sig metoder til at kommunikere med hinanden, så de kan løse mere og mere komplekse problemer.
Forventningen er, at flere systemer i samspil vil udvikle sig som mennesker: Jo flere stærke systemer, der kommunikerer og arbejder sammen - jo mere komplekse problemstillinger vil kunne løses.

"I naturen er der ikke noget, der siger, at alle er lige, og at vi skal være gode ved hinanden. De værdier er menneskeskabte, og vi skal blive ved med at forme funktioner som empati og andre etiske funktioner ind i systemerne. Så selv hvis et AI-system kan se en optimal matematisk løsning, så tager systemet også højde for menneskelige værdier og kommer frem til den optimale løsningen inden for det spektrum," siger Danny Lange.

Det er altså os, der skal sætte rammen for, hvad intelligensen skal lære og vi bestemmer, hvad systemet skal arbejde for at opnå. Systemerne skal ikke have alt for simple læringsformål, så de ikke forstår, at det er problematisk, hvis der eksempelvis står et menneske i vejen. Vi skal sikre menneskelige værdier i systemet.