Qu'un ordinateur puisse jamais passer pour un être vivant est l'un des principaux défis pour les chercheurs dans le domaine de l'intelligence artificielle. Il y a eu de vastes progrès dans l'IA depuis qu'Alan Turing a créé pour la première fois ce qu'on appelle maintenant le test de Turing - si une machine peut présenter un comportement intelligent équivalent ou indiscernable de celui d'un humain. Cependant, les machines ont encore du mal à maîtriser l'une des compétences fondamentales qui est une seconde nature pour les humains et les autres formes de vie :l'apprentissage tout au long de la vie. C'est-à-dire apprendre et s'adapter pendant que nous effectuons une tâche sans oublier les tâches précédentes, ou transférer intuitivement les connaissances acquises d'une tâche à un autre domaine.

Maintenant, avec le soutien du programme DARPA Lifelong Learning Machines (L2M), les chercheurs de l'USC Viterbi ont collaboré avec des collègues d'institutions des États-Unis et du monde sur une nouvelle ressource pour l'avenir de l'apprentissage de l'IA, définissant comment les systèmes artificiels peuvent penser avec succès , agir et s'adapter dans le monde réel, de la même manière que le font les êtres vivants.

L'article, co-écrit par la professeure de génie électrique et informatique du doyen, Alice Parker, et le professeur de génie biomédical, et de biokinésiologie et de physiothérapie, Francisco Valero-Cuevas et leurs équipes de recherche, a été publié dans Nature Machine Intelligence , en collaboration avec le professeur Dhireesha Kudithipudi de l'Université du Texas à San Antonio, ainsi que 22 autres universités.

L'équipe de recherche comprenait également un chercheur postdoctoral au ValeroLab, Ali Marjaninejad, Ph.D. en génie biomédical. candidat Darío Urbina et doctorat en génie électrique. candidat Suraj Chakravarthi Raja. Les travaux antérieurs du ValeroLab dans le domaine de l'IA bio-inspirée comprenaient un membre robotique contrôlé par l'IA entraîné par des tendons ressemblant à des animaux qui peuvent apprendre à marcher sans connaissances préalables.

Valero-Cuevas a déclaré que le but de cette publication était de fournir une ressource incontournable aux chercheurs en IA pour les décennies à venir, en se concentrant sur le concept d'apprentissage tout au long de la vie dans les systèmes artificiels. Le plan décrit le développement d'un nouveau type d'intelligence artificielle qui sera fondamental pour les technologies de prochaine génération telles que les voitures autonomes, les robots et drones autonomes et les prothèses intelligentes, les exosquelettes et les appareils portables.

L'apprentissage tout au long de la vie est un ensemble de capacités d'inspiration biologique que nous tenons pour acquises, telles que la capacité d'acquérir de nouvelles compétences sans compromettre les anciennes, de s'adapter aux changements et d'appliquer les connaissances acquises précédemment à de nouvelles tâches.

"La façon dont vous et moi apprenons se fait par l'expérience, l'imitation et l'auto-exploration et ce n'est pas parce que vous apprenez une nouvelle tâche que vous oubliez les tâches précédentes", a déclaré Valero-Cuevas. "Les humains apprennent sur le tas. Nous nous présentons et commençons à apprendre, puis nous savons comment le faire. Les machines ne le font pas, pas encore."

Valero-Cuevas a déclaré que les machines peuvent être programmées via un algorithme. Par exemple, une voiture autonome peut utiliser des algorithmes alimentés en données par d'autres véhicules afin qu'elle puisse apprendre à fonctionner avant d'être déployée dans le monde.

"Mais il y a une différence très nette entre la formation et le déploiement. Lorsqu'une machine est déployée, ce n'est pas nécessairement un apprentissage, et si vous voulez lui apprendre quelque chose de nouveau, généralement vous devez effacer la mémoire et elle oublie comment faire le chose préalable », a déclaré Valero-Cuevas.

Il s'agit d'un problème connu sous le nom d'"oubli catastrophique", qui est l'une des principales lacunes des systèmes d'IA actuels que le nouveau plan met en évidence.

"En tant qu'être humain, vous pourriez me montrer comment jouer au ping-pong, puis je pourrais utiliser cette compétence et la transférer pour apprendre à jouer au tennis ou au badminton." dit Valero-Cuevas. "Pour le moment, une machine ne pourrait apprendre qu'à pratiquer un seul sport de raquette, comme le ping-pong. Si vous voulez, par exemple, jouer au tennis qui vous oblige à utiliser votre corps différemment, vous devez changer de programme. "

En plus de surmonter le facteur d'oubli catastrophique, le plan directeur des chercheurs a décrit une série d'autres compétences nécessaires aux systèmes artificiels pour réaliser l'apprentissage tout au long de la vie de la même manière que les êtres vivants. Ceux-ci incluent :

• Transfert et adaptation :capacité à transférer et à réutiliser des connaissances et à s'adapter à de nouveaux environnements
• Exploiter la similarité des tâches :la capacité d'apprendre plusieurs tâches et de transférer ces connaissances entre elles.
• Apprentissage indépendant des tâches :comprendre à quel moment, au cours de la formation, passer d'une tâche à une autre sans y être invité.
• Tolérance au bruit :être capable d'effectuer la même tâche dans un scénario réel lorsque les conditions sont différentes de la période d'entraînement (par exemple, fonctionner la nuit plutôt que le jour).
• Efficacité des ressources et durabilité :garantir que l'apprentissage tout au long de la vie n'a pas d'impact négatif sur la capacité de stockage et ne ralentit pas son temps de réponse.

Expert dans le domaine des circuits d'inspiration biologique, Parker a une longue histoire de recherche sur le cerveau humain pour comprendre comment il fonctionne et comment cette connaissance peut être appliquée à des systèmes artificiels. Pour ce dernier article, Parker a apporté sa compréhension dans le domaine de la neuromodulation :le système dans le cerveau des êtres vivants qui aide à améliorer l'apprentissage, à surmonter le problème de l'oubli catastrophique, à s'adapter à des environnements incertains et à comprendre les changements de contexte. Parker se concentre sur la construction de structures électroniques qui prennent en charge les circuits neuromorphiques (électronique qui modélise le cerveau) en ajoutant des caractéristiques biologiques non trouvées dans le matériel de réseau neuronal existant, mais qui soutiennent l'apprentissage tout au long de la vie. Les caractéristiques comprennent les astrocytes - d'autres cellules cérébrales qui interagissent avec les neurones pour soutenir l'apprentissage - et le code neuronal - des pics et des rafales qui transmettent des informations sous forme codée.

Valero-Cuevas a déclaré que la collaboration était destinée à être une ressource complète pour les recherches futures sur l'apprentissage automatique et l'IA.

"La biologie est l'inspiration. L'exemple ultime de l'apprentissage tout au long de la vie est un système biologique", a déclaré Valero-Cuevas. "Ce que nous faisons, c'est examiner toutes les choses que les systèmes biologiques peuvent faire, dont nous sommes extrêmement envieux, et nous demander ce qu'il faudrait pour que les machines le fassent."

"Nous pensons qu'au moins certains mécanismes de la biologie - les leçons apprises au cours de millions d'années d'évolution - pourraient être traduits et adoptés par l'IA", a-t-il déclaré.