Co łączy roboty i ludzi lub dlaczego John von Neumann uważał, że maszyny powinny być „żywe”?
TL; DR: Roboty i ludzie są nie tylko do siebie podobni pod względem wyglądu – łączy ich wspólna logika projektowania. Oba systemy zużywają energię, zbierają dane z czujników, przetwarzają informacje, poruszają się w przestrzeni, komunikują się za pomocą głosu i gestów oraz uczą się na podstawie doświadczeń. Głębsze paralele zostały dostrzeżone przez matematyka Johna von Neumanna w 1951 roku, a współczesne systemy sztucznej inteligencji, roboty humanoidalne i awatary sztucznej inteligencji przekształciły te analogie w działające technologie. Zrozumienie tych podobieństw jest ważne dla każdego, kto tworzy, wdraża lub pracuje z SI – ponieważ wyjaśniają one, dlaczego dobrze zaprojektowane awatary SI w istotny sposób przypominają ludzi i dlaczego przyszłością tej dziedziny jest współpraca między ludźmi a robotami, a nie ich zastępowanie.
Pitch Avatar Zespół zebrał szereg wypowiedzi twórcy teorii „automatu komórkowego” na temat podobieństw i różnic między organizmami żywymi a maszynami.
Roboty i ludzie mają ze sobą o wiele więcej wspólnego, niż większość ludzi zdaje sobie sprawę. Oba przetwarzają informacje za pomocą sygnałów elektrycznych, oba uczą się na podstawie napływających informacji i doświadczeń, oba komunikują się za pomocą mowy i gestów, a do działania potrzebują źródła zasilania. Im głębiej się w to zagłębimy, tym więcej podobieństw się mnoży – i tym bardziej stają się one pouczające dla każdego, kto tworzy, wdraża lub pracuje obecnie z systemami AI.
W tym artykule systematycznie analizujemy te paralele: od struktury fizycznej i przetwarzania poznawczego, przez komunikację, zachowania społeczne, po dalszy rozwój podobieństw między człowiekiem a robotem. Przyjrzymy się również temu, co pewien matematyk z 1951 roku trafnie zauważył w tym wszystkim – i dlaczego te spostrzeżenia są bardziej istotne dla współczesnej sztucznej inteligencji niż kiedykolwiek wcześniej.
Więcej wspólnego, niż myślisz: porównanie strukturalne
Najbardziej bezpośrednia odpowiedź na pytanie, co łączy roboty i ludzi, zaczyna się od struktury. Oba systemy to systemy fizyczne, które pochłaniają energię, przetwarzają informacje, poruszają się w otoczeniu i reagują na bodźce zewnętrzne. Poniższa tabela przedstawia główne paralele:
| Człowiek | Robot |
|---|---|
| Żywność i kalorie (źródło energii) | Zasilacz/bateria |
| Kości, stawy, mięśnie (ruch) | Siłowniki, połączenia, łączniki |
| Oczy, uszy, skóra (bodźce sensoryczne) | Kamery, mikrofony, czujniki |
| Mózg i neurony (przetwarzanie informacji) | Procesor, sieci neuronowe |
| Pętle sprzężenia zwrotnego układu nerwowego (samoregulacja) | Sterowanie sprzężeniem zwrotnym oparte na czujnikach |
| Mowa, gest, ekspresja (komunikacja) | Przetwarzanie języka naturalnego, ekspresja aktywowana |
Dlatego badacze robotyki często zaczynają od studiowania anatomii człowieka. Jak wyjaśnia robotyk Bilge Mutlu z Instytutu Badawczego Morgridge:
Ludzie zazwyczaj lepiej pracują w znanym im środowisku, a technologie, które wyglądają lub zachowują się w rozpoznawalny sposób, łatwiej zrozumieć.
Odtworzenie ludzkiego zachowania jest zadaniem złożonym, dlatego naukowcy dzielą je na elementy (mowę, kontakt wzrokowy, ruch) i koncentrują się na poszczególnych elementach.
Analogia strukturalna stanowi również powód, dla którego roboty humanoidalne stanowią dziś odrębną kategorię wzrostową. Roboty humanoidalne – maszyny dwunożne z ramionami i dłońmi, zaprojektowane do wykonywania szerokiego zakresu zadań fizycznych podobnych do pracy ludzkiej – od 2021 r. obserwuje się znaczną ekspansję w rozwoju, a rynek ma osiągnąć 15.26 miliardów dolarów do 2030 rokuDyrektor generalny Tesli, Elon Musk, przewidział, że do 2040 roku może być więcej humanoidalnych robotów na planecie niż u ludzi, co odzwierciedla skalę obecnego optymizmu branży w odniesieniu do tego formatu.
Logika jest prosta: skoro świat został stworzony dla ludzi, to humanoidalny robot jest najbardziej uniwersalnym interfejsem. Podobieństwo strukturalne nie jest przypadkowe – leży u podstaw projektu.
Co matematyk z 1951 roku miał rację w kwestii sztucznej inteligencji
Zanim pojawiły się sztuczne sieci neuronowe, duże modele językowe czy roboty humanoidalne, John von Neumann (1903–1957) już wcześniej z niezwykłą precyzją mapował strukturalne podobieństwa między organizmami biologicznymi a maszynami.
Von Neumann był węgiersko-amerykańskim matematykiem, fizykiem, inżynierem i teoretykiem informatyki. Wśród jego licznych osiągnięć znalazł się pogląd, że różne wyzwania inżynierii i informatyki można rozwiązać poprzez znajdowanie i badanie analogicznych rozwiązań w naturze. Opracował koncepcję „automatów komórkowych” – znanych również jako „automaty von Neumanna” – urządzeń zdolnych do samoreplikacji, a w jednym z wariantów do tworzenia złożonych systemów z wielu prostych automatów. Poniższe cytaty pochodzą z jego prac. „Ogólna i logiczna teoria automatów”Opublikowany w 1951.
Organizmy naturalne są z reguły o wiele bardziej skomplikowane i subtelne, a zatem o wiele mniej dobrze zrozumiane w szczegółach niż sztuczne automaty. Niemniej jednak pewne prawidłowości, które obserwujemy w organizacji tych pierwszych, mogą być bardzo pouczające w naszym myśleniu i planowaniu tych drugich; i odwrotnie, wiele naszych doświadczeń i trudności z naszymi sztucznymi automatami można w pewnym stopniu rzutować na nasze interpretacje organizmów naturalnych.
Tymi słowami von Neumann wyraża ideę, że badanie organizmów naturalnych może być niezwykle pouczające dla twórców maszyn i oprogramowania – nie jako bezpośrednia zależność czy utrwalone prawo inżynierii, ale jako produktywna analogia. Natura miała miliardy lat na rozwiązywanie problemów, nad którymi inżynierowie wciąż pracują.
Jak roboty i ludzie przetwarzają informacje
Zarówno ludzie, jak i roboty działają na tej samej fundamentalnej zasadzie: odbierają dane wejściowe, przetwarzają je i generują odpowiedź. Mechanizmy różnią się, ale architektura jest równoległa.
Von Neumann dostrzegł tę paralelę na poziomie pojedynczych neuronów:
Neuron przekazuje impuls. Wydaje się, że jest to jego podstawowa funkcja, nawet jeśli ostatnie słowo na temat tej funkcji i jej wyłącznego lub niewyłącznego charakteru jest dalekie od powiedzenia. Impuls nerwowy wydaje się być w większości sprawą typu „wszystko albo nic”, porównywalną z cyfrą binarną.
Mówiąc wprost: neurony albo się aktywują, albo nie. Ta binarna zasada włączania/wyłączania leży u podstaw współczesnych komputerów cyfrowych – i, co ważniejsze, sztucznych sieci neuronowych, które napędzają nowoczesne systemy sztucznej inteligencji, w tym modele językowe, które napędzają… Awatary AI w narzędziach sprzedażowych i szkoleniowych.
Von Neumann poszedł dalej, porównując neurony do lamp próżniowych jako funkcjonalnych „czarnych skrzynek”:
Stymulację neuronu, rozwój i przebieg jego impulsu oraz stymulujące działanie impulsu na synapsę można opisać elektrycznie. Towarzyszące temu procesy chemiczne i inne są istotne dla zrozumienia wewnętrznego funkcjonowania komórki nerwowej. Mogą być nawet ważniejsze niż zjawiska elektryczne. Wydaje się jednak, że nie są one konieczne do opisania neuronu jako „czarnej skrzynki”, organu typu „wszystko albo nic”. Ponownie, sytuacja nie jest tu gorsza niż, powiedzmy, w przypadku lampy próżniowej. Również tutaj zjawiskom czysto elektrycznym towarzyszą liczne inne zjawiska fizyki ciała stałego, termodynamiki i mechaniki. Wszystkie te zjawiska są istotne dla zrozumienia struktury lampy próżniowej, ale najlepiej je pominąć w dyskusji, jeśli chcemy traktować lampę próżniową jako „czarną skrzynkę” ze schematycznym opisem.
Koncepcje von Neumanna dotyczące funkcji neuronów stały się fundamentalnym elementem rozwoju nowoczesnych sztucznych sieci neuronowych. Równie ważne jest jego bezpośrednie dostrzeżenie uderzających podobieństw między biologicznym układem nerwowym a sztucznymi sieciami neuronowymi.
Starannie zauważył także, w którym momencie ta analogia się nie sprawdza:
Organizmy żywe są bardzo złożone, częściowo cyfrowe, a częściowo analogowe. Maszyny liczące, przynajmniej w ich najnowszych formach, o których mówię w tej dyskusji, są czysto cyfrowe.
W przeciwieństwie do pisarzy science fiction, którzy często spekulują na temat „zacierania” granic między inteligencją naturalną a sztuczną, von Neumann pozostał mocno osadzony w rzeczywistości. Konsekwentnie podkreślał, że choć organizmy biologiczne i maszyny mają wiele wspólnego, to jednak różnią się fundamentalnie pod względem podstawowych zasad. Ta różnica pozostaje aktualna do dziś (badanie Frontiers in Computational Neuroscience potwierdza, że sieci neuronowe nadal różnią się zasadniczo od mózgów biologicznych, mimo że osiągnęły poziom porównywalny z ludzkim, ale różnica ta zmniejsza się szybciej, niż mógł sobie wyobrazić.
Czym różnią się roboty i ludzie – i dlaczego to ma znaczenie
Von Neumann równie precyzyjnie zdefiniował różnice, zwłaszcza w odniesieniu do samoleczenia i odporności:
...jeśli żywy organizm zostanie uszkodzony mechanicznie, ma silną tendencję do regeneracji. Jeśli natomiast uderzymy młotem kowalskim w mechanizm wykonany przez człowieka, taka tendencja do regeneracji nie będzie widoczna. Jeśli dwa kawałki metalu znajdują się blisko siebie, niewielkie wibracje i inne zaburzenia mechaniczne, które zawsze występują w środowisku, stanowią zagrożenie, ponieważ mogą doprowadzić do ich zetknięcia. Gdyby miały różne potencjały elektryczne, następną rzeczą, która może się wydarzyć po tym zwarciu, jest to, że mogą się ze sobą zespawać, a kontakt stanie się trwały. W tym momencie nastąpi zatem rzeczywiste i trwałe uszkodzenie. Kiedy uszkodzimy błonę komórki nerwowej, nic takiego się nie dzieje. Wręcz przeciwnie, błona zazwyczaj regeneruje się po krótkim czasie. To właśnie ta mechaniczna niestabilność naszych materiałów uniemożliwia nam dalsze zmniejszanie rozmiarów. Ta niestabilność i inne zjawiska o podobnym charakterze sprawiają, że zachowanie naszych komponentów jest mniej niż całkowicie niezawodne, nawet przy obecnych rozmiarach. Tak więc, to właśnie niższa jakość naszych materiałów w porównaniu z tymi stosowanymi w naturze nie pozwala nam osiągnąć tak wysokiego stopnia skomplikowania i małych rozmiarów, jakie osiągnęły organizmy naturalne.
Rozszerzył to na szersze wyzwanie, jakim jest niezawodność sprzętu:
Organizmy naturalne są na tyle dobrze pomyślane, że potrafią działać nawet w przypadku awarii. Potrafią działać pomimo awarii, a ich późniejszą tendencją jest ich usuwanie. Sztuczny automat z pewnością mógłby zostać zaprojektowany tak, aby mógł działać normalnie pomimo ograniczonej liczby awarii w pewnych ograniczonych obszarach. Każda awaria stanowi jednak znaczne ryzyko, że w maszynie rozpoczął się już jakiś proces degeneracyjny. Konieczna jest zatem natychmiastowa interwencja, ponieważ maszyna, która zaczęła działać nieprawidłowo, rzadko ma tendencję do samonaprawy i najprawdopodobniej popadnie w jeszcze gorszy stan. Wszystko to sprowadza się do jednego. Z naszymi sztucznymi automatami poruszamy się w znacznie większej ciemności niż natura zdaje się być w przypadku swoich organizmów. Jesteśmy, i najwyraźniej, przynajmniej na razie, musimy być, znacznie bardziej „przerażeni” wystąpieniem pojedynczego błędu i awarią, która musi za nim stać. Nasze zachowanie jest ewidentnie przesadną ostrożnością, wynikającą z ignorancji.
Dlatego właśnie współczesne systemy sztucznej inteligencji (AI) są projektowane z uwzględnieniem redundancji i korekcji błędów – i dlatego najlepsze narzędzia AI dla biznesu są tworzone z myślą o obsłudze niestandardowych sytuacji, a nie tylko idealnych warunków. Von Neumann nie był pierwszym naukowcem, który zauważył, że postęp teoretyczny wyprzedza techniczną wykonalność jego wdrożenia (współcześni naukowcy, tacy jak Norbert Wiener badał myślenie maszynowe (używając równie rygorystycznych koncepcji cybernetycznych), ale jako inżynier i teoretyk jednocześnie, wyraził tę lukę z niezwykłą jasnością.
Uczenie się i adaptacja: gdzie roboty i ludzie się spotykają
Jednym z najważniejszych podobieństw między robotami a ludźmi jest zdolność uczenia się na podstawie doświadczeń. To właśnie w tej dziedzinie współczesna sztuczna inteligencja poczyniła największe postępy od czasów von Neumanna.
Uczenie się człowieka opiera się zasadniczo na przykładach: obserwujemy, próbujemy, dostosowujemy. Uczenie maszynowe działa w ten sam sposób. Model otrzymuje opisane przykłady zjawiska (na przykład obrazy ludzi odczuwających komfort i dyskomfort) i uczy się identyfikować cechy, które przewidują każdy stan. Im więcej przykładów, tym dokładniejszy staje się model. Jak wyjaśnia Vanessa Evers z UNESCO Courier:
Uczenie maszynowe opiera się na przykładach. Dostarczamy komputerowi przykłady zjawisk, które chcemy, aby zrozumiał.
W naturze istnieje bardzo oczywista cecha typu „błędnego koła”, której najprostszym wyrazem jest fakt, że bardzo złożone organizmy potrafią się rozmnażać. Wszyscy jesteśmy skłonni podejrzewać w niejasny sposób istnienie pojęcia „komplikacji”. To pojęcie i jego domniemane właściwości nigdy nie zostały jasno sformułowane. Zawsze jednak kusi nas, by zakładać, że będą one działać w ten sposób. Kiedy automat wykonuje pewne operacje, należy oczekiwać, że będą one miały niższy stopień skomplikowania niż sam automat. W szczególności, jeśli automat ma zdolność do skonstruowania kolejnego, stopień skomplikowania musi maleć w miarę przechodzenia od konstruktu macierzystego do konstruktu. Oznacza to, że jeśli A może wytworzyć B, to A w jakiś sposób musiał zawierać pełny opis B. Aby było to skuteczne, muszą ponadto istnieć różne rozwiązania w A, które zapewniają interpretację tego opisu i wykonanie wymaganych przez niego operacji konstrukcyjnych. W tym sensie wydaje się zatem, że należy oczekiwać pewnej tendencji degeneracyjnej, pewnego spadku złożoności w miarę jak jeden automat tworzy kolejny. Chociaż ma to pewną nieokreśloną wiarygodność, stoi to w wyraźnej sprzeczności z najbardziej oczywistymi zjawiskami zachodzącymi w naturze. Organizmy rozmnażają się, to znaczy produkują nowe organizmy bez spadku złożoności. Co więcej, istnieją długie okresy ewolucji, podczas których złożoność wręcz wzrasta. Organizmy pośrednio wywodzą się z innych, o niższej złożoności. Zatem istnieje pozorny konflikt wiarygodności i dowodów, a nawet coś gorszego.
Określił kluczowy poziom progowy:
Istnieje… pewien minimalny poziom, na którym… degeneracyjna cecha przestaje być uniwersalna. W tym momencie możliwe stają się automaty zdolne do reprodukcji, a nawet konstruowania wyższych bytów. Fakt, że komplikacja, podobnie jak organizacja, poniżej pewnego minimalnego poziomu jest degeneracyjna, a powyżej tego poziomu może stać się samowystarczalna, a nawet rosnąca, z pewnością odegra ważną rolę w każdej przyszłej teorii przedmiotu.
Już dawno przekroczyliśmy ten próg. Pytanie nie brzmi już, czy maszyny potrafią się uczyć i adaptować – udowodniono, że to potrafią. Pytanie brzmi, jak daleko może sięgnąć ta adaptacja i jak ją efektywnie pokierować.
Komunikacja: najbardziej ludzka rzecz, jaką potrafią robić roboty
Jeżeli istnieje obszar, w którym podobieństwa między robotami i ludźmi mają największe praktyczne znaczenie (i są najbardziej bezpośrednio związane ze sposobem funkcjonowania dzisiejszego biznesu), to jest to komunikacja.
Zarówno ludzie, jak i roboty wykorzystują mowę, ton głosu, gesty i sygnały wizualne do przekazywania informacji i budowania relacji. Oba rodzaje dostosowują swój styl komunikacji do rozmówcy. Oba mogą sygnalizować autorytet, życzliwość lub niepewność tymi samymi kanałami: tonem głosu, spojrzeniem, postawą i chodem.
Badania na ten temat są uderzające. Badanie opublikowano w czasopiśmie Doniesienia naukowe Odkryto, że roboty aktywnie ułatwiają odtwarzanie ludzkiej mowy: ludzie dostosowują tempo mowy, słownictwo i frazowanie podczas komunikacji z robotami, tak jak robią to podczas komunikacji z innymi ludźmi. Badanie powołuje się na wcześniejsze wyniki badań, które:
„W dialogu z awatarem zachowanie językowe jest identyczne jak w dialogu z partnerem ludzkim”.
„Ludzie są biologicznie zaprogramowani do interakcji z innymi ludźmi. Dzięki upodobnieniu robotów do ludzi, stają się one najbardziej intuicyjnym interfejsem”.
Więcej wspólnego, niż myślisz: porównanie strukturalne
Jego koncepcja „społeczeństwa symbiotycznego ludzi i awatarów” sugeruje, że awatary – fizyczne roboty lub zaawansowane systemy sztucznej inteligencji sterowane ludzkimi intencjami – są rozszerzenie obecności człowieka i komunikacji, umożliwiając jednej osobie przebywanie w wielu miejscach jednocześnie.
To jest właśnie ten obszar które awatary AI działają dzisiaj. Pitch AvatarAwatary AI firmy Microsoft opierają się na dokładnie tych zasadach: przetwarzają język, odzwierciedlają wzorce ludzkiej mowy, odpowiadają na pytania i wchodzą w interakcje z publicznością niczym wprawny prezenter – a wszystko to działając na skalę i ze stabilnością, jakich żaden człowiek nie jest w stanie utrzymać podczas setek jednoczesnych interakcji.
Paralele społeczne i emocjonalne: dlaczego ludzie reagują na roboty tak jak ludzie
Ludzie, jak opisują nas socjologowie, są „zwierzętami ultraspołecznymi”. Jesteśmy zaprogramowani do rozpoznawania sygnałów społecznych, przypisywania osobowości i intencji innym podmiotom oraz budowania relacji z obiektami, które zachowują się w rozpoznawalny sposób. Roboty, zwłaszcza roboty społeczne, celowo wykorzystują to zaprogramowanie.
Badanie opublikowane w Granice robotyki i sztucznej inteligencji Odkryto, że wygląd, styl mówienia, spojrzenie, ruchy głowy i gestykulacja są istotnymi czynnikami determinującymi postrzeganą osobowość zarówno awatarów ludzkich, jak i robotów. Te same cechy, które sprawiają, że dana osoba wydaje się pewna siebie, przyjazna lub godna zaufania, sprawiają również, że robot wydaje się taki. Nie przetwarzamy tych sygnałów inaczej tylko dlatego, że ich źródło jest sztuczne.
To zjawisko ma nazwę: „dolina niepokoju”Termin ten, ukuty przez robotyka Masahiro Moriego, opisuje dyskomfort, jakiego ludzie doświadczają, gdy robot jest prawie, ale nie do końca człowiekiem. Im bardziej robot zbliża się do ludzkiego wyglądu i zachowania, ale nie osiąga ich w pełni, tym bardziej niepokojący staje się efekt. Celem projektowania robotów społecznych jest albo pozostanie wyraźnie nie-ludzkim, albo całkowite pokonanie „doliny” – osiągnięcie naturalnej, komfortowej interakcji, która – jak pokazują opisane powyżej badania nad komunikacją – jest obecnie możliwa.
Praktyczne implikacje dla menedżerów HR, liderów ds. szkoleń i rozwoju oraz zespołów sprzedaży są oczywiste: pracownicy i klienci reagują na awatary sztucznej inteligencji tak samo, jak na komunikatory ludzkie, pod warunkiem, że są one poprawnie zaprojektowane. Ludzie przypisują robotom osobowość, nawet jeśli jej nie mają. Kształtują swoje preferencje, budują zaufanie i dostosowują swoje zachowanie w oparciu o to, jak prezentuje się robot lub awatar. Zrozumienie tego jest nie tylko interesujące z filozoficznego punktu widzenia, ale ma również znaczenie operacyjne dla każdego, kto wdraża komunikację opartą na sztucznej inteligencji.
Badania nad zespołami składającymi się z ludzi i robotów dodają kolejny wymiar: Badania pokazują Ludzie wolą być kierowani przez roboty, gdy robot-lider poprawia wydajność zespołu, a zaufanie do robota-lidera znacząco wpływa na zadowolenie z pracy i wydajność członków zespołu. Dynamika społeczna interakcji człowiek-robot nie jest powierzchowna – wpływa ona na rzeczywiste wyniki organizacji.
Dokąd zmierza podobieństwo ludzi i robotów: współpraca, a nie zastępowanie
Wszyscy poważni analitycy zajmujący się robotyką dochodzą do tego samego wniosku: nadchodząca dekada będzie należeć do współpracy człowieka z robotem – Sztuczna inteligencja nigdy nie zastąpi w pełni ludzi. Badania Eurofound potwierdza, że automatyzacja obecnie prowadzi do większej liczby zmian w profilach zawodowych niż redukcji etatów.
Koncepcja przedstawiona w Prime Movers Lab jest typowa:
„Następne dekady będą należeć do współpracy człowieka z robotem, a zwycięzcami będą ci, którzy odkryją, jak najlepiej połączyć ludzi i roboty, aby zmaksymalizować potencjał”.
PYTANIA I ODPOWIEDZI
