Unimals, as criaturas virtuais que usam IA para evoluir seus corpos e vencer obstáculos

Pesquisadores da Universidade Stanford, nos EUA, desenvolveram criaturas virtuais que evoluem seus corpos para vencer obstáculos e resolver problemas. Os “unimals” (abreviação de animais universais) foram utilizados para demonstrar que a evolução da inteligência depende da configuração dos corpos. Gustavo Minari – Canaltech

They look like half-formed crabs made of sausages—or perhaps Thing, the disembodied hand from The Addams Family. But these “unimals” (short for “universal animals”) could in fact help researchers develop more general-purpose intelligence in machines. Will Douglas Heaven – MIT Technology Review

Em um ambiente digital, esses pequenos seres compostos por uma cabeça e membros articulados sofreram mutações para se adaptarem à paisagem, sugerindo novas maneiras de otimização para sistemas avançados de inteligência artificial (IA), que podem ser implantados em robôs no futuro.

The unimals that perform the best are then selected and mutations are introduced, and the resulting offspring are placed back in the environment, where they learn the same tasks from scratch. The process repeats hundreds of times: evolve and learn, evolve and learn.

Embodied Intelligence via Learning and Evolution – Agrim Gupta

Embodied Intelligence via Learning and EvolutionAgrim Gupta31.580 visualizações3 de fev. de 2021Results from our paper

“Embodied Intelligence via Learning and Evolution“.

The intertwined processes of learning and evolution in complex environmental niches have resulted in a remarkable diversity of morphological forms. Moreover, many aspects of animal intelligence are deeply embodied in these evolved morphologies. However, the principles governing relations between environmental complexity, evolved morphology, and the learnability of intelligent control, remain elusive, partially due to the substantial challenge of performing large-scale {\it in silico} experiments on evolution and learning.

We introduce Deep Evolutionary Reinforcement Learning (DERL): a novel computational framework which can evolve diverse agent morphologies to learn challenging locomotion and manipulation tasks in complex environments using only low level egocentric sensory information. Leveraging DERL we demonstrate several relations between environmental complexity, morphological intelligence and the learnability of control.

First, environmental complexity fosters the evolution of morphological intelligence as quantified by the ability of a morphology to facilitate the learning of novel tasks. Second, evolution rapidly selects morphologies that learn faster, thereby enabling behaviors learned late in the lifetime of early ancestors to be expressed early in the lifetime of their descendants. In agents that learn and evolve in complex environments, this result constitutes the first demonstration of a long-conjectured morphological Baldwin effect. Third, our experiments suggest a mechanistic basis for both the Baldwin effect and the emergence of morphological intelligence through the evolution of morphologies that are more physically stable and energy efficient, and can therefore facilitate learning and control.

“Se os pesquisadores querem recriar a inteligência nas máquinas, pode estar faltando algo. Na biologia, a inteligência surge de mentes e corpos trabalhando juntos. Aspectos dos planos corporais, como o número e a forma dos membros, determinam o que os animais podem fazer e aprender”, explica o estudante de ciência da computação Agrim Gupta, autor principal do estudo.

Wrapping AIs in bodies that are adapted to specific tasks could make it easier for them to learn a wide range of new skills. “One thing every single intelligent animal on the planet has in common in a body,“ says Bongard. “Embodiment is our only hope of making machines that are both smart and safe.“

Para testar a capacidade de evolução dos unimais, os pesquisadores desenvolveram uma técnica chamada DERL (Deep Evolutionary Reinforcement Learning) — Aprendizado por Reforço Evolutivo Profundo, em tradução livre. Na primeira parte dos testes, eles foram treinados para completar uma tarefa simples, como caminhar por diferentes tipos de terreno ou mover um objeto em um ambiente virtual.

Os cientistas também testaram se os unimais podiam se adaptar a uma tarefa que não tinham visto antes. Aqueles que evoluíram em ambientes mais complexos, contendo obstáculos ou terreno irregular, foram mais rápidos no aprendizado de novas habilidades, como rolar uma bola em vez de empurrar uma caixa.

The mutations unimals are subjected to involve adding or removing limbs, or changing the length or flexibility of limbs. The number of possible body configurations is vast: there are 10^18 unique variations with 10 limbs or fewer. Over time, the unimals’ bodies adapt to different tasks.

“Já se sabe que certos órgãos aceleram o aprendizado. Este trabalho mostra que um corpo adequado também pode acelerar as mudanças no cérebro do robô, com inteligência e morfologia caminhando na mesma direção. Os unimais com corpos evoluídos mais bem-sucedidos resolveram tarefas mais rápido do que suas gerações anteriores”, acrescenta Gupta.

“Após os experimentos, descobrimos que a evolução seleciona rapidamente morfologias que aprendem mais rápido, permitindo assim que os comportamentos aprendidos no final da vida dos primeiros ancestrais sejam expressos no início da vida de seus descendentes e assim por diante”, lembra Gupta.

Stanford researchers evolve embodied AI agents – Stanford

A team of researchers at Stanford wondered: Does embodiment matter for the evolution of intelligence? And if so, how might computer scientists make use of embodiment to create smarter AIs? To answer these questions, they created a computer-simulated playground where arthropod-like agents dubbed “unimals” (short for “universal animals”) learn and are subjected to mutations and natural selection.

Para os cientistas, o desenvolvimento cognitivo atrelado à evolução física dos unimais pode mudar a maneira como os pesquisadores desenvolverão a próxima geração dos sistemas de inteligência artificial, com robôs capazes de aprender a realizar várias tarefas no mundo real.

“Os humanos não sabem necessariamente como projetar corpos de robôs para tarefas estranhas, como rastejar por um reator nuclear para extrair resíduos, fornecer ajuda em desastres após um terremoto, ou fazer tarefas domésticas, como lavar pratos e dobrar roupas. Talvez a única maneira de avançar seja permitir que a evolução natural faça isso”, encerra a professora de física Surya Ganguli, coatora do estudo. Stanford University

“I find this exciting because it shows how deeply body shape and intelligence are connected,” says Gupta.

Gupta’s unimals are part of a broad shift in how researchers are thinking about AI. Instead of training AIs on specific tasks, such as playing Go or analyzing a medical scan, researchers are starting to drop bots into virtual sandboxes—such as POET, OpenAI’s virtual hide-and-seek arena, and DeepMind’s virtual playground XLand—and getting them to learn how to solve multiple tasks in ever-changing, open-ended training dojos. Instead of mastering a single challenge, AIs trained in this way learn general skills.

For Gupta, free-form exploration will be key for the next generation of AIs. “We need truly open-ended environments to create intelligent agents,” he says.

Unimalze-se: Biobots, Drone inseto, Atlas, 10 anos depois!?!, 10 fatos sobre inteligência artificial, Uncanny Valley, Vídeo simula ação de robô-soldado, Robôs do Face criam língua própria – mas calma, não é a revolução das máquinas, Como Fazer um Robô