Как писал Чарльз Дарвин в конце своей основополагающей книги 1859 года «Происхождение видов», «пока эта планета продолжала вращаться в соответствии с фиксированным законом гравитации, из такого простого начала бесконечные формы прекраснейших и самые чудесные были и продолжают развиваться». С тех пор ученые считали, что разнообразие и разнообразие форм жизни на Земле свидетельствуют о том, что биологическая эволюция спонтанно вносит новшества в неограниченный путь, постоянно изобретая новые вещи. Однако попытки создать искусственные симуляции эволюционных систем, как правило, наталкиваются на ограничения сложности и новизны, которые они могут произвести. Иногда это называют «проблемой незавершенности». Из-за этой трудности на сегодняшний день ученые не могут легко создавать искусственные системы, способные демонстрировать богатство и разнообразие биологических систем.
В новом исследовании, опубликованном в журнале Artificial Life, исследовательская группа под руководством Николаса Гуттенберга и Натаниэля Вирго из Института наук о Земле и жизни (ELSI) Токийского технологического института, Япония, и Александры Пенн из Центра для оценки сложности через взаимосвязь (CECAN), Университет Суррея, Великобритания (CRESS), исследуют связь между биологической эволюционной открытостью и недавними исследованиями в области машинного обучения, надеясь, что, объединив идеи искусственной жизни и машинного обучения, она станет возможно объединить нейронные сети с мотивами и идеями искусственной жизни, чтобы создать новые формы открытости.
Одним из источников открытости в развивающихся биологических системах является «гонка вооружений» для выживания. Например, более быстрые лисы могут эволюционировать, чтобы ловить более быстрых кроликов, которые, в свою очередь, могут эволюционировать, чтобы стать еще быстрее, чтобы убежать от более быстрых лисиц. Эта идея отражена в недавних разработках, связанных с конкуренцией сетей друг с другом для создания таких вещей, как реалистичные изображения с использованием генеративно-состязательных сетей (GAN), и для обнаружения стратегий в таких играх, как Go, которые теперь могут легко победить лучших игроков-людей. В эволюции такие факторы, как мутация, могут ограничивать масштабы гонки вооружений. Однако по мере увеличения масштабов нейронных сетей таких ограничений, по-видимому, не существует, и сеть может продолжать совершенствоваться по мере того, как в их алгоритмы поступают дополнительные данные.
Гуттенберг изучал эволюционную открытость со времен аспирантуры, но только в последние несколько лет его внимание переключилось на искусственный интеллект и нейронные сети. Примерно в то же время были изобретены такие методы, как GAN, которые показались ему очень похожими на открытые коэволюционные системы, над которыми он работал ранее. Внезапно он увидел возможность разрушить барьер между сообществами, чтобы помочь добиться прогресса в том, что было для него неизменно важной и интересной проблемой.
Исследователи показали, что, хотя они могут использовать масштабный анализ, чтобы продемонстрировать открытость в эволюционном и когнитивном контекстах, существует разница между созданием чего-то, что, например, становится бесконечно хорошим при создании изображений кошек, и чем-то, что, имея устал рисовать картинки с кошками, вместо этого решает заняться музыкой. В искусственных эволюционных системах программист должен предвидеть такого рода крупные качественные скачки - им нужно создать искусственный мир, в котором музыка стала бы возможной для «организмов», решивших стать музыкантами. В таких системах, как нейронные сети, такие понятия, как абстракция, легче улавливаются, и поэтому можно начать представлять себе способы, с помощью которых популяции взаимодействующих агентов могут создавать новые проблемы, которые необходимо решать между собой.
Эта работа поднимает некоторые глубокие и интересные вопросы. Например, если стремление к качественно иной новизне в вычислительной системе возникает внутренне из абстракции, что определяет «значение» новизны, создаваемой искусственными системами? Было показано, что машинное обучение иногда приводит к созданию искусственных языков путем взаимодействия вычислительных агентов, но эти языки по-прежнему основаны на задаче, которую агенты решают совместно. Если агенты действительно полагаются на взаимодействия внутри системы, чтобы вывести открытость далеко от того, что было предоставлено в качестве исходного материала, можно ли вообще распознавать или интерпретировать то, что получается, или нужно быть живым организмом? в такой системе, чтобы понять ее богатство?
В конечном счете, это исследование предполагает, что можно создавать искусственные системы, которые автономно и непрерывно изобретают или открывают новые вещи, что представляет собой значительный прогресс в области искусственного интеллекта и может помочь в понимании эволюции и происхождения жизни.