Forskere fra Loughborough University, MIT og Yale har introduceret begrebet 'kollektiv AI'.
Dokumentere deres ideer i et perspektiv papir offentliggjort i Nature Machine Intelligence, foreslår forskerne ShELL (Shared Experience Lifelong Learning) som en ramme for at skabe decentrale AI-systemer bestående af flere uafhængige agenter, eller "Collective AI".
Disse individuelle AI-enheder arbejder som en "bikube" og lærer løbende og deler viden i hele deres levetid, hvilket udfordrer centraliserede monolitiske arkitekturer.
Hvis den udvikles, kan kollektiv AI afspejle evnerne hos Star Treks "The Borg" og mange andre sci-fi-koncepter som "The Get" fra Mass Effect eller "The Replicators" fra Stargate SG-1.
Ved at gøre det muligt for agenter at lære af deres egne erfaringer og den viden, som andre deler, kan ShELL-systemer udvise hurtigere læring, bedre ydeevne og større fleksibilitet i forhold til modgang - i lighed med biologiske organismer.
Topcomputerforskere fra hele verden siger, at fremtiden for kunstig intelligens ligner den i Star Trek🖖🤖.
Dr. @asoltoggio og eksperter fra bl.a. @MIT & @Yale deler deres 'Collective AI'-vision i en ny @NatMachIntell papir.
Læs: https://t.co/JgKhqvUDmG pic.twitter.com/kd1QAyGxGB
- Loughborough University PR (@LboroPR) 22. marts 2024
Dr. Andrea Soltoggio fra Loughborough University, undersøgelsens ledende forsker, beskrev studiets vision: "Øjeblikkelig videndeling på tværs af et kollektivt netværk af AI-enheder, der er i stand til løbende at lære og tilpasse sig nye data, vil muliggøre hurtige reaktioner på nye situationer, udfordringer eller trusler."
Soltoggio fremhævede yderligere potentialet i decentraliseret AI ved at drage en analogi til det menneskelige immunsystem, hvor flere komponenter arbejder sammen om at skabe et koordineret forsvar mod trusler.
"Det kan også føre til udvikling af robotter til katastrofeberedskab, der hurtigt kan tilpasse sig de forhold, de sendes ud i, eller personaliserede medicinske agenter, der forbedrer sundhedsresultaterne ved at kombinere avanceret medicinsk viden med patientspecifik information", forklarer Soltoggio.
Flere potentielle anvendelser i den virkelige verden nævnes i undersøgelsen:
- Udforskning af rummet: ShELLs decentrale lærings- og tilpasningsevne kan være værdifuld i missioner i det ydre rum, hvor kommunikationen med Jorden er begrænset, og hvor autonome systemer skal kunne klare uventede udfordringer.
- Personlig medicin: ShELL kan drive distribuerede medicinske AI-systemer, der løbende tilpasser sig patienternes behov og den medicinske viden, hvilket giver mulighed for mere målrettet og effektiv levering af sundhedsydelser.
- Cybersikkerhed: ShELL-agenternes kollektive læring og vidensdeling kan udnyttes til at skabe decentrale forsvarssystemer, der hurtigt opdager og spreder information om nye trusler, hvilket giver mulighed for hurtigere og mere robuste reaktioner på cyberangreb.
- Reaktion på katastrofer: Artiklen foreslår, at ShELL-systemer kan bruges til at koordinere autonome agenter i katastrofescenarier, hvilket muliggør en mere effektiv indsats ved at udnytte gruppens kollektive intelligens.
- Multi-agent sensing: ShELL kan gøre det muligt at koordinere sværme af agenter til at konstruere 3D-verdensmodeller til opgaver som eftersøgnings- og redningsoperationer eller detektering af anomalier i militær rekognoscering.
Her er en mulig idé til at opbygge et demokrati med mange AI'er, mangfoldighed og modstandsdygtighed i forhold til en håndfuld store enheder, der kontrollerer det 21. århundredes mest kraftfulde teknologi. https://t.co/Eg7R9X4WEp Er der nogen, der vil være med?
- Andrea Soltoggio (@asoltoggio) 22. marts 2024
På trods af lovende anvendelser er forskerne opmærksomme på de potentielle risici ved kollektive AI-systemer, såsom hurtig spredning af forkert, usikker eller uetisk viden mellem enhederne.
For at bekæmpe det foreslår de at fremme hver enkelt AI-enheds autonomi inden for kollektivet og sikre en balance mellem samarbejde og uafhængighed.
Opbygning af kollektiv AI
Så hvordan kan kollektiv AI fungere? Forskerne foreslår flere potentielle mekanismer:
- Livslang maskinlæring: Gør det muligt for AI-agenter at lære flere opgaver trinvist uden at lide under katastrofal glemsel. Teknikkerne omfatter afspilningsmetoder (lagring og afspilning af tidligere erfaringer), regularisering (begrænsning af modelopdateringer for at forhindre overskrivning af gammel viden) og parameterisolering (dedikation af separate modelkomponenter til forskellige opgaver).
- Fødereret læring: Et distribueret læringsparadigme, hvor flere agenter i fællesskab træner en model, mens de holder deres data lokaliseret. Hver agent beregner modelopdateringer baseret på sine lokale data og deler kun disse opdateringer med andre, så datafortroligheden bevares.
- Multi-agent systemer: Undersøgelse af autonome agenter, der interagerer i et fælles miljø. ShELL-agenter arbejder decentralt og træffer beslutninger baseret på deres individuelle mål og viden.
- Edge computing: Udførelse af beregninger og datalagring tæt på datakilderne, f.eks. på enheder eller edge-servere, i stedet for i centraliserede cloud-systemer. ShELL-agenter arbejder på edge-enheder, hvilket muliggør behandling med lav latenstid og reducerer kommunikationsomkostningerne.
Kollektiv AI bygger på de seneste futuristiske udviklinger inden for AI, som f.eks. bio-inspireret AI arkitekturer, der effektivt simulerer analoge synaptiske strukturer, og AI-modeller, der kører på rigtige hjerneceller.
Interessen for decentral AI i sig selv vokser, som det fremgår af Nylig opsigelse af Stability AI's CEO Emad Mostaque. Han forlod virksomheden for at forfølge decentrale projekter, der søger at sprede AI-kraft fra Big Tech.
Derudover har en startup, Sakana, grundlagt af tidligere Google-ingeniører, for nylig rejste $30 millioner til "sværm"-AI, konceptuelt ligner det, der foreslås i denne nye undersøgelse.
