Des chercheurs de l'université de Loughborough, du MIT et de Yale ont introduit le concept d'"IA collective".
Documenter leurs idées dans une perspective papier publié dans Nature Machine Intelligence, les chercheurs proposent Shared Experience Lifelong Learning (ShELL) en tant que cadre pour la création de systèmes d'IA décentralisés composés de multiples agents indépendants, ou "Collective AI".
Fonctionnant comme un "esprit de ruche", ces unités d'IA individuelles apprennent en permanence et partagent leurs connaissances tout au long de leur vie, ce qui remet en question les architectures monolithiques centralisées.
Si elle est développée, l'IA collective pourrait reproduire les capacités des "Borgs" de Star Trek et de nombreux autres concepts de science-fiction tels que "The Get" de Mass Effect ou "The Replicators" de Stargate SG-1.
En permettant aux agents d'apprendre de leurs propres expériences et des connaissances partagées par les autres, les systèmes ShELL peuvent faire preuve d'un apprentissage plus rapide, d'une meilleure performance et d'une plus grande flexibilité face à l'adversité, à l'instar des organismes biologiques.
Des informaticiens de haut niveau du monde entier affirment que l'avenir de l'intelligence artificielle est similaire à celui de Star Trek🖖🤖🤖🤖🖖🤖.
Dr @asoltoggio et des experts tels que @MIT & @Yale partager leur vision de l'"IA collective" dans une nouvelle @NatMachIntell papier.
Lire : https://t.co/JgKhqvUDmG pic.twitter.com/kd1QAyGxGB
- Relations publiques de l'Université de Loughborough (@LboroPR) 22 mars 2024
Andrea Soltoggio de l'université de Loughborough, chercheur principal de l'étude, a décrit la vision de l'étude: "Le partage instantané des connaissances au sein d'un réseau collectif d'unités d'IA capables d'apprendre en permanence et de s'adapter à de nouvelles données permettra de réagir rapidement à des situations inédites, à des défis ou à des menaces."
M. Soltoggio a également souligné le potentiel de l'IA décentralisée en établissant une analogie avec le système immunitaire humain, dont les multiples composantes travaillent ensemble pour mettre en place une défense coordonnée contre les menaces.
"Cela pourrait également conduire au développement de robots d'intervention en cas de catastrophe, capables de s'adapter rapidement aux conditions dans lesquelles ils sont envoyés, ou d'agents médicaux personnalisés qui améliorent les résultats en matière de santé en fusionnant des connaissances médicales de pointe avec des informations spécifiques au patient", a expliqué M. Soltoggio.
Plusieurs utilisations potentielles dans le monde réel sont mentionnées dans l'étude :
- Exploration de l'espace: Les capacités d'apprentissage et d'adaptation décentralisées de ShELL pourraient s'avérer précieuses pour les missions dans l'espace lointain, où la communication avec la Terre est limitée et où les systèmes autonomes doivent faire face à des défis inattendus.
- Médecine personnalisée: ShELL pourrait alimenter des systèmes d'IA médicale distribués qui s'adaptent en permanence à l'évolution des besoins des patients et des connaissances médicales, permettant ainsi une prestation de soins de santé plus ciblée et plus efficace.
- Cybersécurité: L'apprentissage collectif et le partage des connaissances des agents ShELL pourraient être mis à profit pour créer des systèmes défensifs décentralisés qui détectent et diffusent rapidement des informations sur les nouvelles menaces, ce qui permettrait de réagir plus vite et plus efficacement aux cyberattaques.
- Réponse aux catastrophes: L'article suggère que les systèmes ShELL pourraient être utilisés pour coordonner des agents autonomes dans des scénarios de catastrophe, permettant des efforts de réponse plus efficaces et plus efficients en tirant parti de l'intelligence collective du groupe.
- Détection multi-agents: ShELL pourrait permettre la coordination d'essaims d'agents afin de construire des modèles 3D du monde pour des tâches telles que les opérations de recherche et de sauvetage ou la détection d'anomalies dans le cadre de la reconnaissance militaire.
Voici une idée possible pour construire une démocratie composée de nombreuses IA, de diversité et de résilience, par opposition à une poignée de grandes entités contrôlant la technologie la plus puissante du 21e siècle. https://t.co/Eg7R9X4WEp Y a-t-il des preneurs ?
- Andrea Soltoggio (@asoltoggio) 22 mars 2024
Malgré des utilisations prometteuses, les chercheurs sont conscients des risques potentiels des systèmes d'IA collectifs, tels que la diffusion rapide de connaissances incorrectes, dangereuses ou contraires à l'éthique entre les unités.
Pour y remédier, ils suggèrent de favoriser l'autonomie de chaque unité d'IA au sein du collectif, en assurant un équilibre entre coopération et indépendance.
Construire une IA collective
Comment l'IA collective peut-elle fonctionner ? Les chercheurs proposent plusieurs mécanismes potentiels :
- Apprentissage automatique tout au long de la vie: Permet aux agents de l'IA d'apprendre plusieurs tâches de manière incrémentale sans souffrir d'un oubli catastrophique. Les techniques comprennent les méthodes de relecture (stockage et relecture des expériences précédentes), la régularisation (contrainte des mises à jour du modèle pour empêcher l'écrasement des anciennes connaissances) et l'isolation des paramètres (dédier des composants de modèle distincts à différentes tâches).
- Apprentissage fédéré : Un paradigme d'apprentissage distribué dans lequel plusieurs agents forment un modèle en collaboration tout en gardant leurs données localisées. Chaque agent calcule les mises à jour du modèle sur la base de ses données locales et ne partage que ces mises à jour avec les autres, en préservant la confidentialité des données.
- Systèmes multi-agents: Étude d'agents autonomes interagissant dans un environnement partagé. Les agents ShELL fonctionnent de manière décentralisée, prenant des décisions basées sur leurs objectifs individuels et leurs connaissances.
- Informatique de pointe: Effectuer des calculs et stocker des données à proximité des sources de données, par exemple sur des appareils ou des serveurs périphériques, plutôt que dans des systèmes centralisés en nuage. Les agents ShELL fonctionnent sur des appareils périphériques, ce qui permet un traitement à faible latence et réduit les coûts de communication.
L'IA collective s'appuie sur des développements futuristes récents dans le domaine de l'IA, tels que IA bio-inspirée architectures qui simulent efficacement les structures synaptiques analogiques et les modèles d'intelligence artificielle qui s'exécutent sur des ordinateurs de bureau. de véritables cellules cérébrales.
L'intérêt pour l'IA décentralisée elle-même est croissant, comme l'indique la démission récente Emad Mostaque, PDG de Stability AI. Il a quitté l'entreprise pour se consacrer à des projets décentralisés visant à diffuser le pouvoir de l'IA auprès des grandes entreprises technologiques.
En outre, une startup, Sakana, fondée par d'anciens ingénieurs de Google, a récemment a levé $30 millions d'euros pour l'IA "en essaim"., conceptuellement similaire à ce qui est proposé dans cette nouvelle étude.
