Forskere fra Loughborough University, MIT og Yale har introdusert konseptet "kollektiv AI".
Dokumentere ideene sine i et perspektiv papir publisert i Nature Machine Intelligence, foreslår forskerne ShELL (Shared Experience Lifelong Learning) som et rammeverk for å skape desentraliserte AI-systemer som består av flere uavhengige agenter, eller "Collective AI".
Disse individuelle AI-enhetene fungerer som en "bikube", og de lærer kontinuerlig og deler kunnskap gjennom hele sin levetid, noe som utfordrer sentraliserte, monolittiske arkitekturer.
Hvis den kollektive AI-en blir utviklet, kan den speile evnene til Star Treks "The Borg" og en rekke andre sci-fi-konsepter som "The Get" fra Mass Effect eller "The Replicators" fra Stargate SG-1.
Ved å gjøre det mulig for agenter å lære av sine egne erfaringer og kunnskapen som deles av andre, kan ShELL-systemer lære raskere, prestere bedre og være mer fleksible i møte med motgang - på samme måte som biologiske organismer.
Topp dataforskere fra hele verden sier at fremtiden for kunstig intelligens ligner på Star Trek🖖🤖🤖
Dr. @asoltoggio og eksperter fra blant annet @MIT & @Yale deler sin "Collective AI"-visjon i en ny @NatMachIntell papir.
Les: https://t.co/JgKhqvUDmG pic.twitter.com/kd1QAyGxGB
- Loughborough University PR (@LboroPR) 22. mars 2024
Dr. Andrea Soltoggio ved Loughborough University, studiens ledende forsker, beskrev studiens visjon: "Øyeblikkelig kunnskapsdeling på tvers av et kollektivt nettverk av AI-enheter som er i stand til å lære kontinuerlig og tilpasse seg nye data, vil gjøre det mulig å reagere raskt på nye situasjoner, utfordringer eller trusler."
Soltoggio fremhevet videre potensialet i desentralisert AI ved å trekke en analogi til det menneskelige immunforsvaret, der flere komponenter samarbeider for å sette opp et koordinert forsvar mot trusler.
"Det kan også føre til utvikling av katastroferoboter som raskt kan tilpasse seg forholdene de blir sendt ut i, eller persontilpassede medisinske agenter som forbedrer helseresultatene ved å kombinere banebrytende medisinsk kunnskap med pasientspesifikk informasjon", forklarer Soltoggio.
Flere potensielle bruksområder i den virkelige verden nevnes i studien:
- Utforskning av verdensrommet: ShELLs desentraliserte lærings- og tilpasningsevne kan være verdifull i oppdrag i verdensrommet der kommunikasjonen med jorden er begrenset og autonome systemer må takle uventede utfordringer.
- Persontilpasset medisin: ShELL kan drive distribuerte medisinske AI-systemer som kontinuerlig tilpasser seg pasientens behov og medisinsk kunnskap, noe som gjør det mulig å levere mer målrettede og effektive helsetjenester.
- Cybersikkerhet: ShELL-agentenes kollektive læring og kunnskapsdeling kan utnyttes til å skape desentraliserte forsvarssystemer som raskt oppdager og sprer informasjon om nye trusler, noe som gjør det mulig å reagere raskere og mer robust på cyberangrep.
- Katastrofeberedskap: I artikkelen foreslås det at ShELL-systemer kan brukes til å koordinere autonome agenter i katastrofescenarioer, noe som muliggjør en mer effektiv responsinnsats ved å utnytte gruppens kollektive intelligens.
- Multi-agent sensing: ShELL kan gjøre det mulig å koordinere svermer av agenter for å konstruere 3D-verdensmodeller for oppgaver som søk- og redningsoperasjoner eller deteksjon av uregelmessigheter i militær rekognosering.
Her er en mulig idé for å bygge et demokrati med mange AI-er, mangfold og robusthet kontra en håndfull store enheter som kontrollerer det 21. århundrets kraftigste teknologi https://t.co/Eg7R9X4WEp Noen som vil ha?
- Andrea Soltoggio (@asoltoggio) 22. mars 2024
Til tross for lovende bruksområder er forskerne oppmerksomme på de potensielle risikoene ved kollektive AI-systemer, for eksempel rask spredning av feilaktig, utrygg eller uetisk kunnskap mellom enhetene.
For å bekjempe dette foreslår de å fremme autonomi for hver AI-enhet i kollektivet, slik at man sikrer en balanse mellom samarbeid og uavhengighet.
Å bygge kollektiv AI
Så hvordan kan kollektiv AI fungere? Forskerne foreslår flere potensielle mekanismer:
- Livslang maskinlæring: Gjør det mulig for AI-agenter å lære flere oppgaver trinnvis uten å lide av katastrofal glemsel. Teknikker omfatter avspillingsmetoder (lagring og avspilling av tidligere erfaringer), regularisering (begrensning av modelloppdateringer for å hindre overskriving av gammel kunnskap) og parameterisolasjon (å dedikere separate modellkomponenter til ulike oppgaver).
- Føderert læring: Et distribuert læringsparadigme der flere agenter samarbeider om å trene opp en modell, samtidig som dataene deres holdes lokalisert. Hver agent beregner modelloppdateringer basert på sine lokale data og deler bare disse oppdateringene med de andre, slik at personvernet ivaretas.
- Multi-agent-systemer: Studie av autonome agenter som samhandler i et felles miljø. ShELL-agenter opererer desentralisert og tar beslutninger basert på sine individuelle mål og kunnskaper.
- Edge computing: Beregninger og datalagring utføres i nærheten av datakildene, for eksempel på enheter eller edge-servere, i stedet for i sentraliserte skysystemer. ShELL-agenter opererer på edge-enheter, noe som muliggjør behandling med lav latenstid og reduserer kommunikasjonskostnadene.
Kollektiv AI bygger på nyere futuristisk utvikling innen AI, som for eksempel bioinspirert kunstig intelligens arkitekturer som effektivt simulerer analoge synaptiske strukturer og AI-modeller som kjører på ekte hjerneceller.
Interessen for desentralisert kunstig intelligens er økende, noe som indikeres av nylig avgang av Stability AIs administrerende direktør Emad Mostaque. Han sluttet for å forfølge desentraliserte prosjekter som søker å spre AI-kraft fra Big Tech.
I tillegg har en oppstartsbedrift, Sakana, grunnlagt av tidligere Google-ingeniører, nylig samlet inn $30 millioner til "sverm"-AI, konseptuelt likt det som foreslås i denne nye studien.