Hvordan skal vi teste E.T.’s intelligens?

Intelligenstest er uretfærdige over for dyr og maskiner, fordi de forudsætter menneskelige evner, sprog og viden. Hvordan skal en objektiv IQ-test være, hvis den skal kunne måle intelligensen på alt og alle?

Læs hele artiklen med kommentarer på ing.dk

Hvad er en pukkelhvals intelligenskvotient? Hvilken IQ har en slimsvamp? Og hvad med en kaffemaskine eller computerprogrammet Watson, der for nylig vandt i det amerikanske tv-show ’Jeopardy!’?

Problemet med vores definition af intelligens er, at den ikke kan bruges til at sammenligne os med andre end os selv. IQ måler de relative forskelle på menneskers evne til at svare på bestemte spørgsmål, med et gennemsnit sat til 100, og har derfor ikke noget meningsfuldt forhold til andre former for intelligens. IQ er i den forstand et selvforgabt spejl af indbildt klogskab, der glemmer, at elefantens snabel og myrens signalstoffer kan løse mange komplekse opgaver, som vores hjerne ikke kan klare.

For at justere en testpersons IQ ud fra vedkommendes kognitive forudsætninger har intelligensforskere i nyere tid videreudviklet de klassiske psykometriske metoder og brugt den såkaldte ‘Item Response Theory’, bl.a. udviklet af danskeren Georg Rasch. Men problemet er stadig, at man forudsætter en bestemt definition af, hvad intelligens er for en størrelse. Hvis man vil måle intelligens hos andre arter, hos aliens fra det ydre rum, eller på maskiner og robotter, må man være åben over for intelligensformer, som vores menneskeblik har svært ved at se konturerne af.

Psykologer og primatologer har for eksempel udviklet en lang række af specielt skræddersyede modeller, alt efter om man tester børn, chimpanser eller delfiner. Men disse er stadig problematiske, fordi de i stedet for at måle dyrets intelligens, måler deres grad af menneskelighed. Det samme gælder for maskinintelligens. Fiffige programmører vil altid kunne udvikle speciel software, der simulerer den menneskelige forståelse, som efterspørges (tænk f.eks. på Turingtesten), uden at man af den grund finder ud af, hvad en maskines intelligens egentlig er, og om den bliver bedre med tiden.

Det mindste program
Nej, en objektiv og universel intelligenstest må kunne måle intelligensen på både en sten, en stenbider og en Einstein. Testen må kunne formaliseres matematisk og give et meningsfuldt resultat, der favner hele bredden af, hvad intelligens kan være, uafhængigt af humane ønsker eller begrænsninger.

Men hvordan skal det kunne gå for sig? José Hernández-Orallo fra det polytekniske universitet i Valencia, Spanien, og David Dowe fra Monash University i Australien foreslår i fagbladet Artificial Intelligence, at de har en løsning. De mener, at det eneste objektive mål for intelligens – kort fortalt – er Kolmogorov-kompleksiteten af den information, som et testsvar indeholder.


Den lidt længere forklaring er, at Andrej Kolmogorov var en russisk matematiker, der indså, at mange øjensynligt komplekse talrækker kan produceres med en enkel lille algoritme. Hvis man derfor skal måle sværhedsgraden af en talrække, eller af et vilkårligt output, skal man ikke fokusere på outputtet, men på kompleksiteten af det program, der er i stand til at producere outputtet.

Intelligens er dermed defineret som længden (målt i binær sekvens) af det mindst mulige program, der kan producere det korrekte svar på et givent testspørgsmål. I praksis er Kolmogorov-kompleksiteten dog svær at måle, fordi der eksisterer et irriterende teorem, som siger, at den er uberegnelig. Men man kan lave gode approksimationer, der måler dens øvre grænse, og det er som regel godt nok.

Næste skridt er at designe de rette test. Da man jo dårligt kan kræve, at en ikke-menneskelig intelligens kan tælle, læse engelsk, eller række ud efter en kagedåse uden arme, må testen basere sig på behavioristiske teknikker, kaldet ‘operant conditioning’, altså belønning og straf. Man bruger dem f.eks. til at træne duer med. Det var oprindelig den amerikanske psykolog Edward Lee Thorndike, der formulerede teknikken efter at have lavet forsøg med katte, der forsøger at slippe ud af hjemmelavede labyrinter.

Den testede agent starter altså med meget simple opgaver, hvor den forsøger at finde ud af, hvad der foregår. Efter gentagne forsøg med fejl og succeser (hvor succes belønnes med penge, en banan, et riskorn eller lidt ekstra cpu-tid), vil intelligensen eventuelt lære sig spillets regler og begynde at løse opgaverne meget hurtigere.

Man vil så langsomt kunne gøre tingene mere komplicerede, f.eks. ved at spille en slags kryds og bolle. En agent, der aldrig har set spillet før, vil først skulle prøve sig frem, indtil den forstår, at belønninger kun kommer, når man sætter et kryds, og en ekstra stor belønning når man har tre krydser i en række. Mestres dette spil, kan man gå videre til spil med en endnu højere Kolmogorov-kompleksitet, måske til noget, der ligner skak. Man skal i den sammenhæng huske, at et menneske, der aldrig har set et skakspil før, og ikke kender reglerne, ikke altid vil være bedre til at lære det end en chimpanse.

Hernández-Orallo og Dowe forestiller sig, at man bruger helt nye, ukendte spil, som bliver genereret fra en computer, og som er i stand til at emulere læringsprocessen fra lav til høj kompleksitet. På den måde fjernes det menneskelige bias. Disse Herman Hesse-agtige ‘glasperlespil’ vil selvfølgelig skulle tilpasses forskellige agenter og miljøer, alt efter om det er pukkelhvalen eller myretuen, der undersøges.

Universel AI
Hernández-Orallos og Dowes artikel giver ingen konkrete anvisninger på, hvordan man bygger test i praksis via denne procedure, men hovedpointen er også bare at give de nødvendige rammer for en generel intelligenstest. Deres idé vil sandsynligvis have den største effekt inden for maskinlæring og den kunstige intelligensforskning AI.

Et fundamentalt problem inden for AI-forskningen har nemlig altid været, at ingen sådan rigtig vidste, hvad intelligens var for en størrelse. Det er ekstra problematisk, når man f.eks. forsøger at forstå intelligenser, som er væsensforskellige fra menneskers intelligens, som f.eks. en computer eller en E.T. fra Alfa Centauri.

I 2005 skete der dog noget. Her formulerede den tyske datalogiprofessor Marcus Hutter fra Australian National University en ‘universel kunstig intelligens’ som en agent, der maksimerer sine fremtidige forventede belønninger i et ukendt og dynamisk miljø i forhold til en fast fremtidshorisont. Denne definition af en universel kunstig intelligens, kaldt AIXI, har haft stor fremdrift, da den udtrykker en generel læringsteori for maskiner via belønning (‘reinforcement learning’). Den eneste antagelse er, at spillets (dvs. miljøets) reaktion på agentens handling følger en ukendt men beregnelig sandsynlighedsfordeling.

Et andet vigtigt element i Hutters arbejde er, at han gør brug af Ray Solomonoffs teori fra 1960’erne om universelle induktive følgeslutninger. Ved hjælp af Bayes teorem giver dette en matematisk definition af enhver forudsigelse, baseret på en observation, f.eks. i en sådan situation, hvor man forsøger at forudsige det næste symbol i en række af symboler. Centralt i den idé er så, at en agents intelligens kan evalueres som en vægtet sum over alle testspil. Og resultatet er et enkelt tal.

Transhumanister og andre fremskridtsoptimister ser et stort potentiale i alle disse teoretiske fremskridt, fordi de åbner op for muligheden af en ‘superintelligens’ eller ‘hyperintelligens’, der overgår alt, hvad et menneske kan forestille sig. Mange transhumanister taler for eksempel for tiden om ‘singulariteten’, der er det punkt i evolutionen, hvor en art er i stand til at bygge et system, der er lige så intelligent som arten selv. Dette punkt placeres af visse transhumanister som Vernor Vinge og Ray Kurzweil til at indtræffe allerede om 20 år.

Og når vi først lever i en verden med masser af maskiner mere kloge end os, kan vi jo ikke bruge turingstesten eller almindelige IQ-test til noget. Så har vi netop brug for en universel intelligenstest for at kunne holde hånd i hanke med de eskalerende superintelligenser omkring os. Og hvem ved, måske finder vi også ud af, at der allerede eksisterer en art her på kloden, som er mere intelligent end os, uden at vi har bemærket det før.

0 comments:

There was an error in this gadget