Eles descobriram que a SSUP resolveu cada quebra-cabeça a taxas semelhantes e de maneiras semelhantes às das pessoas. Crédito: MIT
O estudo do MIT fornece uma nova estrutura para investigar e formalizar os processos cognitivos por trás de como os seres humanos usam ferramentas.
Os seres humanos são naturalmente usuários de ferramentas criativas. Quando precisamos dirigir em um prego, mas não temos um martelo, facilmente percebemos que podemos usar um objeto pesado e plano como uma pedra em seu lugar. Quando nossa mesa está trêmula, rapidamente descobrimos que podemos colocar uma pilha de papel sob a perna da mesa para estabilizá-la. Mas, embora essas ações pareçam tão naturais para nós, acredita-se que sejam uma marca de grande inteligência - apenas algumas outras espécies usam objetos de novas maneiras para resolver seus problemas, e nenhuma pode fazê-lo tão flexível quanto as pessoas. O que nos fornece essas poderosas capacidades para usar objetos dessa forma?
Em um novo artigo publicado no Proceedings of the National Academy of Sciences descrevendo o trabalho realizado no Centro de Cérebros, Mentes e Máquinas do MIT, os pesquisadores Kelsey Allen, Kevin Smith e Joshua Tenenbaum estudam os componentes cognitivos que fundamentam esse tipo de uso de ferramentas improvisadas.
Eles projetaram uma nova tarefa, o jogo Virtual Tools, que aproveita as habilidades de uso de ferramentas: as pessoas devem selecionar um objeto a partir de um conjunto de "ferramentas" que podem colocar em uma cena bidimensional e informatizada para alcançar um objetivo, como colocar uma bola em um determinado recipiente. Resolver os quebra-cabeças neste jogo requer raciocínio sobre uma série de princípios físicos, incluindo lançamento, bloqueio ou suporte de objetos.
A equipe hipótese que existem três capacidades em que as pessoas dependem para resolver esses quebra-cabeças: uma crença prévia que guia as ações das pessoas para aqueles que farão a diferença na cena, a capacidade de imaginar o efeito de suas ações e um mecanismo para atualizar rapidamente suas crenças sobre quais ações provavelmente fornecerão uma solução.
Eles construíram um modelo que insusentou esses princípios, chamado de "Amostra, Simulação, Atualização", ou "SSUP", modelo, e o fizeram jogar o mesmo jogo que as pessoas. Eles descobriram que a SSUP resolveu cada quebra-cabeça a taxas semelhantes e de maneiras semelhantes às das pessoas. Por outro lado, um modelo popular de aprendizagem profunda que poderia jogar bem os jogos do Atari, mas não tinha o mesmo objeto e estruturas físicas era incapaz de generalizar seu conhecimento para quebra-cabeças em que não era diretamente treinado
Esta pesquisa fornece uma nova estrutura para estudar e formalizar a cognição que apoia o uso de ferramentas humanas. A equipe espera estender essa estrutura não apenas para estudar o uso de ferramentas, mas também como as pessoas podem criar novas ferramentas inovadoras para novos problemas, e como os humanos transmitem essas informações para construir a partir de ferramentas físicas simples para objetos complexos como computadores ou aviões que agora fazem parte de nossas vidas diárias.
Kelsey Allen, uma estudante de doutorado no Laboratório de Ciência Cognitiva Computacional do MIT, está entusiasmada sobre como o jogo Virtual Tools pode apoiar outros cientistas cognitivos interessados no uso de ferramentas: "Há muito mais a explorar neste domínio. Já começamos a colaborar com pesquisadores de várias instituições diferentes em projetos que vão desde estudar o que significa que os jogos sejam divertidos, até estudar como a personificação afeta o raciocínio físico desencarnado. Espero que outros da comunidade de ciência cognitiva usem o jogo como uma ferramenta para entender melhor como os modelos físicos interagem com a tomada de decisão e o planejamento."
Joshua Tenenbaum, professor de ciência cognitiva computacional do MIT, vê este trabalho como um passo para entender não apenas um aspecto importante da cognição e cultura humana, mas também como construir formas mais humanas de inteligência nas máquinas.
"Os pesquisadores de Inteligência Artificial estão muito entusiasmados com o potencial de algoritmos de aprendizagem de reforço (RL) para aprender com a experiência de tentativa e erro, como os humanos fazem, mas o verdadeiro aprendizado de tentativa e erro que os humanos se beneficiam se desdobra em apenas um punhado de testes - não milhões ou bilhões de experiências, como nos sistemas de RL de hoje", diz Tenenbaum.
"O jogo Ferramentas Virtuais nos permite estudar essa forma muito rápida e muito mais natural de aprendizado de tentativa e erro em humanos, e o fato de que o modelo SSUP é capaz de capturar a dinâmica de aprendizagem rápida que vemos em humanos sugere que também pode apontar o caminho para novas abordagens de IA para rl que podem aprender com seus sucessos, suas falhas , e seus quase erra tão rápido e flexível quanto as pessoas."
“Rapid trial-and-error learning with simulation supports flexible tool use and physical reasoning” by Kelsey R. Allen, Kevin A. Smith, and Joshua B. Tenenbaum. PNAS