Školení strojů obdobně jako trenéři zvířat formují chování psů nebo koní bylo rozhodujícím přístupem v pokroku umělé inteligence. Tato metoda byla ve středu oceněna prestižní cenou A. M. Turinga, kterou mnozí považují za Nobelovu cenu technického světa. Tento rok cenu získali Andrew Barto a Richard Sutton, kteří jsou uznáváni jako průkopníci v oblasti posilovaného učení, což je obor, který od jejich počátečního výzkumu na konci 70. let minulého století zaznamenal významný rozvoj. Jejich základní práce umožnila řadu průlomů v AI za poslední dekádu, přičemž se zaměřila na vytváření “hedonistických” strojů schopných přizpůsobit své chování na základě pozitivní zpětné vazby. Posilované učení bylo klíčové, když počítačový program Googlu porazil nejlepší lidské konkurenty ve starobylé čínské deskové hře Go v letech 2016 a 2017. Hraje také důležitou roli při zlepšování široce používaných aplikací AI, jako je ChatGPT, optimalizaci finančního obchodování a umožnění robotické ruce skládat Rubikovu kostku. Barto však poznamenal, že když on a Sutton, jeho doktorand, začali vyvíjet své teorie a algoritmy na University of Massachusetts v Amherstu, byl tento obor do značné míry “nepopulární. ” „Byli jsme trochu v divočině, “ poznamenal Barto v rozhovoru s Associated Press. „To dělá získání této ceny zvlášť uspokojivým, protože to zdůrazňuje relevanci a zajímavost naší práce, která nebyla v počátečních dnech uznávána. “ Roční cena 1 milion dolarů, vyhlášená Asociací pro výpočetní techniku, je sponzorována společností Google. I když Barto, nyní v důchodu z University of Massachusetts, a Sutton, dlouholetý profesor na University of Alberta v Kanadě, nejsou prvními inovátory AI, kteří obdrželi cenu pojmenovanou po britském matematikovi, dešifrovači kódů a raném průkopníkovi AI Alanovi Turingovi, jejich výzkum se přímo zabýval Turingovým apelem z roku 1947 na stroj schopný „učit se z zkušeností. “ Sutton to popisuje jako „nejzákladnější koncept posilovaného učení. “ Jejich práce zahrnovala poznatky z psychologie a neurověd o tom, jak neurony usilující o potěšení reagují na odměny a tresty.

Průlomová studie zveřejněná na počátku 80. let představila jejich nový přístup prostřednictvím konkrétní úlohy: udržení rovnováhy tyče na pohybujícím se vozíku, aby nespadla. Později spoluautoři odbornou knihu o posilovaném učení, která je široce využívána. „Nástroje, které vyvinuli, jsou zásadní pro současný boom AI, vedoucí k významným pokrokům, attracting countless young researchers, a generování miliard investic, “ prohlásil Jeff Dean, hlavní vědec Googlu, ve psaném prohlášení. V hodinovém rozhovoru s AP měli Barto a Sutton občas odlišné názory na posuzování rizik AI agentů snažících se o sebezlepšení. Uvedli jasný rozdíl mezi svou prací a módním polem generativní AI, jako jsou velké jazykové modely používané v chatbotech vytvořených OpenAI, Googlem a dalšími, které napodobují psaní a média podobná lidským. „Hlavní rozhodnutí je, zda se učit z dat od lidí, nebo nechat AI agenta učit se z jeho vlastních zkušeností, “ vysvětlil Sutton. Zatímco Sutton zlehčuje to, co považuje za přehnané obavy ohledně potenciálních hrozeb AI pro lidstvo, Barto vyzývá k opatrnosti a uvádí: „Musíme zůstat si vědomi možných nepředvídaných důsledků. “ Barto, který je v důchodu 14 let, považuje sebe za ludditu, na rozdíl od Suttona, který očekává budoucnost, ve které budou existovat entity s větší inteligencí než lidé - koncept známý jako posthumanismus. „Lidé jsou stroje, pozoruhodné a mimořádné stroje, ale nejsou konečným produktem a mohli by fungovat lépe, “ poznamenal Sutton. „Je to inherentně součást úsilí o AI, “ uzavřel Sutton. „Snažíme se porozumět sobě a vyvinout systémy, které mohou fungovat ještě efektivněji. Možná dokonce se stát takovými entitami. “