Masinate koolitamine sarnaselt sellele, kuidas loomatreenerid kujundavad koerte või hobuste käitumist, on olnud oluline lähenemine tehisintellekti arendamisel. See meetod sai kolmapäeval prestiižse A. M. Turingi auhinna, mida sageli peetakse tehnoloogiasektori Nobeli auhinnaks. Sel aastal auhinna pälvinud Andrew Barto ja Richard Sutton tunnustatakse tugeva õppimise pioneeridena, valdkonnas, mis on alates nende esialgsete uurimiste algusest 1970. aastate lõpus saanud märkimisväärseid arengutega. Nende põhiteosed võimaldasid mitmeid AI läbimurdeid viimase kohaliku kümnendi jooksul, keskendudes “hedonistlike” masinate loomisele, mis suudavad kohandada oma käitumist positiivse tagasiside põhjal. Tugev õppimine mängis olulist rolli Google'i arvutiprogrammi võidul parimate inimkonkurentide üle iidses Hiina lauamängus Go 2016. ja 2017. aastal. Samuti mängib see olulist rolli laialdaselt kasutatavate AI rakenduste, nagu ChatGPT, parandamisel, finantstehingute optimeerimisel ja roboti käe võimekuses Rubiku kuubiku lahendamiseks. Kuid Barto märkis, et kui tema ja Sutton, tema doktorant, hakkasid oma teooriaid ja algoritme arendama Massachusettsi ülikoolis, Amherstis, oli see valdkond peamiselt “ebamoest”. “We were somewhat in the wilderness, ” kommenteeris Barto Associated Pressi intervjuus.

“See muudab selle auhinna saamise eriti rahuldavaks, kuna see toob esile meie töö asjakohasuse ja huvitavuse, mis ei olnud varajastes päevades tunnustatud. ” Auhind, mille suurus on 1 miljon dollarit ja mille kuulutas välja arvutiteadlaste assotsiatsioon, on Google’i toetatud. Kuigi Barto, kes on nüüdseks Massachusettsi ülikoolist pensionil, ja Sutton, kes on olnud pikaajaline professor Alberta ülikoolis Kanadas, ei ole esimesed AI uuendajad, kes said Briti matemaatiku, koodiraamatu ja varajase AI pioneeri Alan Turingi järgi nimetatud auhinna, on nende teadustöö otseselt käsitlenud Turingi 1947. aasta üleskutset masina loomise kohta, mis suudab “kogemustest õppida”. Sutton nimetab seda “kindlasti tugeva õppimise põhikontseptsiooniks”. Nende töösse on kaasatud ülevaated psühholoogiast ja neuroteadusest selle kohta, kuidas naudingut otsivad neuronid reageerivad preemiatele ja karistustele. 1980. aastate alguses avaldatud murranguline artikkel demonstreeris nende uut lähenemist spetsiifilise ülesande kaudu: tasakaalu hoidmine liikuval veokil, et see ei kukuks. Nad koostasid hiljem ka õpikute tugevast õppimisest, mida laialdaselt kasutatakse. “Nende arendatud tööriistad on praeguse AI buumi alus, viies oluliste edusammudeni, tuues ligi arvukalt noori teadlasi ja genereerides miljardeid investeeringutes, ” märkis Jeff Dean, Google’i juhtivteadur, kirjalikus avalduses. AP-i ühises intervjuus olid Barto ja Sutton aeg-ajalt eri arvamustel AI agentide enesetäiendamise riskide hindamisel. Nad tegid selge vahe oma töö ja generatiivse AI populaarses valdkonnas, nagu suured keelemudelid, mida kasutatakse OpenAI, Google’i ja teiste loodud vestluste jaoks, mis matkivad inimlikku kirjutamist ja meediat. “Peamine otsus on, kas õppida inimandmetest või lasta AI agendil õppida oma kogemustest, ” selgitas Sutton. Kuigi Sutton alahindab seda, mida ta peab liialdatud hirmudeks seoses AI potentsiaalsete ohtudega inimkonnale, kutsub Barto ettevaatlikkusele, öeldes: “Peame olema teadlikud võimalike ettenägematute tagajärgedest. ” Barto, kes on olnud pensionil 14 aastat, peab end luddiitiks, erinevalt Suttonist, kes ootab tulevikku, kus eksisteerivad olendid, kelle intelligentsus ületab inimeste omasid - kontseptsioon, mida tuntakse posthumanismi nime all. “Inimesed on masinad, tähelepanuväärsed ja erakordsed masinad, kuid nad ei ole lõplik toode ja võiksid paremini toimida, ” märkis Sutton. “See on olemuslik osa AI ettevõtmistest, ” lõpetas Sutton. “Meie eesmärk on mõista iseennast ja arendada süsteeme, mis suudavad toimida veelgi tõhusamalt. Võib-olla isegi muutuda sellisteks olenditeks. ”