Mokyti mašinas taip, kaip gyvūnų dresuotojai formuoja šunų ar arklių elgesį, buvo esminis požiūris į dirbtinio intelekto pažangą. Šis metodas trečiadienį buvo pagerbtas prestižiniu A. M. Turingo apdovanojimu, dažnai laikomu Nobelio premija technologijų srityje. Šių metų apdovanojimo laureatai Andrew Barto ir Richard Sutton pripažįstami kaip pradininkai sustiprinimo mokyme, srityje, kuri nuo jų pirmųjų tyrimų pabaigoje 1970-ųjų metų patyrė reikšmingų pokyčių. Jų pagrindinis darbas leido pasiekti daugybę dirbtinio intelekto proveržių per pastarąjį dešimtmetį, sutelkiant dėmesį į „hedonistinių“ mašinų kūrimą, galinčių prisitaikyti prie teigiamo atsiliepimo. Sustiprinimo mokymas buvo svarbus Google kompiuterinės programos pergalėje prieš geriausius žmonių konkurentus senoviniame Kinijos stalo žaidime Go 2016 ir 2017 metais. Tai taip pat vaidina gyvybiškai svarbų vaidmenį gerinant plačiai naudojamas dirbtinio intelekto programas, tokias kaip ChatGPT, optimizuojant finansinius sandorius ir leidžiant roboto rankai spręsti Rubiko kubą. Tačiau Barto paminėjo, kad kai jis ir Sutton, jo doktorantas, pradėjo plėtoti savo teorijas ir algoritmus Masačiusetse, Amherste, ši sritis buvo daugiausiai „nepopuliari“. „Mes buvome kažkiek dykumoje“, - pažymėjo Barto interviu su Asociatyvine Spauda. „Dėl to gauti šį apdovanojimą ypač džiugina, nes jis pabrėžia mūsų darbo aktualumą ir intrigas, kurių ankstyvosiose dienose nebuvo pripažinta. “ Metinis 1 milijono dolerių apdovanojimas, paskelbtas Kompiuterinės Machinery asociacijos, yra remiamas Google. Nors Barto, dabar pensininkas iš Masačiusetso Universiteto, ir Sutton, ilgalaikis Alberta universiteto Kanadoje profesorius, nėra pirmieji dirbtinio intelekto novatoriai, gavę apdovanojimą, pavadintą britų matematikui, kodų pertraukėjui ir ankstyvam dirbtinio intelekto pradininkui Alanui Turingui, jų tyrimai tiesiogiai atitiko Turingo 1947 metais keliamą raginimą sukurti mašiną, gebančią „mokytis iš patirties“.

Sutton tai apibūdina kaip „be abejo, pagrindinę sustiprinimo mokymo koncepciją“. Jų darbas integravo psichologijos ir neuromokslo įžvalgas apie tai, kaip malonumą siekiantys neuronai reaguoja į atlygius ir bausmes. Pirmasis revoliucinis straipsnis, paskelbtas 1980-ųjų pradžioje, pristatė jų naują požiūrį per konkretų uždavinį: balansuoti strypą ant judančio vežimėlio, kad jis nesugriūtų. Vėliau jie bendradarbiavo rašyti vadovėlį apie sustiprinimo mokymą, kuris plačiai naudojamas. „Priemonės, kurias jie sukūrė, yra pagrindinės dabartiniam dirbtinio intelekto bumo, vedančio į reikšmingus pokyčius, pritraukiančio daugybę jaunų tyrėjų ir generuojančio milijardus investicijų“, - teigė Jeffas Deanas, Google vyriausiasis mokslininkas, rašytiniame pareiškime. Barto ir Sutton interviu su AP kartais turėjo skirtingas nuomones vertindami dirbtinio intelekto agentų, siekiančių savęs tobulinimo, rizikas. Jie aiškiai atskyrė savo darbą nuo madingos generatyvaus dirbtinio intelekto srities, tokių kaip dideli kalbos modeliai, naudojami chatbot'ų, sukurtų OpenAI, Google ir kitų, kurie atkuria žmogaus rašymą ir medijas. „Pagrindinis sprendimas yra tai, ar mokytis iš žmogaus duomenų, ar leisti dirbtinio intelekto agentui mokytis iš savo patirties“, - paaiškino Sutton. Nors Sutton sumažina tai, ką jis laiko išpūstomis baimėmis dėl dirbtinio intelekto potencialių grėsmių žmonijai, Barto ragina būti atsargiems, teigdamas: „Turime būti sąmoningi dėl galimų nenumatytų pasekmių. “ Barto, kuris jau 14 metų yra pensininkas, laiko save luditu, tačiau Sutton tikisi ateities, kurioje egzistuoja didesnio intelekto nei žmonių būtybės—sąvoka, vadinama posthumanizmu. „Žmonės yra mašinos, nuostabios ir ypatingos mašinos, bet jos nėra galutinis produktas ir galėtų veikti geriau“, - pažymėjo Sutton. „Tai iš esmės yra dirbtinio intelekto siekio dalis“, - baigė Sutton. „Mes siekiame suprasti save ir sukurti sistemas, kurios gali veikti dar efektyviau. Galbūt net tapti tokiomis būtybėmis. “