Tréning strojov podobne ako zverolekári formujú správanie psov alebo koní bol kľúčovým prístupom pri pokroku v oblasti umelej inteligencie. Táto metóda bola v stredu ocenená prestížnou A. M. Turingovou cenou, ktorá sa často považuje za Nobelovu cenu technológie. Víťazi tohto ročníka ceny, Andrew Barto a Richard Sutton, sú uznávaní ako priekopníci v oblasti posilňovacieho učenia, ktorá zaznamenala významný vývoj od ich pôvodného výskumu začiatkom 70. rokov 20. storočia. Ich základná práca umožnila množstvo prelomových objavov v AI za posledné desaťročie, pričom sa zameriavali na vytváranie „hedonistických“ strojov schopných prispôsobiť svoje správanie na základe pozitívnej spätnej väzby. Posilňovacie učenie bolo kľúčové pri porážke najlepších ľudských competitorov vo veľkej čínskej stolnej hre Go v rokoch 2016 a 2017 programom Google. Hrá dôležitú úlohu aj pri zlepšovaní široko používaných AI aplikácií, ako je ChatGPT, optimalizovaní finančného obchodovania a umožnení robotickej ruke riešiť Rubikovu kocku. Barto však uviedol, že keď s Suttonom, jeho doktorandom, začínali rozvíjať svoje teórie a algoritmy na Univerzite v Massachusetts v Amherst, pole bolo prevažne „nepopulárne“. „Boli sme akosi v divočine, “ poznamenal Barto v rozhovore pre Associated Press.

„To robí prijatie tejto ceny obzvlášť potešujúce, pretože zdôrazňuje relevantnosť a zaujímavosť našej práce, ktorá nebola uznávaná v počiatočných fázach. “ Ročná cena vo výške 1 milión dolárov, ktorú oznámila Asociácia pre výpočtovú techniku, je sponzorovaná firmou Google. Aj keď Barto, ktorý je teraz na dôchodku z Univerzity v Massachusetts, a Sutton, dlhoročný profesor na Univerzite Alberta v Kanade, nie sú prvými inovatormi AI, ktorí dostali cenu pomenovanú po britskom matematikovi, kryptoanalytikovi a ranom priekopníkovi v oblasti AI Alanovi Turingovi, ich výskum sa priamo zaoberal Turingovou výzvou z roku 1947 na stroj schopný „učiť sa z skúseností. “ Sutton to opisuje ako „možno základný koncept posilňovacieho učenia. “ Ich práca vniesla do výskumu pohľady z psychológie a neurovedy o tom, ako neuróny usilujúce o potešenie reagujú na odmeny a tresty. Prirodzená práca zverejnená na začiatku 80. rokov predviedla ich nový prístup prostredníctvom konkrétnej úlohy: vyváženie tyče na pohyblivom vozíku, aby sa zabránilo jej pádu. Následne spoluautorovali učebnicu o posilňovacom učení, ktorá je široko používaná. „Nástroje, ktoré vyvinuli, sú základné pre súčasný boom AI, vedú k významným pokrokom, priťahujú množstvo mladých výskumníkov a generujú miliardy v investíciách, “ uviedol Jeff Dean, hlavný vedec Googlu, vo vyhlásení. V spoločnom rozhovore s AP mali Barto a Sutton občas rozdielne názory na hodnotenie rizík AI agentov usilujúcich o seba-zlepšenie. Jasne odlíšili svoju prácu od módneho poľa generatívnej AI, ako sú veľké jazykové modely používané v chatbotoch vytvorených OpenAI, Google a ďalšími, ktoré napodobňujú písanie a médiá podobné ľudskému. „Hlavné rozhodnutie je, či sa učiť z ľudských dát alebo nechať AI agenta učiť sa zo svojich vlastných skúseností, “ vysvetlil Sutton. Zatiaľ čo Sutton znižuje to, čo vníma ako prehnané obavy týkajúce sa potenciálnych hrozieb AI pre ľudstvo, Barto vyzýva na opatrnosť a uvádza, „musíme si byť vedomí možných neočakávaných následkov. “ Barto, ktorý je na dôchodku už 14 rokov, sa považuje za luddita, na rozdiel od Suttona, ktorý očakáva budúcnosť, v ktorej existujú entity s väčšou inteligenciou než ľudia—koncept známy ako posthumanizmus. „Ľudia sú stroje, pozoruhodné a výnimočné stroje, ale nie sú konečným produktom a mohli by fungovať lepšie, “ pozoroval Sutton. „Je to inherentná súčasť snaženia v AI, “ uzavrel Sutton. „Snažíme sa porozumieť sami sebe a vyvinúť systémy, ktoré môžu fungovať ešte efektívnejšie. Možno dokonca stať sa takými entitami. “