Czym jest Nowa sztuczna inteligencja (nouvelle AI)?
Nowa sztuczna inteligencja, określana francuskim terminem nouvelle AI, to nurt opracowany w latach osiemdziesiątych XX w., którego głównymi reprezentantami byli Rodney A. Brooks, Luc Steels oraz Pattie Maes z Massachusetts Institute of Technology i Vrije Universiteit Brussel. W przeciwieństwie do klasycznych, symbolicznych metod AI, nouvelle AI skupia się na bezpośrednim sprzężeniu percepcji z działaniem, eliminując rozbudowane modele pojęciowe na rzecz prostych, jednocześnie działających modułów reagujących na bodźce środowiskowe.
Jak dokładnie działa Nowa sztuczna inteligencja (nouvelle AI)
Centralnym mechanizmem jest architektura subsumpcyjna wprowadzona przez Brooksa w 1986 r. Składa się ona z warstw zachowań, w których niższe, bardziej podstawowe reakcje (np. unikanie przeszkód) mogą być czasowo „przykrywane” przez warstwy wyższego rzędu (np. podążanie do celu). Każda warstwa odbiera sygnały z czujników i może bezpośrednio sterować aktuatorami, co pozwala systemowi działać w czasie niemal rzeczywistym, bez złożonego wnioskowania symbolicznego.
Zastosowania w praktyce
Nouvelle AI najczęściej wykorzystuje się w robotyce mobilnej. Klasycznym przykładem jest robot Genghis, który w 1989 r. samodzielnie poruszał się po nierównym terenie dzięki warstwowej sieci prostych zachowań. Współcześnie zasady te stosuje się w dronach eksploracyjnych, automatycznych odkurzaczach oraz robotach rolniczych, gdzie liczy się szybka reakcja na dynamiczne otoczenie.
Zalety i ograniczenia
Silną stroną nouvelle AI jest odporność na niepewność sensoryczną oraz niska złożoność obliczeniowa, co przekłada się na oszczędność energii i przewidywalność działania. Podejście to łatwo jednak napotyka barierę przy realizacji zadań wymagających pamięci długoterminowej, planowania wieloetapowego lub rozumowania abstrakcyjnego, w których lepiej sprawdzają się hybrydowe lub symboliczne rozwiązania.
Na co uważać?
Projektując system oparty na nouvelle AI, warto kontrolować interakcje pomiędzy warstwami zachowań, ponieważ konflikty priorytetów mogą prowadzić do niestabilnych reakcji. Trzeba też pamiętać, że dodawanie kolejnych warstw nie zawsze rozwiązuje problemy złożoności; w pewnym momencie konieczne staje się wsparcie metodami planowania lub uczenia maszynowego.
Dodatkowe źródła
Szersze omówienie idei można znaleźć w artykułach Rodney’a Brooksa dostępnych na portalu ScienceDirect. Kompendium historyczne przedstawia hasło „Nouvelle AI” na Wikipedii, natomiast aktualne zastosowania w robotyce opisują publikacje w repozytorium arXiv.
Częste pytania
Jakie są główne cechy Nowej sztucznej inteligencji (nouvelle AI)?
Nowa sztuczna inteligencja skupia się na bezpośrednim sprzężeniu percepcji z działaniem, eliminując rozbudowane modele pojęciowe. Charakteryzuje się architekturą subsumpcyjną, gdzie niższe warstwy zachowań mogą być przykrywane przez wyższe, co pozwala na szybkie reakcje na bodźce środowiskowe.
W jakich dziedzinach najczęściej stosuje się nouvelle AI?
Nouvelle AI najczęściej wykorzystuje się w robotyce mobilnej, w tym w dronach eksploracyjnych, automatycznych odkurzaczach oraz robotach rolniczych. Klasycznym przykładem jest robot Genghis, który potrafił poruszać się po nierównym terenie dzięki prostym zachowaniom.
Jakie są zalety Nowej sztucznej inteligencji?
Silną stroną nouvelle AI jest odporność na niepewność sensoryczną oraz niska złożoność obliczeniowa, co prowadzi do oszczędności energii i przewidywalności działania. Dzięki tym cechom, systemy oparte na tej technologii mogą szybko reagować na zmieniające się otoczenie.
Jakie ograniczenia ma Nowa sztuczna inteligencja?
Nouvelle AI napotyka trudności przy realizacji zadań wymagających pamięci długoterminowej, planowania wieloetapowego lub rozumowania abstrakcyjnego. W takich przypadkach lepiej sprawdzają się hybrydowe lub symboliczne rozwiązania.
Na co należy zwrócić uwagę przy projektowaniu systemów opartych na nouvelle AI?
Projektując systemy oparte na nouvelle AI, ważne jest kontrolowanie interakcji pomiędzy warstwami zachowań, aby uniknąć konfliktów priorytetów, które mogą prowadzić do niestabilnych reakcji. Dodawanie kolejnych warstw nie zawsze rozwiązuje problemy złożoności, co może wymagać wsparcia metodami planowania lub uczenia maszynowego.
