Mengapa AI Dapat Mengingat Seluruh Pengetahuan Manusia Tapi Tidak 'Kemarin'

Penulis: Hugo, Robonaissance

Diterjemahkan oleh Deep潮 TechFlow

DeepChain Overview: Dari agen game Atari awal hingga model bahasa besar dengan jendela konteks jutaan, kecerdasan buatan selalu menghadapi kontradiksi fisik mendasar saat membuat keputusan berkelanjutan sepanjang waktu: model dapat dengan mudah menampung sejumlah besar pengetahuan statis milik manusia, tetapi dalam lingkungan interaktif dinamis, tidak dapat membawa seluruh detail masa lalu secara utuh.

Di bawah batasan keras pada daya komputasi terbatas dan jendela konteks, bagaimana cara merapikan masa lalu sekaligus mengekstrak secara akurat keadaan inti yang menentukan masa depan bukan hanya terobosan teknis untuk menyelesaikan "kebingungan persepsi", tetapi juga logika mendasar bagi agen otonom saat ini untuk mencapai memori yang berkelanjutan.

Ini adalah edisi ke-3 dari seri "Memori, Lupa, dan Diri di Dalam Mesin": Bagaimana kecerdasan melakukan tindakan melintasi waktu ketika agen tidak dapat membawa seluruh masa lalunya bersama.

Coba hentikan salah satu frame dari game bola tenis klasik Pong.

Gambar hanya menunjukkan dua raket, satu bola, dan skor saat ini. Pada saat ini, jika Anda diminta mengatakan ke mana arah bola sedang terbang, Anda tidak akan bisa melakukannya, bahkan jika mesin diberi gambar statis yang sama, mesin pun tidak akan bisa menentukannya.

Para peneliti Matthew Hausknecht dan Peter Stone secara langsung menyatakan dalam makalah tahun 2015 tentang agen yang belajar memainkan game Atari: "Layar satu frame saat ini hanya dapat mengungkap posisi raket dan bola, tetapi tidak dapat mengungkap kecepatan bola."

Mereka selanjutnya menjelaskan mengapa ini sangat penting: "Mengetahui arah pergerakan bola adalah elemen kunci dalam menentukan posisi terbaik dari raket."

Gambar beku ini akurat, setiap detail di layar berada di tempatnya masing-masing. Namun, gambar tunggal ini masih belum cukup untuk memainkan permainan ini.

Sensor yang digunakan pada saat ini hanya menangkap satu "observasi".

Sedangkan realitas global yang menjadi dasar tindakan selanjutnya dari agen adalah "keadaan sistem (State)".

Dalam permainan Pong, observasi dan status sistem terpisah pada setiap frame tunggal. Karena arah pergerakan bola adalah fakta yang bergantung pada beberapa momen sebelumnya, tidak ada satu momen terisolasi pun yang dapat secara mandiri memuat informasi tersebut.

Ketika input instan saat ini tidak memenuhi kebutuhan pengambilan keputusan, sistem yang berkinerja baik harus membawa informasi dari masa lalunya ke saat ini.

Namun, yang dibawanya tidak pernah bisa menjadi masa lalu yang utuh. Yang dibawanya hanyalah sebuah ringkasan, dan pemilihan isi ringkasan tersebut sepenuhnya bergantung pada apa yang perlu diprediksi selanjutnya.

Pilihan ini menentukan dasar informasi apa yang akan dimiliki pada momen-momen selanjutnya. Setiap detail yang terlewatkan dalam ringkasan tidak akan pernah dapat menjadi dasar reaksi pada momen-momen selanjutnya.

Sistem yang direspons oleh Hausknecht dan Stone pada saat itu adalah agen DQN yang diterbitkan oleh Volodymyr Mnih dan rekan-rekan dari DeepMind di jurnal Nature pada tahun 2015.

DQN mampu belajar memainkan puluhan game Atari hanya melalui gambar layar, sementara penulis makalah sudah menghadapi masalah gambar membeku sejak tahap awal pengembangan.

Mereka menulis di bagian metode makalah mereka: "Karena agen hanya dapat mengamati layar saat ini, tugas ini termasuk dalam keadaan sebagian teramati, di mana banyak keadaan simulator secara perseptual ambigu (Perceptually Aliased)."

Dengan kata lain, hanya mengandalkan gambar layar saat ini sama sekali tidak dapat memberi agen informasi lengkap tentang situasinya.

Yang disebut "kebingungan persepsi" adalah deskripsi akademis yang tepat untuk gangguan sehari-hari. Dua situasi yang sangat berbeda (misalnya, bola sedang terbang menuju raket Anda, atau bola sedang terbang menjauh dari raket Anda) menghasilkan gambar yang sama persis dalam gambar statis.

Sistem yang hanya melihat gambar dipaksa untuk menganggapnya sebagai situasi yang sama; jika kedua situasi ini memerlukan tindakan yang sepenuhnya berlawanan, sistem pasti akan salah dalam salah satu situasi tersebut.

Metode perbaikan mereka sangat langsung. Jaringan tidak lagi hanya menerima satu gambar layar, tetapi menumpuk beberapa frame terbaru sebagai input.

Secara default, nilai diambil sebanyak 4 frame, meskipun algoritma ini juga adaptif terhadap nilai 3 frame atau 5 frame.

Setelah keempat frame ditempatkan secara bersebelahan, gerakan bola langsung muncul sebagai perubahan posisi. Arah gerak tidak lagi menjadi konsep yang perlu diingat secara abstrak, tetapi berubah menjadi atribut visual yang langsung dapat dilihat.

Paper tersebut tidak menyebut rangkaian gambar bertumpuk ini sebagai memori. Pada dasarnya, ini hanyalah saluran input yang secara kebetulan lebih lebar daripada satu momen tunggal.

Lebar input ini memiliki batas fisik yang sangat kaku, yang secara akurat dideskripsikan oleh Hausknecht dan Stone.

Mereka menulis: Karena DQN dilatih menggunakan input yang terdiri dari empat status terbaru yang dialami agen, "jika sebuah game memerlukan pemain untuk mengingat peristiwa yang terjadi lebih lama dari empat layar sebelumnya, DQN tidak akan dapat menguasai game tersebut."

Untuk DQN, riwayat yang lebih dari lima layar sebelumnya sama sekali tidak ada dalam rentang inputnya.

Mekanisme berbasis jendela geser tetap ini secara langsung mengungkap kontradiksi inti kecerdasan mesin dalam pemrosesan deret waktu: terlepas seberapa lebar jendela diperluas, informasi di luar batas akan dihapus secara fisik.