AI lærer å skape seg selv

Mennesker har kjempet for å lage virkelig intelligente maskiner. Kanskje vi må la dem fortsette med det selv.

Shuhua Xiong

av

• Will Douglas himmelen arkivside

27. mai 2021

En liten pinnefigur med et kileformet hode stokkes over skjermen. Den beveger seg halvt på huk og drar det ene kneet langs bakken. Det går! Eh, liksom.

Likevel er Rui Wang fornøyd. Hver dag går jeg inn på kontoret mitt og åpner datamaskinen min, og jeg vet ikke hva jeg kan forvente, sier han.

Wang er en kunstig intelligens-forsker ved Uber, og liker å forlate Sammenkoblet Open-Ended Trailblazer , et stykke programvare han hjalp til med å utvikle, og kjører på den bærbare datamaskinen over natten. POET er en slags treningsdojo for virtuelle roboter. Så langt lærer de ikke å gjøre mye i det hele tatt. Disse AI-agentene er ikke det spiller Go , oppdage tegn på kreft , eller folde proteiner – de prøver å navigere i et grovt tegneserielandskap av gjerder og raviner uten å falle om.

Men det er ikke det robotene lærer som er spennende – det er hvordan de lærer. POET genererer hinderløypene, vurderer robotenes evner og tildeler deres neste utfordring, alt uten menneskelig involvering. Trinn for vaklende trinn forbedrer robotene via prøving og feiling. På et tidspunkt kan den hoppe over en klippe som en kung fu-mester, sier Wang.

Det kan virke grunnleggende for øyeblikket, men for Wang og en håndfull andre forskere, hinter POET om en revolusjonerende ny måte å lage supersmarte maskiner på: ved å få AI til å lage seg selv.

Wangs tidligere kollega Jeff Clune er blant de største boosterne for denne ideen. Clune har jobbet med det i årevis, først ved University of Wyoming og deretter ved Uber AI Labs, hvor han jobbet med Wang og andre. Nå deler han tiden mellom University of British Columbia og OpenAI, og han har støtte fra et av verdens beste laboratorier for kunstig intelligens .

Clune kaller forsøket på å bygge virkelig intelligent AI det mest ambisiøse vitenskapelige oppdraget i menneskets historie. I dag, syv tiår etter at seriøse anstrengelser for å lage AI startet, er vi fortsatt et stykke unna å lage maskiner som er nesten like smarte som mennesker, enn si smartere. Clune tror POET kan peke på en snarvei.

Vi må ta av oss lenkene og komme oss ut av veien, sier han.

Hvis Clune har rett, bruke AI for å lage AI kan være et viktig skritt på veien som en dag fører til kunstig generell intelligens (AGI) - maskiner som kan overgå mennesker. På kortere sikt kan teknikken også hjelpe oss med å oppdage forskjellige typer intelligens: ikke-menneskelige smarte som kan finne løsninger på uventede måter og kanskje utfylle vår egen intelligens i stedet for å erstatte den.

Etterligner evolusjon

Jeg snakket først med Clune om ideen tidlig i fjor, bare noen uker etter at han flyttet til OpenAI. Han var glad for å diskutere tidligere arbeid, men forble ordknapp om hva han gjorde med sitt nye team. I stedet for å ta samtalen innenfor, foretrakk han å gå opp og ned gatene utenfor kontorene mens vi snakket.

Alt Clune ville si var at OpenAI passet bra. Tanken min er veldig i tråd med mange av tingene som de tror, ​​sier han. Det var et slags ekteskap laget i himmelen. De likte visjonen og ville at jeg skulle komme hit og følge den. Noen måneder etter at Clune ble med, ansatte OpenAI også det meste av sitt gamle Uber-team.

Clunes ambisiøse visjon er basert på mer enn OpenAIs investering. Historien til AI er fylt med eksempler der menneskeskapte løsninger ga plass til maskinlærte. Ta datasyn: for et tiår siden kom det store gjennombruddet innen bildegjenkjenning da eksisterende håndlagde systemer ble erstattet av de som lærte seg selv fra bunnen av. Det er det samme for mange AI-suksesser.

Noe av det fascinerende med AI, og spesielt maskinlæring, er dens evne til å finne løsninger som mennesker ikke har funnet – for å overraske oss. Et ofte sitert eksempel er AlphaGo (og dets etterfølger AlphaZero), som slo det beste menneskeheten har å tilby i det eldgamle, forførende spillet Go ved å bruke tilsynelatende fremmede strategier. Etter hundrevis av år med studier av menneskelige mestere fant AI løsninger ingen noen gang hadde tenkt på.

Clune jobber nå med et team på OpenAI som utviklet roboter som lærte å leke gjemsel i et virtuelt miljø i 2018. Disse AI-ene startet med enkle mål og enkle verktøy for å oppnå dem: det ene paret måtte finne det andre, som kunne gjemme seg bak bevegelige hindringer. Men da disse robotene ble sluppet løs for å lære, fant de snart måter å dra nytte av miljøet deres på måter forskerne ikke hadde forutsett. De utnyttet feil i den simulerte fysikken i deres virtuelle verden til å hoppe over og til og med passere gjennom vegger.

Slike uventede fremvoksende atferd gir fristende hint om at AI kan komme frem til tekniske løsninger som mennesker ikke ville tenke på selv, ved å finne opp nye og mer effektive typer algoritmer eller nevrale nettverk – eller til og med droppe nevrale nettverk, en hjørnestein i moderne AI, helt.

Clune liker å minne folk om at intelligens allerede har dukket opp fra en enkel begynnelse. Det som er interessant med denne tilnærmingen er at vi vet at den kan fungere, sier han. Den veldig enkle algoritmen til darwinistisk evolusjon produserte hjernen din, og hjernen din er den mest intelligente læringsalgoritmen i universet som vi kjenner til så langt. Poenget hans er at hvis intelligens slik vi kjenner den kom fra den tankeløse mutasjonen av gener over utallige generasjoner, hvorfor ikke forsøke å gjenskape den intelligensproduserende prosessen – som uten tvil er enklere – i stedet for intelligensen i seg selv?

Relatert historie

Kunstig generell intelligens: Er vi nærme, og er det i det hele tatt fornuftig å prøve?

En maskin som kan tenke som en person har vært den veiledende visjonen for AI-forskning siden de tidligste dagene – og er fortsatt dens mest splittende idé.

Men det er en annen viktig observasjon her. Intelligens var aldri et endepunkt for evolusjon, noe å sikte mot. I stedet dukket det opp i mange forskjellige former fra utallige bittesmå løsninger til utfordringer som tillot levende ting å overleve og ta på seg fremtidige utfordringer. Intelligens er det nåværende høydepunktet i en pågående og åpen prosess. I denne forstand er evolusjon ganske forskjellig fra algoritmer slik folk vanligvis tenker på dem - som midler for å oppnå et mål.

Det er denne åpne endeligheten, som skimtes i den tilsynelatende formålsløse sekvensen av utfordringer generert av POET, som Clune og andre tror kan føre til nye typer AI. I flere tiår har AI-forskere prøvd å bygge algoritmer for å etterligne menneskelig intelligens, men det virkelige gjennombruddet kan komme fra å bygge algoritmer som prøver å etterligne den åpne problemløsningen av evolusjon – og lene seg tilbake for å se hva som dukker opp.

Forskere bruker allerede maskinlæring på seg selv, og trener den til å finne løsninger på noen av feltets vanskeligste problemer, for eksempel hvordan man lager maskiner som kan lære mer enn én oppgave om gangen eller takle situasjoner de ikke har vært borti før. Noen tror nå at å ta denne tilnærmingen og løpe med den kan være den beste veien til kunstig generell intelligens. Vi kan starte en algoritme som i utgangspunktet ikke har mye intelligens inni seg, og se at den starter seg helt opp potensielt til AGI, sier Clune.

Sannheten er at for nå er AGI fortsatt en fantasi. Men det er i stor grad fordi ingen vet hvordan de skal gjøre det. Fremskritt innen AI er stykkevis og utført av mennesker, med fremskritt som vanligvis involverer justeringer av eksisterende teknikker eller algoritmer, noe som gir inkrementelle sprang i ytelse eller nøyaktighet. Clune karakteriserer denne innsatsen som forsøk på å oppdage byggesteinene for kunstig intelligens uten å vite hva du leter etter eller hvor mange blokker du trenger. Og det er bare starten. På et tidspunkt må vi ta på oss den herkuliske oppgaven med å sette dem alle sammen, sier han.

Å be AI om å finne og sette sammen disse byggeklossene for oss er et paradigmeskifte. Det sies at vi ønsker å lage en intelligent maskin, men vi bryr oss ikke om hvordan den kan se ut – bare gi oss det som fungerer.

Selv om AGI aldri blir oppnådd, kan selvlærende tilnærming fortsatt endre hva slags AI som lages. Verden trenger mer enn en veldig god Go-spiller, sier Clune. For ham betyr å skape en supersmart maskin å bygge et system som finner opp sine egne utfordringer, løser dem og deretter finner opp nye. POET er et lite glimt av dette i aksjon. Clune ser for seg en maskin som lærer en robot å gå, deretter å spille hopscotch, så kanskje å spille Go. Da lærer den kanskje matematikkoppgaver og begynner å finne på sine egne utfordringer, sier han. Systemet fornyer seg kontinuerlig, og himmelen er grensen når det gjelder hvor det kan gå.

Det er kanskje ville spekulasjoner, men et håp er at maskiner som dette kan være i stand til å unngå våre konseptuelle blindveier, og hjelpe oss med å finne svært komplekse kriser som klimaendringer eller global helse.

Men først må vi lage en.

Hvordan lage en hjerne

Det er mange forskjellige måter å koble en kunstig hjerne på.

Nevrale nettverk er laget av flere lag med kunstige nevroner kodet i programvare. Hvert nevron kan kobles til andre i lagene ovenfor. Måten et nevralt nettverk er kablet på gjør en stor forskjell, og nye arkitekturer fører ofte til nye gjennombrudd.

De nevrale nettverkene kodet av menneskelige forskere er ofte et resultat av prøving og feiling. Det er lite teori om hva som fungerer og ikke fungerer, og ingen garanti for at de beste designene er funnet. Det er grunnen til at automatisering av jakten på bedre nevrale nettverksdesign har vært et av de heteste temaene innen AI siden minst 1980-tallet. Den vanligste måten å automatisere prosessen på er å la en AI generere mange mulige nettverksdesign, og la nettverket automatisk prøve hver av dem og velge de beste. Dette er vanligvis kjent som nevro-evolusjon eller nevral arkitektursøk (NAS).

I løpet av de siste årene har disse maskindesignene begynt å overgå menneskelige. I 2018 brukte Esteban Real og kollegene hans hos Google NAS til å generere et nevralt nettverk for bildegjenkjenning som slå de beste menneskeskapte nettverkene på den tiden. Det var en øyeåpner.

2018-systemet er en del av et pågående Google-prosjekt kalt AutoML, som også har brukt NAS til å produsere EfficientNets, en familie av dyplæringsmodeller som er mer effektive enn menneskeskapte , oppnå høye nivåer av nøyaktighet på bildegjenkjenningsoppgaver med mindre, raskere modeller.

Tre år senere flytter Real grensene for hva som kan genereres fra bunnen av. De tidligere systemene omorganiserte nettopp utprøvde nevrale nettverksdeler, for eksempel eksisterende typer lag eller komponenter. Vi kunne forvente et godt svar, sier han.

I fjor tok Real og teamet hans treningshjulene av. Det nye systemet, kalt AutoML Zero , prøver å bygge en AI fra bunnen av ved å bruke noe annet enn de mest grunnleggende matematiske konseptene som styrer maskinlæring.

Utrolig nok, ikke bare bygde AutoML Zero spontant et nevralt nettverk, men det kom opp med gradient descent, den vanligste matematiske teknikken som menneskelige designere bruker for å trene et nettverk. Jeg ble ganske overrasket, sier Real. Det er en veldig enkel algoritme - den tar som seks linjer med kode - men den skrev de nøyaktige seks linjene.

AutoML Zero genererer ennå ikke arkitekturer som konkurrerer med ytelsen til menneskeskapte systemer – eller faktisk gjør mye som en menneskelig designer ikke ville ha gjort. Men Real tror det kan en dag.

På tide å lære opp en ny type lærer

Først lager du en hjerne; da må du lære det. Men maskinhjerner lærer ikke slik vår gjør. Hjernen vår er fantastisk til å tilpasse seg nye miljøer og nye oppgaver. Dagens AI-er kan løse utfordringer under visse forhold, men mislykkes når disse forholdene endrer seg litt. Denne ufleksibiliteten hindrer søken etter å lage mer generaliserbar AI som kan være nyttig på tvers av et bredt spekter av scenarier, noe som ville være et stort skritt mot å gjøre dem virkelig intelligente.

For Jane Wang, en forsker ved DeepMind i London, er den beste måten å gjøre AI mer fleksibel på å få den til å lære den egenskapen selv. Med andre ord, hun ønsker å bygge en AI som ikke bare lærer spesifikke oppgaver, men lærer å lære disse oppgavene på måter som kan tilpasses nye situasjoner.

Forskere har prøvd å gjøre AI mer tilpasningsdyktig i årevis. Wang tror at å få AI til å jobbe gjennom dette problemet for seg selv unngår noe av prøving og feiling av en hånddesignet tilnærming: Vi kan umulig forvente å snuble over det riktige svaret med en gang. I prosessen, håper hun, vil vi også lære mer om hvordan hjerner fungerer. Det er fortsatt så mye vi ikke forstår om måten mennesker og dyr lærer på, sier hun.

Det er to hovedtilnærminger for å generere læringsalgoritmer automatisk, men begge starter med et eksisterende nevralt nettverk og bruker AI for å lære det.

Relatert historie

AI bevæpnet med flere sanser kan få mer fleksibel intelligens

Menneskelig intelligens kommer fra vår kombinasjon av sanser og språklige evner. Kanskje det samme gjelder for kunstig intelligens.

Den første tilnærmingen, oppfunnet separat av Wang og hennes kolleger i DeepMind og av et team på OpenAI på omtrent samme tid, bruker tilbakevendende nevrale nettverk. Denne typen nettverk kan trenes på en slik måte at aktiveringen av nevronene deres - omtrent beslektet med avfyring av nevroner i biologiske hjerner - koder for enhver type algoritme. DeepMind og OpenAI utnyttet dette til å trene et tilbakevendende nevralt nettverk til å generere forsterkningslæringsalgoritmer, som forteller en AI hvordan den skal oppføre seg for å oppnå gitte mål.

Resultatet er at DeepMind- og OpenAI-systemene ikke lærer en algoritme som løser en spesifikk utfordring, som å gjenkjenne bilder, men lærer en læring algoritme som kan brukes på flere oppgaver og tilpasses etter hvert. Det er som det gamle ordtaket om å lære noen å fiske: mens en hånddesignet algoritme kan lære en bestemt oppgave, blir disse AI-ene laget for å lære å lære selv. Og noen av dem presterer bedre enn menneskeskapte.

Den andre tilnærmingen kommer fra Chelsea Finn ved University of California, Berkeley, og hennes kolleger. Kalt modellagnostisk metalæring , eller MAML, trener den en modell ved å bruke to maskinlæringsprosesser, den ene nestet i den andre.

Omtrent, her er hvordan det fungerer. Den indre prosessen i MAML trenes på data og testes deretter – som vanlig. Men så tar den ytre modellen ytelsen til den indre modellen – hvor godt den identifiserer bilder, for eksempel – og bruker den til å lære hvordan man justerer modellens læringsalgoritme for å øke ytelsen. Det er som om du hadde en skoleinspektør som passet på en gjeng med lærere, som hver tilbyr forskjellige læringsteknikker. Inspektøren sjekker hvilke teknikker som hjelper elevene med å få de beste poengsummene og justerer dem deretter.

Gjennom disse tilnærmingene bygger forskere AI som er mer robust, mer generalisert og i stand til å lære raskere med mindre data. Finn ønsker for eksempel at en robot som har lært seg å gå på flat mark skal kunne gå over, med minimalt med ekstra trening, til å gå i en skråning eller på gress eller mens han bærer en last.

I fjor utvidet Clune og hans kolleger Finns teknikk for å designe en algoritme som lærer ved å bruke færre nevroner, slik at den ikke overskriver alt den har lært tidligere, et stort uløst problem innen maskinlæring kjent som katastrofal glemsel. En trent modell som bruker færre nevroner, kjent som en sparsom modell, vil ha flere ubrukte nevroner til overs for å dedikere til nye oppgaver ved omskolering, noe som betyr at færre av de brukte nevronene vil bli overskrevet. Clune fant ut at å sette AI-en hans utfordringen med å lære mer enn én oppgave førte til at den kom opp med sin egen versjon av en sparsom modell som utkonkurrerte de menneskeskapte.

Hvis vi går all in på å la AI skape og lære seg selv, bør AI-er også generere sine egne treningsmiljøer – skolene og lærebøkene, så vel som leksjonsplanene.

Og det siste året har det vært en rekke prosjekter der AI har blitt trent på automatisk genererte data. Ansiktsgjenkjenningssystemer trenes opp med AI-genererte ansikter, for eksempel. AI-er lærer også å trene hverandre. I et nylig eksempel, to robotarmer jobbet sammen, med en arm som lærte å sette tøffere og tøffere blokkstablingsutfordringer som trente den andre til å gripe og gripe gjenstander.

Faktisk lurer Clune på om menneskelig intuisjon om hva slags data en AI trenger for å lære kan være av. For eksempel har han og kollegene utviklet det han kaller generative undervisningsnettverk , som lærer hvilke data de bør generere for å få de beste resultatene når de trener en modell. I ett eksperiment brukte han et av disse nettverkene til å tilpasse et datasett med håndskrevne tall som ofte brukes til å trene bildegjenkjenningsalgoritmer. Det den kom frem til så veldig forskjellig fra det originale menneske-kuraterte datasettet: hundrevis av ikke-helt sifre, for eksempel den øverste halvdelen av tallet syv eller det som så ut som to sifre slått sammen. Noen AI-genererte eksempler var vanskelige å tyde i det hele tatt. Til tross for dette gjorde de AI-genererte dataene fortsatt en god jobb med å trene opp håndskriftsgjenkjenningssystemet for å identifisere faktiske sifre.

Ikke prøv å lykkes

AI-genererte data er fortsatt bare en del av puslespillet. Den langsiktige visjonen er å ta alle disse teknikkene – og andre som ennå ikke er oppfunnet – og overlevere dem til en AI-trener som kontrollerer hvordan kunstige hjerner kobles til, hvordan de trenes og hva de trenes på. Selv Clune er ikke klar over hvordan et slikt fremtidig system vil se ut. Noen ganger snakker han om en slags hyperrealistisk simulert sandkasse, der AI-er kan kutte tennene og flå de virtuelle knærne. Noe så komplekst er fortsatt år unna. Det nærmeste ennå er POET, systemet Clune laget med Ubers Rui Wang og andre.

POET var motivert av et paradoks, sier Wang. Hvis du prøver å løse et problem, vil du mislykkes; hvis du ikke prøver å løse det, er det større sannsynlighet for å lykkes. Dette er en av innsiktene Clune henter fra sin analogi med evolusjon – fantastiske resultater som dukker opp fra en tilsynelatende tilfeldig prosess, kan ofte ikke gjenskapes ved å ta bevisste skritt mot samme mål. Det er ingen tvil om at sommerfugler eksisterer, men spol tilbake til deres encellede forløpere og prøv å lage dem fra bunnen av ved å velge hvert trinn fra bakterie til insekt, og du vil sannsynligvis mislykkes.

POET starter sin tobente agent i et enkelt miljø, for eksempel en flat sti uten hindringer. Først vet ikke agenten hva han skal gjøre med beina og kan ikke gå. Men gjennom prøving og feiling lærer forsterkningslæringsalgoritmen som kontrollerer den hvordan man beveger seg langs flat mark. POET genererer deretter et nytt tilfeldig miljø som er annerledes, men ikke nødvendigvis vanskeligere å bevege seg i. Agenten prøver å gå dit. Hvis det er hindringer i dette nye miljøet, lærer agenten hvordan han kan komme over eller over disse. Hver gang en agent lykkes eller blir sittende fast, flyttes den til et nytt miljø. Over tid lærer agentene en rekke gå- og hopphandlinger som lar dem navigere hardere og vanskeligere hinderløyper.

Teamet fant ut at tilfeldig bytte av miljøer var avgjørende.

For eksempel lærte agenter noen ganger å gå på flat mark med en merkelig, halvt knelende stokking, fordi det var godt nok. De lærer aldri å stå frem fordi de aldri trenger det, sier Wang. Men etter at de hadde blitt tvunget til å lære alternative strategier på hinder-strødd mark, kunne de gå tilbake til det tidlige stadiet med en bedre måte å gå på – ved å bruke begge bena i stedet for å dra den ene bak, for eksempel – og så ta den forbedrede versjonen av seg selv fremover til vanskeligere utfordringer.

POET trener sine roboter på en måte som ingen mennesker ville – det tar uberegnelige, unintuitive veier til suksess. På hvert trinn prøver robotene å finne en løsning på den utfordringen de blir presentert for. Ved å takle et tilfeldig utvalg av hindringer som kastes deres vei, blir de bedre totalt sett. Men det er ingen sluttpunkt for denne prosessen, ingen ultimate test å bestå eller høy poengsum å slå.

Clune, Wang og en rekke av deres kolleger mener dette er en dyp innsikt. De utforsker nå hva det kan bety for utviklingen av supersmarte maskiner. Kunne prøve ikke å kartlegge en spesifikk vei faktisk være et sentralt gjennombrudd på veien mot kunstig generell intelligens?

POET inspirerer allerede andre forskere, som Natasha Jaques og Michael Dennis ved University of California, Berkeley. De har utviklet et system som heter PARET som bruker AI til å generere en serie labyrinter for å trene en annen AI til å navigere i dem.

Rui Wang tror menneskedesignede utfordringer kommer til å bli en flaskehals, og at reell fremgang innen AI vil kreve at AI kommer opp med sine egne. Uansett hvor gode algoritmer er i dag, blir de alltid testet på en eller annen hånddesignet benchmark, sier han. Det er veldig vanskelig å forestille seg kunstig generell intelligens som kommer fra dette, fordi det er bundet av faste mål.

En ny type intelligens

Den raske utviklingen av AI som kan trene seg selv reiser også spørsmål om hvor godt vi kan kontrollere veksten. Ideen om AI som bygger bedre AI er en avgjørende del av myteskapingen bak Singularity, det forestilte punktet i fremtiden når AI-er begynner å forbedre seg i en eksponentiell hastighet og beveger seg utenfor vår kontroll. Til slutt advarer visse dommedagers at AI kan bestemme at den ikke trenger mennesker i det hele tatt.

Det er ikke det noen av disse forskerne har i tankene: deres arbeid er veldig fokusert på å gjøre dagens AI bedre. Maskiner som går amok er fortsatt en fjern anti-fantasi.

Likevel har DeepMinds Jane Wang forbehold. En stor del av attraksjonen ved å bruke AI for å lage AI er at det kan komme opp med design og teknikker som folk ikke hadde tenkt på. Likevel bemerker Wang at ikke alle overraskelser er gode overraskelser: Åpenhet er per definisjon noe som er uventet. Hvis hele ideen er å få AI til å gjøre noe du ikke forutså, blir det vanskeligere å kontrollere. Det er både spennende og skummelt, sier hun.

Clune understreker også viktigheten av å tenke på etikken i den nye teknologien fra starten. Det er en god sjanse for at AI-designede nevrale nettverk og algoritmer vil være enda vanskeligere å forstå enn dagens allerede ugjennomsiktige black-box-systemer. Er AI generert av algoritmer vanskeligere å revisjon for skjevhet ? Er det vanskeligere å garantere at de ikke vil oppføre seg på uønskede måter?

Clune håper slike spørsmål vil bli stilt og besvart etter hvert som flere mennesker innser potensialet til selvgenererende AI-er. De fleste i maskinlæringsmiljøet snakker egentlig aldri om vår generelle vei til ekstremt kraftig AI, sier han – i stedet har de en tendens til å fokusere på små, inkrementelle forbedringer. Clune ønsker å starte en samtale om feltets største ambisjoner igjen.

Hans egne ambisjoner knytter seg tilbake til hans tidlige interesser for menneskelig intelligens og hvordan den utviklet seg. Hans store visjon er å sette opp ting slik at maskiner en dag kan se sin egen intelligens – eller intelligens – dukke opp og forbedre seg gjennom utallige generasjoner med prøving og feiling, guidet av algoritmer uten den ultimate planen i tankene.

Hvis AI begynner å generere intelligens av seg selv, er det ingen garanti for at det vil være menneskelignende. I stedet for at mennesker lærer maskiner å tenke som mennesker, kan maskiner lære mennesker nye måter å tenke på.

Det er sannsynligvis et stort antall forskjellige måter å være veldig intelligent på, sier Clune. En av tingene som begeistrer meg med AI er at vi kan komme til å forstå intelligens mer generelt, ved å se hvilken variasjon som er mulig.

Jeg synes det er fascinerende. Jeg mener, det er nesten som å finne opp interstellare reiser og å kunne besøke fremmede kulturer. Det ville ikke vært noe større øyeblikk i menneskehetens historie enn å møte en fremmed rase og lære om dens kultur, dens vitenskap, alt. Interstellar reise er ekstremt vanskelig, men vi har muligheten til å potensielt lage fremmede intelligenser digitalt.