Le troisième filet neuronal était un langage relativement simple et traité en utilisant des représentations vectorisées de ces phrases «bouger la droite rouge». Enfin, le quatrième netl neural a fonctionné comme couche associative et a prédit la sortie des trois précédents à chaque pas. «Lorsque nous faisons une action, nous n’avons pas toujours à le verbaliser, mais nous avons cette verbalisation dans nos esprits à un moment donné», explique Vijayaraghavan. L’IA que lui et son équipe ont construit devaient faire exactement cela: connecter de manière transparente le langage, la proprioception, la planification d’action et la vision.
Lorsque le cerveau robotique était opérationnel, ils ont commencé à lui enseigner certaines des combinaisons possibles de commandes et de séquences de mouvements. Mais ils ne les ont pas tous enseignés.
La naissance de la compositionnalité
En 2016, Brenden Lake, professeur de psychologie et de science des données, a publié un papier dans lequel son équipe a nommé un ensemble de compétences que les machines doivent maîtriser pour vraiment apprendre et penser comme les humains. L’un d’eux était la compositionnalité: la capacité de composer ou de décomposer un ensemble en parties qui peuvent être réutilisées. Cette réutilisation leur permet de généraliser les connaissances acquises à de nouvelles tâches et situations. «La phase de compositionnalité est lorsque les enfants apprennent à combiner des mots pour expliquer les choses. Ils [initially] Apprenez les noms des objets, les noms des actions, mais ce ne sont que des mots uniques. Lorsqu’ils apprennent ce concept de compositionnalité, leur capacité à communiquer un type d’explosion », explique Vijayaraghavan.
L’IA que son équipe a construite a été faite à ce but exact: pour voir si elle développerait la compositionnalité. Et ça l’a fait.
Une fois que le robot a appris comment certaines commandes et actions ont été connectées, elle a également appris à généraliser ces connaissances pour exécuter les commandes qu’il n’avait jamais entendues auparavant. Reconnaître les noms des actions qu’il n’avait pas effectués, puis les exécuter sur des combinaisons de blocs qu’il n’avait jamais vus. L’IA de Vijayaraghavan a compris le concept de déplacer quelque chose vers la droite ou à gauche ou de mettre un élément sur quelque chose. Il pourrait également combiner des mots pour nommer des actions inédites auparavant, comme mettre un bloc bleu sur un bloc rouge.
