[논문 리뷰] Virtual Embodiment: A Scalable Long-Term Strategy for Artificial Intelligence Research

Douwe Kiela, Luana Bulat외 2명|arXiv (Cornell University)|2016. 10. 24.

Multimodal Machine Learning Applications참고 문헌 23인용 수 25

한 줄 요약

이 논문은 인공지능의 장기적 발전을 위한 확장 가능하고 윤리적으로 책임감 있는 전략으로, 특히 목적을 가진 비디오 게임을 활용한 가상 몸체화를 제안한다. 이는 다중 모odal, 상호작용적이고 점진적인 학습을 통해 인간 수준의 의미 이해를 달성하는 데 초점이 맞춰져 있다. 인공 에이전트가 가상의 감각운동 경험을 통해 언어와 세계 지식을 학습할 수 있도록 함으로써, 물리적 제약이나 윤리적 위험 없이 인공통합지능에로의 단계적 발전을 지원한다.

ABSTRACT

Meaning has been called the "holy grail" of a variety of scientific disciplines, ranging from linguistics to philosophy, psychology and the neurosciences. The field of Artifical Intelligence (AI) is very much a part of that list: the development of sophisticated natural language semantics is a sine qua non for achieving a level of intelligence comparable to humans. Embodiment theories in cognitive science hold that human semantic representation depends on sensori-motor experience; the abundant evidence that human meaning representation is grounded in the perception of physical reality leads to the conclusion that meaning must depend on a fusion of multiple (perceptual) modalities. Despite this, AI research in general, and its subdisciplines such as computational linguistics and computer vision in particular, have focused primarily on tasks that involve a single modality. Here, we propose virtual embodiment as an alternative, long-term strategy for AI research that is multi-modal in nature and that allows for the kind of scalability required to develop the field coherently and incrementally, in an ethically responsible fashion.

연구 동기 및 목표

• 인지과학에서 몸체화 이론이 요구하는 바와 같이 자연어 의미를 물리적 경험에 뿌리내리는 데 오랫동안 지속된 과제를 해결한다.
• 현재의 단일 모달 AI 연구가 인간의 의미 이해의 다중 모달성, 상호작용성, 시간적 특성을 반영하지 못하는 한계를 극복한다.
• 에이전트 능력의 복잡성 증가와 함께 점차 복잡해지는 장기적이고 확장 가능한 인공통합지능 향한 연구 경로를 개발한다.
• 실세계의 결과 없이도 실제 위험 없이 AI 행동과 윤리적 의사결정을 테스트할 수 있는 윤리적으로 안전한 환경을 제공한다.
• 인공 에이전트가 가상 세계와의 상호작용을 통해 인간과 다른 에이전트와의 소통 및 협업을 통해 학습할 수 있도록 한다.

제안 방법

• 가상 세계—특히 목적을 가진 비디오 게임—을 인공 에이전트가 몸체화된 다중 모달 및 상호작용 경험을 통해 의미를 학습할 수 있는 플랫폼으로 활용한다.
• 기본적인 인지에서 다목적의 비결정적 전략 계획에 이르기까지 에이전트 몸체화의 복잡성을 체계적으로 증가시키기 위해 유형 0에서 유형 5까지의 계층적 프레임워크를 구현한다.
• 인간이 약간의 우위를 점할 수 있도록 하여 의미 있는 인간-AI 협업이 이루어지도록 하기 위해 인공 에이전트와 인간 간의 상호작용을 촉진한다.
• 실세계의 인지와 언어 사용을 반영하기 위해 시간적, 순차적, 다중 모달 입력(시각, 청각 등)을 지원하는 가상 환경을 설계한다.
• 딥 강화학습과 다중 에이전트 시스템을 활용하여 에이전트가 서로와 인간의 예시로부터 학습할 수 있도록 한다.
• 실세계의 위험을 모의하지만 신체적 피해 없이 제어된 비결정적 가상 환경에 에이전트 행동을 국한시켜 윤리적 테스트 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 인공 에이전트는 가상 환경에서 몸체화된 다중 모달 및 상호작용 경험을 통해 어떻게 인간 수준의 의미 이해를 달성할 수 있는가?
• RQ2 가상 에이전트의 인공지능 및 언어 능력이 점차 복잡해지기 위해 필요한 몸체화의 계층적 수준은 무엇인가?
• RQ3 실체적 몸체화에 비해 비디오 게임에서의 가상 몸체화가 얼마나 확장 가능하고 점진적이며 윤리적으로 책임감 있는 AI 개발을 지원할 수 있는가?
• RQ4 인공 에이전트는 가상 환경과 다른 에이전트, 특히 인간과의 상호작용을 통해 어떻게 언어와 세계 지식을 학습할 수 있는가?
• RQ5 비디오 게임이 AI 연구에서 가상 몸체화의 효과적인 플랫폼이 되기 위해 필요한 설계 원칙은 무엇인가?

주요 결과

• 가상 몸체화를 통해 인공 에이전트는 다중 모달, 상호작용적이고 시간적으로 구조화된 경험을 통해 의미를 학습할 수 있으며, 이는 단일 모달 및 비상호작용 모델의 한계를 극복한다.
• 제안된 유형 0에서 유형 5까지의 몸체화 계층은 가상 환경과 에이전트 능력의 복잡성을 점진적으로 증가시킬 수 있는 확장 가능한 프레임워크를 제공한다.
• 가상 환경은 에이전트가 서로로부터 학습할 수 있기 때문에 지속적인 인간 감시 없이도 빠르고 반복적인 AI 시스템 개발을 가능하게 한다.
• 현재의 AI 연구는 대부분 유형 1 몸체화 수준에 머물러 있어, 고차원의 다목적 및 전략적 상호작용으로 향한 진전에 상당한 격차가 있음을 시사한다.
• 현재까지 존재하는 어떤 비디오 게임도 유형 5 몸체화를 지원하는 조건을 충족하지 못하고 있어, 이는 주요 연구 및 개발 기회를 시사한다.
• 가상 몸체화는 실제 세계의 위험 없이도 AI 행동, 특히 윤리적 의사결정을 테스트할 수 있는 안전하고 윤리적으로 책임감 있는 플랫폼을 제공한다.