Som Charles Darwin skrev in i slutet av sin betydande bok från 1859 om arternas ursprung, "medan denna planet har cyklat vidare enligt den fasta tyngdlagen, från en så enkel början har oändliga former vackraste och underbaraste varit, och är, utvecklats. "Forskare har sedan länge trott att mångfalden och utbudet av livsformer på jorden ger bevis för att biologisk evolution spontant förnyar sig på ett öppet sätt, ständigt uppfinna nya saker. Dock, försök att konstruera artificiella simuleringar av evolutionära system tenderar att löpa gränser för komplexiteten och nyheten som de kan producera. Detta kallas ibland för "problemet med öppenhet". På grund av denna svårighet, hittills, forskare kan inte enkelt göra konstgjorda system som kan visa upp rikedom och mångfald av biologiska system.

I en ny studie publicerad i tidskriften Artificiellt liv , ett forskargrupp som leds av Nicholas Guttenberg och Nathaniel Virgo från Earth-Life Science Institute (ELSI) vid Tokyo Institute of Technology, Japan, och Alexandra Penn från Center for Evaluation of Complexity Across the Nexus (CECAN), University of Surrey U.K. (CRESS), undersöka sambandet mellan biologisk evolutionär öppenhet och nya studier inom maskininlärning. De hoppades att anslutande idéer från dessa områden skulle göra det möjligt att kombinera neurala nätverk med motiv och idéer för artificiellt liv för att skapa nya former av öppenhet.

En källa till öppenhet i utvecklande biologiska system är överlevnadens "vapenkapplöpning". Till exempel, snabbare rävar kan utvecklas för att fånga snabbare kaniner, som i sin tur kan utvecklas till att bli ännu snabbare att komma bort från de snabbare rävarna. Denna idé speglas i den senaste utvecklingen med att placera nätverk i konkurrens med varandra för att producera saker som realistiska bilder med hjälp av generativa kontradiktoriska nätverk (GAN) och för att upptäcka strategier i komplexa spel som Go. I evolutionen, faktorer som mutation kan begränsa omfattningen av en sådan vapenkapplöpning. Dock, eftersom neurala nätverk har skalats upp, ingen sådan begränsning verkar finnas, och nätverket kan fortsätta att förbättras när ytterligare data matas till deras algoritmer.

Guttenberg hade studerat evolutionär öppenhet sedan forskarskolan, men det var bara de senaste åren som hans fokus flyttades till artificiell intelligens och neurala nätverk. Vid den tiden, metoder som GAN uppfanns, som tycktes honom mycket lik de öppna ko-evolutionära system han tidigare arbetat med. Han såg en möjlighet att riva en barriär mellan fälten för att göra framsteg i ett intressant problem.

Forskarna visade att även om de kan använda skalningsanalyser för att visa öppenhet i evolutionära och kognitiva sammanhang, det är skillnad mellan att göra något som, till exempel, blir oändligt bra på att göra kattbilder och något som, trött på att göra kattbilder, bestämmer sig för att göra musik istället. I artificiella evolutionära system, den här typen av stora kvalitativa språng måste programmeraren förutse - de skulle behöva skapa en konstgjord värld där musik är möjligt för "organismerna" att bestämma sig för att vara musiker. I system som neurala nätverk, begrepp som abstraktion fångas lättare, och populationer av interagerande agenter kan skapa nya problem som ska lösas sinsemellan.

Detta arbete väcker några djupa och intressanta frågor. Till exempel, om drivkraften för kvalitativt annorlunda nyhet i ett beräkningssystem uppstår internt från abstraktion, vad avgör "betydelsen" av den nyhet artificiella system genererar? Maskininlärning har ibland lett till skapandet av konstgjorda språk genom att interagera beräkningsagenter, men dessa språk är fortfarande förankrade i den uppgift agenterna samarbetar för att lösa. Om agenterna verkligen förlitar sig på interaktionerna i systemet för att driva öppenhet långt ifrån det som gavs som utgångsmaterial, skulle det ens vara möjligt att känna igen eller tolka de saker som kommer ut, eller måste man vara infödd till ett sådant system för att förstå dess rikedom?

I sista hand, denna studie tyder på att det kan vara möjligt att göra konstgjorda system som autonomt och kontinuerligt uppfinner eller upptäcker nya saker, vilket skulle utgöra ett betydande framsteg inom artificiell intelligens, och kan hjälpa till att förstå livets utveckling och ursprung.