ABSTRACT: Há uma rota alternativa para inteligencia artificial que diverge das direções propostas acima no titulo por pelo menos 30 anos. A tradicional abordagem tem enfatizado a manipulação abstrata de símbolos, que fundamentada em uma realidade fisica tem sido adquirida.

Nós exploramos uma metodologia de pesquisa que enfatiza a interação física continua com o ambiente como uma fonte primária de limitacao no projeto de sistemas inteligentes. Mostraremos como esta metodologia tem tido sucesso ao mesmo nível dos esforços da metodologia classica. Destacaremos trabalhos futuros capazes de conduzir a sistemas mais ambiciosos.

As pesquisas em IA tem se afundado em um mar de incrementalismo. Ninguém esta muito seguro onde ir salvo o aperfeicoamento das demonstrações de técnicas em manipulação simbólica de representações não fundamentadas. Ao mesmo tempo, pequenas companhias de IA são folding, e a freqüência esta bem abaixo das conferências nacionais e internacionais de IA. Enquanto é verdade que o uso de IA tem prosperado em grandes companhias, principalmente pela aplicação a domínios modernos de longas técnicas desenvolvidas que ficaram antiquadas na comunidade de pesquisa.

Neste artigo, argumentamos que a hipótese de sistemas de símbolos na qual a IA clássica está baseada é fundamentalmente defeituosa, e como tal impõe severas limitações na boa forma do resultado. Mais adiante, argumentamos que o dogma da hipótese de sistemas de símbolos implicitamente inclue um número de crenças chamadas para oferecer um caminho plausível da equivalência digital ao nível de inteligência humana.

Mas há uma visão alternativa, ou dogma, chamada Nouvelle AI, Fundamentalismo da IA ou ainda Atividade Situada. Ela é baseada na hipótese de fundamento físico. Oferece uma metodologia diferente para construir sistemas inteligentes. A metodologia tradicional tem sua base na decomposição da inteligência dentro de módulos de processamento da informação funcional oferecendo um sistema de comportamento global. A nova metodologia baseia-se na decomposição da inteligência em comportamentos individuais gerando módulos cuja coexistência e cooperação emerge de comportamentos complexos.

Na clássica IA, nenhum módulo por ele próprio gera o comportamento total do sistema. Entretanto é necessário combinar juntos vários módulos para adquirir algum comportamento para todo sistema. O aperfeiçoamento na competência do sistema ocorrem por melhorias nas funcionalidades dos módulos individuais. Na nova abordagem da IA cada módulo gera seu comportamento e as melhorias na competência do sistema ocorrem pela adição de novos módulos no sistema.

Dado que nenhuma das abordagens de IA seja a clássica ou a nova estejam perto de revelar os segredos da IA, há um número de comparações críticas que podem ser feitas entre as duas abordagens:

- É qualquer abordagem epistemologicamente adequada? (E adequada para quê?)

- São todos os caminhos claros para qualquer abordagem na direção de sistemas muito mais inteligentes?

- São novas abordagens romanticamente esperadas por mágicas, na esperança acabar com a superficialidade das inferências?

- A afirmação das propriedades emergentes das novas abordagens de sistema IA é a mais excessiva do que o uso de heurísticas em abordagens clássicas de IA?

O sistema de inteligência central dá-se em símbolos. Os símbolos devem ser alimentados pelo sistema de percepção.

Mas qual é a correta descrição simbólica do mundo pelos sistemas inteligentes? Seguramente que a descrição deve ser uma tarefa independente.

A descrição padrão tem sido que a descrição do sistema comunica uma descrição do ambiente em termos tipados, chamado indivíduos e seus relacionamentos.

O resultado da hipótese do sistema de símbolos tem sido para encorajar pesquisadores a partir disto a buscar os objetivos de um propósito geral de visão do sistema que entrega uma descrição completa do ambiente de uma forma simbólica. Só recentemente tem sido um movimento em direção a uma visão vigente.

Os sistemas des símbolos em sua mais pura forma assumem um verdade objetiva conhecível. É somente com mais complexidade que a lógica modal, ou lógica não-monolítica, pode construir com melhor capacidade um sistema para ter convicções das visões parciais de um mundo caótico.

A realização de cálculos baseados nestes sistemas formais chegam a se tornar mais e mais biologicamente improvável. Mas uma vez que o compromisso para o sistemas de símbolo tenha sido feito é imprescindível prosseguir através de mais e mais sistemas complexos e encômodos em perseguição a objetividade.

Esta mesma perseguição conduz para um bom conhecimento do quadro do problema, onde é impossível assumir algo que não esta explicitamente declarado. Divergências técnicas sobre o problema tem sido sugeridas mas elas estão por insignificância fora do seu próprio problema.

Em geral, o processo de raciocínio começa trivial em um espaço completo NP. Tem havido grandes esforços para superar estes problemas por simples escolha de cálculos aritméticos, funções de avaliação ou polinomiais para guiar a busca. Encantadoramente, tem-se esperado que a inteligência irá de alguma maneira surgir destes simples cálculos numéricos levados ao mar de símbolos. Este é um dos mais simples exemplos que voltou a ser somente parcialmente correto, mas na realidade quase todos os exemplos de busca na abordagem clássica de IA tem confiado em tais escolhas polinomiais para manter a busca espacial controlável.

Novas abordagens de IA estão baseada na hipótese do fundamento físico. Este estado de hipótese constrõe um sistema que é inteligente e necessita ter sua representação fundamentada no ambiente físico. Nossa experiência com esta abordagem é que uma vez feito o compromisso, a necessidade para a representação simbólica tradicional logo desaparece completamente. Sempre contém todos os detalhes a ser conhecido. O segredo está em perceber apropriadamente e com maior freqüência.

Aceitar a hipótese do fundamento físico como uma base para pesquisas requerem sistemas contruídos de maneira bottom up. Um alto nível de abstração deve ser feito concretamente. O sistema construído eventualmente deve expressar todos seus objetivos e desejos como uma ação física, e deve extrair todas seu conhecimento dos sensores físicos. Assim, o projeto do sistema é forçado a fazer tudo explicitamente. Muitos short-cut (atalhos) tomados tem um impacto direto sobre a competência dos sistemas.

Nós já temos uma prova existente da possibilidade de entidades inteligentes - seres humanos. Adicionalmente, muitos animais são inteligentes em algum grau. Eles evoluíram mais de 4.6 bilhões de anos de história na terra.

É instrutivo refletir no modo como ocorreu a evolução. Entidades de célula únicas surgiram aproximadamente a 3.5 bilhões de anos atrás. Um bilhão de anos se passou antes da fotossíntese das plantas aparecer. Depois de quase outro bilhão e meio, por volta dos 550 milhões de anos atrás, chegaram os primeiros peixes e vertebrados, e então os insetos há 450 milhões de anos atrás. A partir daí as coisas começaram a mudar mais rapidamente. Répteis chegaram a 370 milhões de anos atrás, seguido pelos dinossauros há 330 e os mamíferos há 250 milhões de anos atrás. Os primeiros primatas apareceram há 120 milhões de anos atrás. Os homens chegaram na sua presente forma há aproximadamente 2.5 milhões de anos atrás. Eles inventaram a agricultura a 19.000 anos atrás, escrita menos que 5.000 e o conhecimento "especializado" há poucos 100 anos atrás.

Isto sugere que o comportamento de resolução de problemas, linguagens, conhecimento especializado e aplicações e o raciocínio são todos mais simples, uma vez que a essência do ser e a reação estão disponíveis. A essência é a habilidade para mover ao redor de um ambiente dinâmico, percebendo o surroundings para um grau suficiente a fim de alcançar a manutenção necessária da vida e da reprodução. Nesta parte da inteligência é onde a evolução tem concentrado seu tempo - sendo mais trabalhosa. Esta é a parte fundamentada fisicamente dos sistemas animais.

A alternativa argumentada é que uma vez evoluído tem-se símbolos e representações de coisas que começaram a mudar mais rapidamente.

Além disso, os símbolos são a invenção chave e os trabalhadores de IA devem evitar a desordem e o começo do trabalho diretamente com símbolos. Sem uma cuidadosa construção fisica fundamentada qualquer representação simbólica será confundida com sensores e atuadores. Esses fundamentos oferecem o limite necessários aos símbolos para que eles sejam verdadeiramente úteis.

Para explorar a construção de sistemas com fundamentos físicos temos desenvolvido uma arquitetura computacional conhecida como a subsumption architecture (arquitetura subsunçora). Ela habilita-nos fortemente a conectar a percepção para agir, embutindo robôs concretamente no ambiente.

Um programa submetido é construído em um substrato que é organizado dentro de uma série de camadas incrementais, cada uma, no caso geral, conectando a percepção para agir. Em nosso caso o substrato é uma rede de máquinas de estados finitos aumentada com elementos cronometrados.

A arquitetura submetida foi descrita inicialmente e após modificada. O compilador subsunçor compila o AFSM (Augumented Finite State Machine) Acréscimo da Máquina de Estado Finito descrito dentro de um propósito especial para simular o paralelismo e um conjunto de estados finitos de máquina em simulação de rotinas. O compilador subsunçor toma um fonte de arquivo como entrada e produz um programa em linguagem assembly como saída.

O comportamento da linguagem tem sido visto como um modo de reunir AFSMs dentro de uma unidade controlável com a capacidade para unidade total, sendo seletivamente ativada ou desativada. Na verdade, AFSMs não são especificados diretamente, mas como conjunto de regras de tempo real que compilado no AFSMs de modo um para um. O comportamento do compilador é independente da máquina e compila em um arquivo intermediário de especificações de AFSM subsuncoras. O compilador subsunçor pode então ser usado para compilar os vários alvos. Algumas vezes a linguagem comportamental é chamada new subsumption.

Neste capítulo, serão apresentados alguns robôs construídos utilizando a arquitetura subsunçora realçando o modo como eles exploraram e otimizaram a arquitetura.

Allen - Tom and Jerry - Herbert - Genghis - Squirt - Toto - Seymour - Gnats Robots

ALLEN

Nosso primeiro robô, Allen, tem vários sensores sonares e odômetro onboard e utiliza uma máquina lisp offboard para simular a arquitetura subsunçora. Na literatura foram descritos três camadas de controle implementadas na arquitetura subsumçora.

A primeira camada permite ao robô evitar obstáculos estáticos e dinâmicos. Allen, felizmente, iria sentar no meio da sala até que fosse abordado, então sai fora, evitando assim as colisões que ele teria. A representação interna usada é que cada sonar retorna uma força repulsiva representada com uma redução da força como uma função da distância.

A Segunda camada permite ao robô vagar randômicamente. A cada 10 segundos ou próximo disso, um desejo é enviado para a cabeça para uma direção randômica ser gerada. O desejo está acoplado com o reflexo de evitar obstáculos pelo vetor adição.

A terceira camada produz a visão do robô (com seus sonares) para lugares distantes e tenta progredir em sua direção. Esta camada monitora o progresso por meio de um odômetro, gerando um desejo que suprimir a direção desejada para ele na camada anterior.

Existem outras camadas alternativas descritas para o Allen na literatura.

TOM E JERRY

Tom e Jerry tem dois robôs idênticos construídos para demonstrar como a computação crua é necessária para suportar a arquitetura subsunçora. As três camadas do programa subsunçor foram implementadas, contudo todos os caminhos dados tem somente um bit largo e o conjunto do programa gerado em um único portão 256 vetors programáveis de um chip lógico.

A camada mais baixa de Tom e Jerry implementa o par padrão do primeiro nível comportamental. Eles utilizam um vetor soma com forças repulsivas aos obstáculos para executar a manobra para evitar ou para disparar um reflexo para parar quando algo fechar a sua frente, se detectado pelos seus sensores frontais. Tom e Jerry demonstra a noção de comportamentos independentes combinados sem o conhecimento de cada outro sensor.

Tom e Jerry também demonstram que a arquitetura subsunçora pode ser compilada e que pode ser executado com uma velocidade de clock de somente umas poucas centenas de Hertz.

HERBERT

Herbert é um robô muito mais ambicioso. Ele tem 24 processadores distribuídos, livremente acoplados na placa para executar a arquitetura subsunçora. Herbert tem aproximadamente 30 sensores infra-vermelhos para evitar obstáculos locais, um manipulador na placa com um número de sensores simples fixos disponíveis, e um sistema de raios laser para coletar os três dados das dimensões descritas.

Herbert é programado para vagar ao redor de áreas do escritório, buscando as latas vazias de soda colocadas sobre as escrivaninhas dos escritórios. Ele demonstra evitar obstáculos e paredes, reconhecendo em tempo de execução os objetos como latas de soda, e um conjunto de 15 comportamentos que conduzem o braço para buscar fisicamente a lata de soda localizando e pegando-a.

A vantagem desta abordagem é que ela não precisa de nenhum conjunto de expectativas internas para que ele vá para o próximo passo. Este meio que o sistema de controle pode ter naturalmente oportunidades se circunstâncias fortúitas se apresentarem por si só; ele pode responder por si a trocas de circunstâncias, como a de se um outro objeto aparecer em um curso de colisão.

GENGHIS

Genghis é um robô de 1kg provido de seis pernas que caminha movido por um controle subsunçor e tem um sistema de controle extremamente distribuído. O robô caminha com sucesso sobre um terreno árido usando 12 motores, 12 sensores de força, 6 sensores piroelétricos, 1 inclinômetro e 2 espanadores. Ele também segue humanos utilizando-se de seus sensores piroelétricos.

As camadas da subsunçores habilitam o robô a levantar-se sucessivamente, caminhando sem qualquer noção, utiliza uma medida de força para concordar com o terreno árido, utiliza sua força para erguer suas pernas sobre os obstáculos, utiliza o inclinômetro para estabilizar o robô conforme o terreno, utiliza os espanadores para erguer seus pés sobre os obstáculos, utiliza os sensores infra-vermelhos para detectar pessoas e para caminhar, somente quando eles estão presentes, e para utilizar a direcionalidade da radiação infra-vermelha para modular a retração de um conjunto de pernas, em particular, assim, o robô segue se movimentando em direção ao feixe da radiação.

Está sendo construída uma nova versão do genghis que será um poderoso e hábil escalador para passear a uma velocidade de três quilômetros por hora. Cada perna tem três degraus de liberdade e três sensores de força para transportar vigas. Um único microprocessador com RAM e EEPROM na placa é fácilmente capaz de fornecer força para todas as pernas. A massa total final do robô é de 1,6 Kg.

SQUIRT

Squirt é o menor robô construído. Ele pesa aproximadamente 50 gramas e tem 5/4 polegadas cúbicas de volume. Squirt incorpora um computador de 8 bits, três sensores e um sistema de propulsão. Seu modo normal de operação é para agir como um "bug", escondendo-se em cantos sombrios se aventurando na direção de ruídos. Somente depois de ir em direção ao ruído ele olha para um novo lugar escondido próximo de onde o conjunto prévio de ruídos veio.

A coisa mais interessante sobre o Squirt é o modo em que o alto nível de comportamento emerge de um conjunto de interações simples com o mundo.

TOTO

Toto é o primeiro robô completamente programado com a nova linguagem de comportamento. Toto tem 12 sonares radialmente arranjados e um portão de fluxo rodeado por esses sensores.

Eles não tem nenhuma estrutura de dados dentro da arquitetura subsunçora, e nenhum modo fácil de ter um repositório central mais que simples quantidades numéricas. Toto tem um sistema reativo de baixo-nível para manter as funções básicas executando robustamente. Seu comportamento de baixo-nível habilita-o para vagar ao redor evitando colisões, e sucessivamente seguir paredes e corredores como se ele estivesse explicitamente explorando o mundo. Um conjunto de nível intermediário de comportamento tenta reconhecer tipos particulares de marcas como as paredes e corredores. Outra rede é produzida para comportamentos idênticos mutualmente com cada camada aguardando por novas marcas para serem reconhecidas. Em cada tempo deste acontecimento, um comportamento aloca por si só o lugar de marcas particulares. O comportamento que corresponde as marcas adjacentes fisicamente tem vizinhança com links relacionados entre eles. Uma estrutura de grafo é então formada, embora, os nodos sejam vários elementos computacionais ativos em lugar de estruturas de dados ativas.

Resultados experimentais mostram como a performance dos robôs pode ser incrementalmente melhorada adicionando novas peças na rede. Construindo mapas e planejando caminhos tendo inicialmente demonstrado com menos tipos de comportamento sendo então finalmente implementado.

O trabalho mostrou também que mapas globalmente consistentes podem ser construídos e emergem para uma maneira totalmente distribuída. Nesse experimento foi construída uma coleção de agentes independentes assíncronos, sem a habilidade para utilizar ponteiros arbitrários, ou outros como as técnicas de estruturas de dados. No planejamento do caminho eles não tem nenhuma noção do caminho global do esquema; peças locais de informação combinam para dirigir o robô em suas interações dinâmicas com o mundo.

SEYMOUR

Seymour é um novo robô que está sendo construído com todo o processamento na placa, para suportar o processamento da visão de 9 câmeras de baixa resolução com aproximadamente 10 frames por segundo. Um número de visões baseadas no comportamento desenvolvido para o Seymour tem sido prototipado nos primeiros robôs.

É descrito na literatura um programa subsunçor que controla duas simples e incertas rotinas de processamento visual para produzir um certo comportamento, o qual segue movendo objetos usando suas visões. Uma visão processa caminhos como uma única bolha se movendo. O robô então tenta enviar uma bolha selecionada para ficar em um lugar fixo das coordenadas da imagem. A bolha perseguidora, freqüentemente, perde a bolha localizada. A noção de localizadores produz um lote de ruídos especialmente quando o robô está se movendo.

Foi demonstrado um globo ocular capaz de manter um constante olhar apesar da noção de sua plataforma. Ele recapitula sistema de vestibular primata usando a visão com um lento sistema de calibração para um giroscópio controlado de plataforma móvel que possui câmeras.

GNAT ROBOTS

Todos os usos desenvolvidos com a arquitetura subsunçora tem sido cuidadosos para manter a sua simplicidade para que os programas escritos nela sejam fáceis e mecanicamente compilados em Silicon. Foi introduzida a idéia de construção de pequenos robôs fora da Silicon em uma linha de fabricação VLSI. Foi demonstrado como utilizar a arquitetura subsunçora para controlar os robôs. Foi esboçada os passos técnicos necessários para construir robôs, incluindo materiais, um novo tipo de micro motor baseado em membrana e material piezo-electric, um processo de fabricação 3-D a alguns novos tipos de sensores integrados.

5. MEDIDAS DE SUCESSO

Quando foi falado sobre as técnicas utilizadas para construir sistemas de controle inteligentes para os robôs, as questões mais comumente perguntadas, ou afirmações, são:

- Se eu produzir uma troca de nossos robôs com o ambiente, eu aposto que eles iriam fazer a coisa errada;

_ Estes sistemas são quase impossíveis de se depurar ? etc ;

PUZZLITIS

Desde que as pesquisas na Tradicional Inteligência Artificial tem se concentrado em nódulos isolados da inteligência que quase nunca consegue se fundamentar no mundo, elas tem sido importantes para desenvolver algum critério para pesquisas prósperas. Uma das idéias mais populares é a generalidade. Esta rápida condução conduz a uma enfermidade chamada Puzzlitiz. O modo de mostrar a generalidade é para escolher o caso mais obscuro dentro do domínio e demonstrar que nosso sistema manipula ou resolve ele.

O argumento adicional deste tópico é que em muitos programas de IA o criador consegue para o programa os fatos em alguma classificação da linguagem de representação. Muitos dos fracassos dos Puzzlitis de sistemas fisicamente fundamentados vem de uma falha da percepção de como os marcadores tem sido criados. Programas padrões da IA não tem sido obrigados a enfrentar esses temas.

DEBUGGING

Em experimentos de debug dos programas subsunçores usados para controlar sistemas fundamentados fisicamente não tem sido uma grande fonte de frustração e dificuldades. Isto é devido a alguma particularidade útil das ferramentas de debugging ou alguma superioridade natural da arquitetura subsunçora.

6. LIMITES FUTUROS

As hipótese são claramente empíricas para serem julgadas verdadeiras ou falsas com base em evidências. O mesmo pode, claro que, ser dito para hipóteses fundamentadas fisicamente. Tais estratégias são para testar as limitações de hipóteses fundamentadas fisicamente pela construção de robôs que são mais independentes e podem interagir mais com o mundo.

Expectativa em contraste

Inerentemente ambas abordagens para inteligência são superáveis em alguns graus de expectativas onde essas abordagens eventualmente terão sucesso. A demonstração e generalização de temas caem ao longo de diferentes dimensões das duas abordagens.

- A IA tradicional tem tentado demonstrar raciocínios sofisticados, domínios mais empobrecidos. A expectativa é que a idéia usada generalizará o comportamento robusto em domínios mais complexos;

- Novas abordagens de IA tentam demonstrar tarefas menos sofisticadas operando robustamente em ruidosos e complexos domínios. A expectativa é que a idéia usada generalizará para tarefas mais sofisticadas. Assim as duas abordagens aparecem um pouco complementar. Ambas abordagens confiam em algum aspecto não analisado para atingir seu sucesso.

Problemas específicos

Alguns dos problemas específicos que devem ser atacados logo, e resolvidos, por abordagens baseadas em IA nas hipóteses fundamentadas fisicamente incluem:

- Como combinar muitos comportamentos gerando módulos de um modo que permita a eles ser produtivos e cooperativos;

- Como controlar múltiplas fontes de informação percentual quando eles realmente fazem parecer ser uma fusão necessária;

- Como automatizar a construção das interfaces de interação entre o comportamento gerando módulos, para grandes sistemas possam ser construídos;

- Como automatizar a construção de comportamento individual gerando módulos, ou até mesmo automatizar sua modificação.