"Через других мы становимся самими собой, и это правило относится не только к личности в целом, но и к истории каждой отдельной функции. ... Личность становится для себя тем, что она есть в себе, через то, что она предъявляет для других. Это и есть процесс становления личности."

Лев Выготский написал это в книге "История развития высших психических функций" в 1931 году. Прожив только 37 лет он успел написать более 270 работ и заложить собственную теорию сознания. В последствии на весь XX век он превратился в культовую фигуру психологии, сначала на родине, а потом и во всем мире.

Культовость эта состоит прежде всего в том, что знакомясь с его работами люди делятся либо на последовательных приверженцев, либо ярых антагонистов его идей (а иногда и личности). Но спустя почти столетие время постепенно расставляет по своим местам. Работы исследователей XXI века находят все больше подтверждений теоретическим наработкам ученого.

Развитие его идей о становления личности у ребенка сейчас идет в сторону определения постоянного её развития через социальные взаимодействия. И это очень "больная" тема для тех, кто уверен что личность и "Я" являются чем-то стабильным и определяющим.

Прекрасные работы Dimitris Bolis и Leonhard Schilbach ‘Through others we become ourselves’: The dialectics of predictive coding and active inference (2019), ‘I interact therefore I am’: The self as a historical product of dialectical attunement (2020) показывают самые актуальные взгляды науки в этих направлениях.

Если вас заинтересуют эти работы, то приходите сегодня в 19:00 МСК на гостевой стрим Dimitris Bolis в Active Inference Lab и задавайте вопросы в чате, или смотрите в записи по этой же ссылке youtu.be/5oSqT8a6-dQ

Уже в это воскресенье пройдут первые подготовительные мероприятия к Complexity Weekend, который будет в мае. Ознакомьтесь с программой на сайте http://complexityweekend.com/ если пропустили. И зарегистрируйтесь если хотели, но забыли.

После того как у SoftBank в 2020г начались проблемы, Boston Dynamics с их ставшими всем известными, но не очень продаваемыми роботами Spot и Atlas, досталась Hyundai Motor Group. И вот компания представила совершенно другую концепцию промышленных роботов Stretch, ориентированную на клады и ритейл.

Сейчас уже возможности новой модели впечатляют, и они могут попасть в рыночную цель прагматичных корейцев. А на перспективу, смотрите как роботы распаковывают и инсталлируют других роботов. До модульного производства/самовоспроизводства шаг-два.

youtu.be/yYUuWWnfRsk

Сегодня и завтра проходит конференция Школы Системного Менеджмента (программа)
Подключайтесь к трансляциям в Youtube: День1, День2

Правильная картинка для системно-инженерного понимания роли продакт-менеджера получается небольшим тюнингом первой фигуры на странице Introduction to Systems Engineering на сайте SEBoK.

Продолжают выходить работы, прокладывающие путь Active Inference на фронтир Machine Learning в направлении моделирования адаптивного агентского поведения.

В мартовской публикации "Active Inference: Demystified and Compared" Sajid, Ball, Parr, Friston показано сравнение работы моделей ActInf, опирающихся на фундаментальные научные принципы, с несколькими подходами Reinforcement Learning: "Active inference is a first principle account of how autonomous agents operate in dynamic, nonstationary environments. This problem is also considered in reinforcement learning, but limited work exists on comparing the two approaches on the same discrete-state environments. In this letter, we provide (1) an accessible overview of the discrete-state formulation of active inference, highlighting natural behaviors in active inference that are generally engineered in reinforcement learning, and (2) an explicit discrete-state comparison between active inference and reinforcement learning on an OpenAI gym baseline."

В представленных симуляциях (код есть на гитхаб), в ситуациях когда агент находится в изменяющемся окружении, Active Inference показывает себя эффективней подходов Reinforcement Learning. При этом нет необходимости определять reward function, ActInf агенты обучаются ей сами.

Вчера на гостевом стриме www.activeinference.org двое из авторов Noor Sajid и Philip Ball рассказали работе и ответили на некоторые важные вопросы о будущем применений этих разработок. И в этом будущем будет много всего интересного, просто представьте что эти подходы можно применять для создания любых типов автономных адаптивных агентов: чат-ботов, промышленных и домашних роботов, беспилотников и др.

youtu.be/UDm0lriAIJw

Квадрокоптеры-амфибии, способные приводняться, плавать и взлетать с поверхности воды существуют на рынке уже несколько лет.

Теперь пришло время для субмарин, которые умеют погружаться и работать полностью в подводном положении. thenaviator.com

Институт проблем управления РАН (ранее Институт автоматики и телемеханики АН СССР) имеет в своем составе Лабораторию № 57 «Активных систем», в которой ведутся работы на основаниях Теории активных систем (ТАС), разрабатываемой ведущими умами наших соотечественников уже более полувека.

И как-то незаслуженно мало подписчиков и просмотров у канала Лаборатории в YouTube, где публикуются проходящие там семинары. Например, с презентациями молодых ученых своих диссертаций на актуальную тему моделирования и управления в мультиагентных системах, в том числе социальных и организационных. Всего же за год на канале образовалось очень много интереснейших материалов, праздники вам в помощь чтобы отсмотреть.

Hear ActInfLab updates from our second quarter of activity and steps for the future (including details about registration as non-profit organization).

We continue learning Active Inference by doing different projects in the Lab and invite everyone to participate!

youtu.be/AUXWQzpr2x8

This is an open call for collaborating with the Active Inference Lab on an important and highly-visible challenge in the area of Artificial Intelligence: https://www.aicrowd.com/challenges/neurips-2021-the-nethack-challenge

We believe and expect that an Active Inference agent may be able to excel at this challenging computational task, which requires a delicate balance of exploration and exploitation.

To implement an effective Active Inference agent in this competitive environment, a collaborative team must be assembled, containing participants with different backgrounds and skillsets (machine learning, data science, programming). Would be awesome for people with all backgrounds, even 0 familiarity with Active Inference, who are excited about this to get involved.

This competition is an affordance for demonstrating the utility of applying Active Inference algorithms to efficiently address open challenges in computer science. Should an Active Inference agent win this competition, it would lead to massive recognition of the Active Inference framework, and empowerment of the framework moving forward.

Our vision is that the productions of this team would be entirely open-source, and serve as a resource for the Active Inference and machine learning communities.

The Active Inference Lab, a non-profit organization, will provide organization, facilitation, and computational infrastructure in this effort. If you are interested in joining the team that will undertake the initial planning & later development stages of such a project, please send us a letter describing your interest to ActiveInference@gmail.com as soon as you read this open call (the deadline for competition submission is in October 2021).

Одно из самых фундаментальных руководств по взаимодейтсвию людей и роботов теперь распространяется бесплатно!

https://www.human-robot-interaction.org/

Главный вдохновитель всего иммерсивного, «отец Oculus» и создатель культовой игры DOOM Джон Кармак внезапно вышел из тени. Бывший технический директор VR-направления Facebook вдруг всплыл в официальном блоге компании под новой должностью «Facebook Reality Labs Executive Advisor».

Чем в «Фейсбуке» занимается «исполнительный советник» до конца не ясно, но в новом качестве Кармак неожиданно ударился в игровую журналистику и начал писать рецензии на VR-игры (например, вчера он опубликовал хвалебный обзор на аркаду Space Shooter, которая на днях вышла в App Lab). Так что если вы VR-разработчик и хотите, чтобы вашу игру отрецензировал лично Кармак — смело заполняйте вот эту форму и ждите ответного гудка.

Ролики Boston Dynamics всегда хорошо показывают все новые и новые применения своих роботов. В этом, кроме прочего, Spot гуляет по Чернобылю и измеряет радиацию.

Сама компания в следующем году отметит 30-летие. И в мире механики и физики столько и нужно для больших изменений. И, несмотря на критику и сомнения многих, их роботы постепенно войдут в массовое использование. Китайцы уже копируют (а российские компании там покупают, лепят свой логотип и показывают на экономическом форуме). Добавят на имеющуюся платформу последних достижений в сенсорах и машинном обучении, и покатится все вверх по экспоненте.

youtu.be/6VUQHrWhoqg

On June 21st 2021, ActInfLab had its first Applied Active Inference symposium. We had three sessions with Professor Karl Friston. The three sessions were around the topic of Active Inference as applied to the domains of Education, Communication, and Tools.

The recordings of all three sessions are available at this playlist: https://www.youtube.com/playlist?list=PLNm0u2n1IwdptxalPH0CVAC9eey39CEJZ

Check out http://activeinference.org/ for more information on ActInfLab, and how you can participate in future activities! Let us know if you have any thoughts or questions ~

​​Прорыв в ИИ может произойти уже до конца этого года.
Начинается всемирный поиск новых ИИ-моделей, в котором вы можете участвовать.
Речь идет об объявленном AIcrowd Facebook AI крауд-конкурсе проектирования и обучения альтернативных ИИ-агентов, работающих иначе, чем современный мейнстрим машинного обучения с подкреплением.

Недавно DeepMind объявил, что обучение с подкреплением — метод, когда ИИ-агент ничего не знает об окружающей среде, но может самообучаться, взаимодействуя с ней, - может позволить прорыв к ИИ человеческого уровня (AGI). Этот метод, действительно, весьма перспективен. Но он требует значительного объема вычислений и мощного компьютерного оборудования. А это, к сожалению, не очень подходит за пределами демонстрационных игр, когда цель – не удивить общественность, а решение практических задач в реальном мире.

Facebook решил попробовать обойти эту проблему, организовав всемирный поиск новых ИИ-моделей, позволяющих ИИ-агентам ориентироваться в сложных средах при низких вычислительных затратах.

В качестве супер-теста была выбрана NetHack — старая, но до сих пор одна из самых сложных игр. В ней игроки должны спуститься на 50+ уровней подземелья, чтобы найти магический амулет. Шансов выиграть в эту игру мало даже у ИИ-агентов, разгромивших людей в StarCraft II, Dota 2 и Minecraft. Ведь в этой игре игроки просто мрут, как мухи. А после каждой смерти подземелье полностью перестраивается, тем самым сводя почти что к нулю набранный опыт.

Единственный способ выиграть в таких адских условиях — каким-то образом суметь совместить нестандартное мышление, исследовательские навыки и удачу. Такой ИИ-агент должен уметь совмещать оптимальное применение уже имеющихся знаний со способностью исследовать совершенно неизученные области (т.е. сочетать exploitation & exploration).

Идея исследователей из Facebook проста. Авторитеты машинного обучения так пока и не преуспели в создании ИИ-агентов, способных учиться с малыми вычислительными затратами. Поэтому вместо того, чтобы самим пытаться поймать «золотую рыбку» прорывной ИИ-модели, Facebook решил провести открытый конкурс, пригласив участвовать всех желающих и предоставив каждому участнику высокотехнологическую «удочку». Ею будет специально разработанная учебная среда с открытым кодом - NetHack Learning Environment (NLE). Это масштабируемая, процедурно генерируемая, стохастическая, весьма сложная среда для исследования обучения с подкреплением в ходе игры ИИ-агента в NetHack.

Работая в среде NLE, участники смогут тратить больше времени на тестирование новых перспективных идей, а не на ожидание результатов длительных вычислений. Перед ними поставлена задача спроектировать и обучить своего агента каким угодно существующим или изобретенным способом - с машинным обучением или без него, с использованием любой внешней информации, любого метода обучения с любым вычислительным бюджетом.

Единственное требование – создать ИИ-агента, который может быть оценен жюри конкурса. О его результатах будут судить по тому, как часто этот агент выживает и поднимается из подземелья с Амулетом.

Среди альтернативных концепций создания моделей ИИ-агентов – имхо, самой перспективной является модель процесса активного вывода (active inference). Суть такого процесса в:
• статистической генерации предсказаний (бессознательных выводов об окружающем мире и самом себе на основе внутренней модели);
• проверке этих выводов на основе сенсорных данных;
• и постоянной минимизации ошибок предсказания.

Активный вывод и прогностическое кодирование, объединенные фундаментальным принципом свободной энергии Карла Фристона я называю «конституция биоматематики». Это, по сути, - высший закон, определяющий основной принцип жизни и разума (подробней см. мой пост).

А теперь о самом важном и интересном.
Дочитать (еще всего на 1 мин):
- на Medium https://bit.ly/3j9Qaf8
- на ЯДзен https://clck.ru/VgSju
#ИИ #МашинноеОбучение #ПринципСвободнойЭнергии #Фристон #АктивныйВывод

Когда в 2018 году Microsoft купил Github за $7.5 BUSD было сильное бурление, что якобы коварный капиталист собирается придушить проект или как-то еще испортить жизнь open-source сообществу, которое понятное дело всегда в белых одеждах.

Хотя в принципе было ясно, что Сатья Наделла, к тому моменту уже увеличивший капитализацию компании за время своей работы CEO примерно в 3 раза, останавливаться на этом не планирует. А для дальнейшего роста банальные ходы, приходящие в конспирологические умы, не подходят.

И вероятно, когда в следующем 2019 году Microsoft инвестировал $1 BUSD в OpenIA, у которых к тому моменту уже была GPT-2, некоторым стало понятно куда дуют такие финансовые ветра. Для принимающих и следующих экспоненциальным законам развития технологий это была задача уровня 2х2.

И вот вчера ребята выкатили новый продукт для разработчиков Сopilot и говорят, что это "Your AI pair programmer". Модель, обученная на всем массиве кода Github, умеет дописывать за вас код на всех языках программирования, исходя из осмысленного названия функций или даже из описания задачи в комментариях.

Выглядит уже очень впечатляюще, но нужно снова представлять, чем это станет в будущем и когда оно отправит огромное количество разработчиков низкой квалификации на заслуженный отдых.

https://copilot.github.com/

Сегодня вечером пройдет вебинар, который будет интересен разработчикам, которые уже выросли или планируют встать на роль тимлида (и выше), или просто на них "повесили" выполнение менеджерских обязанностей в команде.

Системный подход очень поможет разобраться, что нужно знать и уметь, чтобы эта деятельность была эффективна. Да и просто даст понимание, нужно вам это или стоит оставаться в зоне комфорта своего IDE.

Регистрация по ссылке bit.ly/2TDYHwN

Будущее совсем рядом. Посмотрите на то, как при помощи роботов и VR можно оказаться в любом месте на планете.

​​QR-коды: то вводим, то выводим. Краткая история одного знака в промышленном производстве

Впервые QR-код внедрили на заводах японской Denso: машиностроительная компания специализировалась на производстве автомобильных комлектующих и запчастей, но не могла достигнуть унификации и стандартизации качества на каждом из 10 заводов. Разработчик Масахиро Хара начал прорабатывать идею нового кода на маркировке деталей с 1992 года: обычный и всем знакомый штрих-код - это линейный код, который может вместить в себя от 20-ти до 30-ти символов, чего было недостаточно для целей компании. Вдохновением для создания QR-кода послужила игра го, в которую Масахиро Хара играл во время обеденного перерыва. Хара решил, что цель разработки состоит не только в увеличении объема кодовой информации, но и в «точном и быстром чтении», а также в том, чтобы сделать код читаемым и устойчивым к масляным пятнам, грязи и повреждениям, предполагая, что он будет использоваться на соответствующих производствах. Предполагалось, чтотакой код получится прочитать, даже если 30% его области загрязнены или повреждены.

Камни на поле игры Го выстроены в определенном порядке - и этот порядок удобен для чтения (когнитивист назвал бы такое термином “чанки”, вслед за Гербертом Саймоном, который также анализировал игру в шахматы)

Так QR-код был впервые представлен японской компанией Denso-Wave, в 1994 году после двухлетнего периода разработки. На картинке сам Масахиро Хара

Современные представления о работе мышления к текущему моменту обрели определенный консенсус, который упрощенно формулирует, что мозг это машина предсказаний. И вся его работа это контроль генерируемых галлюцинаций.

Согласно более ранним взглядам считалось, что мы получаем сигналы на сенсорный аппарат, которые преобразуются и отправляются в голову, где мозг уже формирует наши представления об окружающей реальности в соответствии с полученными данными и нашими собственными предустановкам.

В концепции predictive processing все перевернуто. Сначала мозг формирует предсказание того, что он ожидает на следующем шаге, отправляет их по цепочке вниз и на сенсорном уровне по полученным данным только определяются ошибки предсказания.

На бытовом уровне примером может быть ощущение, что у вас кармане вибрирует телефон, хотя он молчит или его вообще там нет. Просто вы ждете какой-то звонок и предсказываете его поступление.

Такая модель оказывает существенное влияние на многие дисциплины вокруг мышления, сознания и интеллекта, в том числе искусственного. К сожалению, пока еще не в полной мере.

По ссылке ниже интервью с Andy Clark, одним из самых веселых и модных когнитивных философов, с которого можно начать увлекательное путешествие на фронтир нейронауки.

https://www.edge.org/conversation/andy_clark-perception-as-controlled-hallucination

По совпадению, в день когда вышел предыдущий пост была опубликована новая работа, обобщающая последние наработки в predictive coding и его связи с подходами машинного обучения. И если то, что рассказал Andy Clark вас заинтересовало, то попробуйте разгрызть статью Beren Millidge, Anil Seth, Christopher L Buckley "Predictive Coding: a Theoretical and Experimental Review":

Predictive coding offers a potentially unifying account of cortical function -- postulating that the core function of the brain is to minimize prediction errors with respect to a generative model of the world. The theory is closely related to the Bayesian brain framework and, over the last two decades, has gained substantial influence in the fields of theoretical and cognitive neuroscience. A large body of research has arisen based on both empirically testing improved and extended theoretical and mathematical models of predictive coding, as well as in evaluating their potential biological plausibility for implementation in the brain and the concrete neurophysiological and psychological predictions made by the theory. Despite this enduring popularity, however, no comprehensive review of predictive coding theory, and especially of recent developments in this field, exists. Here, we provide a comprehensive review both of the core mathematical structure and logic of predictive coding, thus complementing recent tutorials in the literature. We also review a wide range of classic and recent work within the framework, ranging from the neurobiologically realistic microcircuits that could implement predictive coding, to the close relationship between predictive coding and the widely-used backpropagation of error algorithm, as well as surveying the close relationships between predictive coding and modern machine learning techniques.

https://arxiv.org/abs/2107.12979