Berry III En Applikation av Artificiellt Liv
Berry III En Applikation av Artificiellt Liv 1. Vad är Artificiellt Liv När jag först bestämde mig för att skriva om artificiellt liv, var jag mest intresserad av att se hur långt man hade kommit med att emulera högre organismer, så som människor och intelligentare djur. Dock när jag hade letat lite på Internet insåg jag snart att den sortens forskning inte är så intressant. Jag kom till denna slutledning efter att ha läst några artiklar, där man klart såg att forskningen inte hade kommit i närhet av att blir så avancerad. Man kan säga att forskning som bedrivs pågår ju med många infallsvinklar, dock hade jag tänkt välja en applikation av artificiellt liv som vinkling på detta högst intressanta arbetsområde. Som titeln beskriver så har jag valt en applikation som heter Berry III, som Christian Balkenius har varit den främsta forskaren och projektledare för. Alla artiklar kring Berry III som jag använder är också skrivna av honom. Hur långt kan vi sträcka oss i vår definition av artificiellt liv? I min uppsats kommer jag konkret att ta upp vad artificiellt liv är i Berry III. Sen kommer jag att resonera kring vad som är intressant i framtiden för denna sortens forskning. Artificiellt liv är för mig en representation av organiska organismer som kan föddas och leva, alltså att den bara har en bestämd tid i den här världen, dom skall kunna växa, förbruka energi, reproducera sig och ha någon form av, oavsett hur stor eller utvecklad, hjärna eller kluster med celler som kan sägas vara en hjärna. Det är många livsformer som faller under just denna definition, allt ifrån kanske mikroskopiska djur till människor. Men för att vi skall vara relevant till Berry III så har vi djur med väldigt enkla hjärnor, kanske allt från bara några få neuroner till större nätverk med sådana. 1.1 Varför vill vi emulera liv? Frågan är ju naturligtvis relevant på många sätt, men först och främst för att undersöka primitivt liv. Det är väldigt svårt att testa mikroskopiska djur i verklighet eftersom att testmiljöerna för dem skull bli väldigt svårt att realisera. Det finns också väldigt många teorier kring hur inlärning sker för en sådan organism, så för att vidare kunna göra slutledningar har
vi då ett sätt att testa detta. Dessa teorier tas upp senare i uppsatsen (avsnitt 2). Ett område som jag personligen tycker är väldigt intressant är att vidare utforska rymden, och en del av det är absolut att lära oss att känna igen liv, hur primitivt det än må vara. När vi i framtiden skall utforska nya planeter och kanske också andra solsystem, måste vi kalkylerbara metoder som vi kan applicera på dessa nya omgivningar. Närmast i framtiden är att åka till Mars och vem vet om det kanske redan finns mikroskopiskt liv där redan. Det är högst spekulativt men det är en aspekt vi måste ta in i beräkningarna. Ett annat stort område som denna form av forskning kan vara till stor hjälp är i den medicinska världen. Där jobbar man väldigt mycket på mikroskopisk nivå, alltså kan man applicera nya vaccin på ett artificiellt plan först för att sedan gå vidare på naturliga organismer. Detta tror jag att nu när man har bra metoder för att undersöka DNA-strukturer också användning för på artificiella miljöer. 1.2 Vilka beståndsdelar utgörs Artificiellt Liv av En artificiell livsform kan göras på många olika sätt, med många olika representationer av ett djur. Men vad kan sägas mer generellt som ett artificiellt liv? En sådan organism behöver absolut inte vara en representation av ett specifikt djur som redan finns, inte heller behöver vi definiera hur stort det är. Detta är på grund av att det intressant är dess hjärna och uppförande i en datortillverkad omgivning. Så man kan sluta sig till att det intressanta är dess hjärna, då är det en beståndsdel, och en rätt viktig sådan också. Vi behöver en kropp, för vi måste kunna urskilja vad som är organism för att kunna dra paralleller mot vår naturliga omgivning. Kroppen måste ha någon form av transportmedel, kanske hjul som drivs kemiskt av djurets egna matsmältning. Då vet vi att vi behöver något form av system som omvandlar mat till energi. Vi måste ge djuret någon form av perception, eftersom världen inte är helt säker, måste vi på något sätt ge djuret en chans att överleva. Så någon form av antenner som känner av arean direkt framför den som kan avgöra om det är fara eller säkert framför. Eftersom det är artificiellt liv vi vill studera så måste vi också ha en omgivning för djuret att röra sig i och interagera med. Jag kommer att ge specifika definitioner av djur och omgivning senare i uppsatsen när jag går in mer specifikt i Berry III-simulatorn.
1.3 Följer Artificiellt Liv Naturligt Liv Detta kanske är den mest relevanta frågeställningen för att forska kring artificiellt liv eftersom att det står och faller med om man kan göra kopplingar mellan dator och verklighet. Dock är det till stor del det som forskning skall kunna hjälpa oss med, att just visa att det går att göra dessa kopplingar. Eftersom att dessa artificiella djur skall efterlikna med olika representationer av dess uppbyggnad verkliga djur blir det väldigt viktigt att se vilka som passar in och vilka som inte gör det. Så på ett vis så rättfärdigar forskningen sig själv. Sedan kanske det är mer troligt att göra djur som emulerar processer i verklighet, eftersom att primitiva livsformer tenderar att uppvisa ett slumpmässigt beteende. Dock med vissa strukturer som tas vidare upp under inlärningsstycket i denna uppsats, så skall vi titta vidare på processer, snarare än fulla representationer av verkliga organismer. 2. Teorier kring responser och lärande hos djur Under detta avsnitt hade jag tänkt ta upp modeller som försöker att förklara hur djur handlar och huruvida kan lära sig från detta. Detta avsnitten täcker inte hela det forskningsområdet utan det fungerar som modeller för djuren i testen som Christan Balkenius gör i Berry IIIsimulatorn. Alltså, de modeller som jag tas upp kan köras i simulatorn och senare när jag berättar i avsnitt 3 om hur djuret är uppbyggt kan dessa modeller appliceras direkt på djuret. För att underlätt kan vi säga att de är olika raser i hans värld. Dock har jag inte fått fram några statiska data kring hur bra det fungerade för djuren i hans försök, vilket är lite beklagligt. Dock kommer det visa sig att några av dem är mer troliga att fungera verkligheten än andra. Alla modeller som tas upp är direkt hämtad från Christian Balkenius rapport Biological Learning and Artificial Intelligence. 2.1 Vilka är dessa modeller Fram till avsnitt 2.1.6 nedan kommer jag att lista modeller som är relativt primitiva och som tros kontrollera de mest enkla funktioner som ett djur har. Det som följer efter det är modeller som tillåter inferens och ett mer strukturerat synsätt på inlärning.
2.1.1 Stimulus - Response Associations Den här modellen kan sagas vara den enklaste av alla modeller, den bygger på en värld där varje plats i en omgivning ger upphov till en viss stimuli, och varje stimuli ger upphov till en viss respons. Eftersom att djuret inte söker sig till ett visst stimuli utan istället handlar från stimuli kan modellen sägas vara divergent. S i Figur 1a Ri Ri Ri Förklaring Figur 1a: Resultatet av en respons R beror på vilken situation djuret befinner sig i. I detta system är det ganska lätt att föra in probabilistiska resonemang, där man kan inferera att P(R i S i ), vilket hjälper när man vill göra matematiska resonemang kring den här modellen. Den här modellen kring inlärning har idag fallit bort något därför att den inte riktigt stämmer överens med den forskning om bedrivs idag. 2.1.2 Stimulus Approach Associations I detta fallet kan man summera essensen av modellen i fråga: Hur uppnås ett visst stimuli? Alltså för att djuret skall ta sig till målet i hypotetisk labyrint, har den lärt sig att söka sig mot de stimuli som tar den till målet (stimulus-approach). För att djuret skall ta sig mot målet, måste den först definiera ett sätt att söka sig mot målet (approach), en sån här sökning kan innehålla flera responser. Alltså mellan varje stimulus i labyrinten kan det vara många handlingar som för djuret dit den skall. Alltså blir inte djuret beroende av den initiala positionen i labyrinten utan kan med en viss approach klara av att uppnå ett visst stimuli och till slut ta sig till målet. Ett sånt här beteende kan säga vara konvergent, alltså djuret söker sig mot ett visst stimuli. S 0 A 0 A 1 A 2 Förklaring figur 1b: Ett stimuli S kan angripas från flera håll.
2.1.3 Place Approach Associations Den här modellen arbetar på liknande sätt som Stimulus-Approach, dock arbetar den med att söker sig mot platser i stället. Den gör detta genom att kartlägga världen, denna process gör modellen direkt mer komplicerat. Detta kan göras mer förståligt genom att vissa grafiskt. S 1 S 0 P 0 A 1 A 2 Förklaring Figur 1c: En plats P defineras av dess spatiala relation till de olika stimuli, och kan tas an på olika sätt. S 2 2.1.4 Response Chains Ett bra sätt att beskriva denna modell är att jämföra med när man spelar på ett piano. Där kan man säga att ett visst stimuli ger upphov till inte bara en respons utan en sekvens utav responser som skall utföras seriellt. Till grunden är den här modellen väldigt lik stimulus - response -modellen, där bara ett visst stimuli triggar en sekvens av responser, och om djuret inte befinner sig i det stimulitillståndet utan det initiala stimuli är något annat. Som t.ex. att det kan vara svårt att börja mitt i ett pianostycke, utan man måste börja från början om man vill klara att spela det. Modellen bygger också på att alla responser måste följa direkt och ingen avvikelse tillåts, då hamnar man fel och får börja om. Detta blir svårt för ett primitivt djur om låt säga starttillståndet inte går att uppnå igen. S 0 R 0 R 1 R 2 Förklaring Figur 1d: Ett stimuli som triggar en följd av responser.
2.1.5 Stimulus Approach Chains Den här modellen fungerar på liknade sätt som ovan, men istället för respons kedjor så är stimuli -approach där djuret söker sig till ett visst stimuli, genom att följa en sekvens av stimuli som kan angripas på olika sätt. Här skapas ett stabilt beteende på så sätt att djuret inte är beroende av den initiala situationen, utan söker sig bara till ett måltillstånd från där djuret befinner sig. Dock måste djuret för att i grafen nedan nå stimuli S 3 först gå genom S 1 och sedan S 2. A 1 A 2 A 3 Förklaring Figur 1e: En Stimulus-Approach Kedja, där S 1 S 2 S 3 en sekvens av stimuli följer seriellt efter varandra. 2.1.6 Place Approach Chains Place-approach fungerar liknande de andra kedjemodellerna, men här närmar s ig djuret platser istället för stimuli. Alla platser P har någon geografisk relation till världen alltså kartlagda med hjälp av t.ex. stimulus i världen. Liknande de andra kedjemodellerna måste varje plats närmas seriellt och först P 1 och P 2 sedan P 3. Detta kan göras på olika sätt, alltså med olika approacher. A 1 S0 S 2 A 3 P 1 P 2 P 3 A 2 S 1 Förklaring Figur 1f: Ett djur kan ta sig fram genom att följa en sekvens av platser P genom att identifiera deras relationer till stimuli i närheten. 2.1.7 S-R-S Associations Denna modell bygger på att djuret befinner sig i situationen S och svarar med respons R så kommer det att hamna i situation S. Alltså djuret kan bygga upp ett antal sådana
associationer som den sedan kan använda när den navigerar i världen. För att exemplifiera modellen så kan vi anta att djuret har två associationer där S 2 är måltillståndet, S 0 >R 0 >S 1 och S 1 >R 1 >S 2. Alltså om djuret befinner sig initialt i S 0 då kommer den svara med R 0 och hamna i situation S 1, därifrån kan djuret sedan med R1 ta sig till S 2. Detta är grunden till modellen, men skulle en initial situationen vara S 1 skulle djuret inte få något problem eftersom att alla associationer handlar separat från varandra och djuret skulle klara av att ta sig till målet. Vilket uppenbart är ett mycket starkt tecken på stabilt beteende. Här hade kanske en stimulus -response modell misslyckats att ta sig till målet. Här är den första modell där man kan säga att djuret lär sig, därför att uppnå alla associationer måste djuret lära sig dem genom att upptäcka världen. Strukturen av den här modellen med associationer fungerar även om djuret skall gå tillbaka, alltså den kan ta sig från S 1 till S 0 genom att utföra inversen av R 0. För första gången får en mer heltäckande modell av hur beteendet av ett djur kan fungera. 2.1.8 S-R-S* Associations Den bygger precis på samma teorier som S-R-S associationer, dock att S*- situationerna kan premieras på olika sätt. Alltså måste varje situation värderas, det kan vara det stimulus i en situation som skulle ge det bästa interna tillståndet i djuret. Alltså om vi står i situation S 0 så kan vi välja två handlingar R 0 och R 1 som för oss resp. till S 1 och S 2. Låt då säga att situation S 2 har det bästa stimulus och då premieras det. R 1 S 1 Förklaring Figur 1g: Låt säga att S 2 är den mest S 0 R 2 S 2 fördelaktiga situationen av dem två, så väljer djuret handling R 2. 2.1.9 S-S Associations Modellen S-S - association har faktiskt en hög verklighetsförankring, där den anses var en förklaring till det kända exemplet om Pavlov s hundar. Här är associationen mellan två stimuli, och istället för att prata om extern stimuli är det snarare intern sådan. Alltså, Pavlov s hundar saliverar när det ställs fram mat, när maten sätts fram ringer man i en klocka och sedan kan man ringa i klockan och hundarna saliverar utan att någon mat har satts fram. Dock är det
inte klockan som är anledningen till att de saliverar utan det sägs då vara S-S associationen som existerar, det förklaras så att ett stimulus tex maten ställs fram representeras för hunden att den saliveras, alltså att saliveringen representerar att den skall få äta, sedan är klockan ett stimulus som representerar att maten skall ställas fram, alltså blir klockan ett stimulus som är starkare än den visuella upplevelsen av att det egentligen inte finns någon mat. 3. Vilka delar utgör Berry III simulatorn Under sektion 3 kommer jag att ta upp vilka de viktiga delarna är av själva simulatorn, men också generellt hur den fungerar. 3.1 Kroppen Berrys kropp består av en perfekt cirkel som har en diameter på 6 LU (se avsnitt 3.2), den har antenner eller sensor som sticker ut från den kroppen båda med en vinkel av 45 grader, se figur 3.1. Berry har också ha ett öga som ser rakt fram, dock har dess funktion inte någon vital funktion för experimentet, men det kan användas för att mappa saker i världen. Djuret kan också förflytta sig och detta görs med två drivhjul, hjulen kan varieras i styrka och då svänger djuret. Alltså står det högra still men det vänstra rör på sig så svänger djuret till höger och resp. för en vänstersväng. Djuret har också en form av metabolism, där det representeras som en vektor av de olika sorter mat som finns i världen (m = <f(a), f(b), f(c), f(d)>). Det är alltså måttet på energinivån i djuret. Figur 3.1 45 grader Antenn el. sensor 3.1.1 Sensorerna Djuret är känsligt för många olika stimuli. Det kan vara en elektrisk chock som kan ges av ett speciellt objekt eller känsel av att gå in i en vägg. Den enda förvaringen som djuret får i
denna världen är vad den kan fånga upp med hjälp av sina antenner. Antennerna är också känsliga för 8 olika dofter, alla objekt utan väggar avger en speciell doft som har en viss cirkulär spridning kring ett objekt. Dessa två spröt kan lätt abstraheras till verkligheten i form av riktiga känselspröt. 3.2 Omgivningen Berrys omgivning består av en oändligt stor två-dimensionell värld, som dock med väggar begränsar den arean som djuret befinner sig i. Platserna i världen är bestämda enligt ett enkelt koordinatsystem med en x- och en y-axel där avstånd mäts i LU (length unit). En LU kan vara en godtycklig storlek, alltså den matchar inte mot verkliga avståndsmått 3.2.1 Väggarna Det finns två typer av väggar, sen helt solid vägg som inte släpper igenom något, sen finns det en annan väg som dock inte går att gå igenom, men som släpper igenom dofter. Detta med anledning av t.ex. att få djuret att kunna känna en doft av mat på andra sidan av vägen och sedan söka efter den, vilket är ett test av djurets förmågor. 3.2.2 Mat I denna världen finns det fyra olika sorter mat och alla har olika energivärden, alltså djuret kan få olika nivåer av energi av dem. Varje sort av mat har en säregen doft som då kan få djuret att känna igen den speciella maten. Detta kan användas för att få djuret att leta efter ett speciellt stimuli världen, men också för att kunna mappa platser i världen på så sätt som beskrivs i avsnittet om djurs beteende och inlärning. 3.2.3 Avskräckande objekt I Berrys världs finns det olika avskräckande objekt så som ett objekt som ger el-chockar, det har samma konfiguration som matobjekt, det ger av en viss lukt som är speciell för den. Alltså kan det också användas för att lära djuret att känna igen en sådan otrevlig upplevelse som en el-chock kan vara. El-chocken kan t.ex. skada djuret genom att sänka dess energinivå, vilket kan leda till döden om nivå redan är låg.
Sedan finns det också andra djur i simulatorn i form av rovdjur. Det finns två sorter, ett djur är luftburet medan det andra rör sig på marken. Det luftburna rör sig i räta linjer över simulatorn och kan få tag i Berry, det markbundna ser precis ut som Berry. Som sagt tidigare har varje djur en speciell doft som gör att Berry kan känna igen det om han har träffat på det tidigare, och därmed undvika rovdjuret och överleva. 3.3 Hjärnan Här är den kanske den mest intressanta delen av Berry III simulatorn, dess hjärna. Modellen bygger på ett neuralt nätverk, som är gjort för att bygga på en representation av en verklig hjärna. Varje neuron i dess hjärna kan vara av tre sorter en intern, motor eller sensor neuron. Alla neuron ser ut på samma sätt, de representeras av perceptron modellen i figur 3.3.1a. 3.3.1 Perceptronen I figuren kan vi hur varje neuron i nätverket ser ut, dess viktiga beståndsdelar är en summeringsfunktion, omvandlingsfunktion, tidsfördröjning och feedbacksignal. Figur 3.3.1a I N P U T Σ/Π ƒ t Omvandlingsfunktion Tidsfördröjning Summeringsfunktion g Utsignal Feedbacksignal Summeringsfunktionen summerar alla input över vikterna, det finns olika metoder att summera dessa värden. Här kan också neuronen få in brus och en feedbacksignal. Efter summering skickas signalen vidare till omvandlingsfunktionen där neuronen applicerar någon form av funktion, det kan vara en enkel stegfunktion som omvandlar värdet till en 1 eller 0.
Sedan får Tidsfördröjnings-enheten in signalen och den gör så att utsignalen fördröjs, så att man kan fasa ihop signalen med resten av nätverket för att få andra signaler att samverka och jobba samtidigt i nätet. Det fina med denna modell är den stödjer inlärning, och det är där feedbacksignalen kommer in. Om en perceptron ger ett felaktigt värde kan man med hjälp av feedback träna vikterna på neuronen. Sedan att få ett närverk som kan lära sig själv, vilket är en vital del av modellen för simulatorn att djuret skall kunna lära sig att inte gå in i objekt som kan vara farligt för djuret. Om djuret dör kan man koda in att nästa generation, som uppstår, tar med sig den vetskapen eller dem vikterna på perceptronerna som den förra fick viga sitt liv åt att lära sig. 3.3.2 Neuronerna Det finns som sagt tre sorter av neuroner, alla med olika funktioner, den interna som tar hand om signal som påverkar dess interna status som energinivå eller liknande. Sen finns det en motornod som ger sin outputsignal till hjulen, alltså kontrollerar rörelse. Till sist har vi sensornoden som tar hand om alla externa percept och skickar vidare signal till den interna eller motornoderna. Det är alltså den sensornoden som sköter tolkning av världen och ser till att de andra noderna gör så att djuren kan kontroller djurets beteende. Vidare finns det sex olika länkar mellan dessa noder, beroende på att vikterna på neuronerna kan vara positiva eller negativa, får vi tre olika länkar till varje typ av vikt. De positiva länkarna kan vara av typerna Excitation, Learning och Facilitation. Excitation är en länk till en positiv vikt där ett input försöker att uppmana ett visst respons i nätet. Learning är då en signal som ger upphov till att få nätet till att lära sig. Facilitation är då istället för att påverka en nod direkt att influera signalen till noden som kommer direkt efter den (figur 3.2a). f(x) F x y w Signal F som är en Facilitated Signal går in i x Alltså en Falcilitated Signal betecknas F, skickas inte bara över nod x, utan efter att en outputsignal har kommit från x så sparad signal F för att påverka även nod y. Alltså
kommer man istället få att när signal når nod y att insignalen blir produkten av Ff(x)w där w är vikten på nod y. Detta betyder att signalen blir större än i en vanlig länk. Funktionaliteten av denna sortens länk är t.ex. i en situation där Berry har mat och ett rovdjur precis i närheten, så skall inte signalerna att gå mot maten och att akta sig för rovdjuret vara lika starka. Utan då kan man istället använda sig av Facilitation när sensorn reagera på en doft av ett rovdjur att den signalen blir starkare än signal från sensorn som säger att det är mat i närheten. Vilket i verklighet är en viktig del av djurs överlevnad, att då faran hotar så bryr man sig mer om överlevnad än hunger. Vidare skrev jag att det fanns tre andra signaler som var knutna till negativa vikter och de fungerar på liknade sätt som de tre positiva länkarna. Vi kan jämföra Inhibition vid Excitation, där en signal istället för att pådriva en signal genom nätet försöker att inhibera den och hindra dess implikationer. Learning signalens motsvarighet är Plastic, som finns till för att hindra inlärning där en handling utförts som har lätt till ett ickegynnsamt resultat. Och i motsats i Facilitation att späda på en signal vill man kunna i med en Suppression länk minska en signals betydelse mer betydligt än en vanlig Inhi bition länk. 3.4 Evolution För att kunna köra projektion på framtida generationer vill man också att system har möjligheter att kunna hantera evolution. Det kan naturligtvis göras på flera sätt, men Christian Balkenius har i sin simulator använt sig av John R. Kozas modeller för evolution ( Genetic Programming: Darwinian Invention and Problem Solving, John R. Koza et al). Där finns det tre olika vägar som evolution kan möjliggöras, de är Darwinian Reproduction, Crossover and Mutation. Reproductio n betyder att man tar en kopia av föregående generation och initialiserar den i nästa generation. Nästa form av evolution är Crossover, det är då två stycken djur parar sig och deras arvsmassa ger en eller två nya varelser, vilka delar av föräldrarna som skall komma med är helt slumpmässigt. För en enkel schematisk bild se figur 3.4a.
Hösten 2002 Figur 3.4a Kogvet 2 Förälder 1 Förälder 2 Avkomma 1 Avkomma 2 De delar som i grafen ovan är inrutad och sedan pekar på Avkomma 1 är de delar från föräldrarna som ger upphov till den nya avkomman, resterande delar kastas eller ger upphov till ännu en avkomma. Till sist har vi Mutation, vilket då betyder att man tar bort en del av den genetiska massan ur nätverket och sedan ersätter den delen med en slumpviss renderad ny genetisk massa. Själva användandet av dessa evolutionära steg är hårt kontrollerad och kräver ganska sofistikerade algoritmer som kan utföra dessa specifika ingrepp. Dessa algoritmer kallas generellt för genetiska algoritmer, men då är vi inne på ett annat forskningsområde och detta går Balkenius inte in på i hans rapporter om Berry III, därför kommer jag inte heller göra så i denna rapport. 3.4.1 Vilka djur utvecklas Berry III simulatorn fungerar så att den har hänsyn till ett flertal saker, bl.a. tittar den på hur långt djuret har utvecklat tidigare. Om det finns två djur som en gång hade samma genetiska material och sedan en av dem sedan utvecklats i en simulering och en ny bedömning görs på de två djuren är det troligare att den som utvecklats längst får möjligheten att utvecklas igen. En annan bedömning som också är viktig är det generella tillståndet som djuret har. Det kan sägas vara fitness-nivån, alltså ett mått hur bra det står till med djuret. Det kan värdet av den tidigare nämnda metabolismvektorn (3.1), eller hur bra den har utforskat världen utan att ha stöt på avskräckande objekt. Det finns många olika sätt att avgöra det på. Dessa två olika bedömningar som jag har nämnt nu så är dem de två som är essentiella för en sådan här simulering. För ser man till det första bedömningssättet så kan det efterlikna ett fenomen i natur som vi människor kan relatera till, nämligen att den smartaste överlever. Skall man dra en liknade parallell för det andra bedömningssättet så kan man säga att den med bäst resurser
överlever, och ännu mer förenklat utan mat dör man. Efter att man har utsett det djur som skall få utvecklas tar man och applicerar en av de genetiska operationer som jag beskrev ovan. 3.5 Mina egna erfarenheter av Berry-simulatorn För att sammanfatta mina erfarenheter med Berry III simulatorn har jag ett ord som rätt bra beskriver mina känslor för den: komplicerat. Att försöka bygga en egen värld och sedan definiera alla djurets komponenter var väldigt svårt, att bygga dess neurala nät såg kanske först ut som att vara ganska enkelt, eftersom att det inte krävs stort antal neuron. Det svåra var snarare att konfigurera alla länkar som jag beskrev ovan och med olika typer av neuroner som finns. Jag kan säga att jag inte lyckades skapa ett funktionellt djur. Men som tur var så kom programmet med testexempel som bara var att köra. Då kunde man testa ett stort antal djur, bl.a. de djur som bygger på de modeller om inlärning som jag skrev om i avsnitt 2. Det var väldigt intressant och se t.ex. S-R-S djuret visa på ett beteende som man kan jämföra med verkliga djur. Själva simulatorn kräver ganska stor insikt i neurala nät för att man verkligen skall kunna göra sina egna tester och exempel. Jag rekommendera dock för den som tycker det verkar intressant att ladda ner och testa simulatorn (länk finns i källhänvisningarna). 4. Diskussion Det jag kan säg om Berry III är att jag, även om jag inte riktigt förstår hur simulatorn skall opererar, kan säga att det fungerar. Jag anser att det är verkligt, att man verkligen fångat biologiskt liv och sedan modellerat artificiellt liv efter det. Att Berry III inte innehåller en direkt avbildat djur från verkligheten, tycker jag inte gör så mycket i och med att man snarare har valt egenskaper och delar av djur som för dem samma. Detta har man nog gjort för att kunna göra en generell representation av liv. Man kan också säga att man tar bort specifika jämförelser med en speciell art av djurliv. Kan vi använda det här? Jo, det måste jag säga att vi kan, dock måste modellen byggas ut och kanske till och med göras mer komplex än var den är för att kunna klara av mer avancerade livsformer. Som jag sade i början av denna rapport så kan man väl använda den modellen inom både medicin- och rymdforskning. Berry ger oss svar om inlärningsmetoder och visar på flera sätt att inlärning är ett komplex område, och att inlärning består av många processer snarare än en specifik. Det här programmet är nästan tio år gammalt så betydande framsteg kan ha gjorts sen dess som
kan göra Berry III mer komplex och mer användbar. Vilket jag tycker gör till ett väldigt intressant forskningsområde där man försöker att emulera primitivt liv. Är det AI? Jag blev väldigt imponerad att se att modellen med ett djur med ett enkelt neuralt nätverk kunde uppvisa intelligens. Visst är det kanske inte den intelligens vi tänker på som människor, men en väldigt primitiv intelligens. Den här frågan är kanske det mest relevanta för min rapport, och som jag ser på den här frågan är det på det här sättet, som i Berry III, vi skall börja och bygga ifrån när vi senare försöker göra mer avancerad artificiell intelligens. Vi har många modeller för djurs beteende och inlärning, och vi behöver inte exkludera några sådana modeller utan system som Berry ger oss en möjlighet att få testa dem, enskilt och tillsammans. Till slut måste jag säga att jag tror väldigt mycket på det här området inom AIforskningen, därför att även om Berry har tio år på nacken är det fortfarande fräscht och modernt. Många olika vetenskaper måste gå ihop för att kunna skapa en sådan simulator, neurologi, programmering, psykologi mm. Vem vet det här är kanske här vi börjar processen att sammanföra artificiell intelligens med den mänskliga intelligensen.
Källhänsvisningar: Artiklar hämtade från Christian Balkenius egna hemsida: http://www.lucs.lu.se/people/christian.balkenius/ Balkenius, C., 1993b, Natural Intelligence for autonomous agents Balkenius, C., 1994a, All you never wanted to know about the BERRY III environment Balkenius, C., 1994, Biological Le arning and Artificial Intelligence Balkenius, C., 1994, Some Properties of Neural Representations Balkenius, C., 1994, BERRY III: An Interactive Simulator of Artificial Creatures Balkenius, C., 1995, Natural Intelligence in Artificial Creatures (Ph D Thesis). Hemsida för Berry III simulatorns programvara http://www.lucs.lu.se/people/christian.balkenius/berry/ Referenser: Koza, J., 1999, Genetic Programming III : Darwinian Invention and Problem Solving, USA, Morgan Kaufmann Publishers, Inc.