Inovatīvām idejām, kas iesniegtas šī uzdevuma ietvaros, ir jāizpēta jaunas pieejas, tostarp esošo metožu kombinācijas (t.i., neiro-simboliskais AI), vai jārada pilnīgi jauni ietvari, kas pārsniedz pašreizējās, tradicionālās dziļās mācīšanās un pastiprinātas mācīšanās paradigmas. Tās varētu būt iedvesmotas no attīstības dažādās jomās, piemēram, neirozinātnes, bioloģijas, fizikas, filozofijas un citām.

Priekšlikumiem būtu jāpievēršas vienai vai vairākām no šīm kognitīvajām spējām:

1. Dziļā argumentācija: Pāreja no statistiskās modeļu saskaņošanas uz cēloņsakarību secināšanas, loģiskās argumentācijas un kontekstu apzinošas vai veselā saprāta lēmumu pieņemšanas atbalstīšanu sarežģītās, nestrukturētās vidēs. Tas prasa pāreju no tīri uz datiem balstītām korelācijām uz AI sistēmām, kas spēj saprast, kāpēc modeļi rodas, identificēt pamatcēloņus un izdarīt pamatotus secinājumus, izmantojot gan deduktīvus, gan induktīvus procesus. Īpaši tiek veicinātas neiro-simboliskās pieejas, kas apvieno neironu tīklu mācīšanās jaudu ar simboliskās argumentācijas strukturēto secināšanu, lai uzlabotu šīs spējas. Kontekstuālo un veselā saprāta zināšanu integrēšana ļauj AI interpretēt informāciju holistiskāk, dinamiski pielāgot lēmumus un rīkoties ar neskaidrību un neprognozējamību. Dziļās argumentācijas sistēmām jāspēj saskaņot vairākus informācijas avotus, sniegt pārredzamus un izskaidrojamus pamatojumus saviem rezultātiem, kā arī saskaņoties ar cilvēku vērtībām un cerībām, nodrošinot uzticamas un atbildīgas darbības prasīgos reālās pasaules scenārijos.

1. Dziļā abstrakcija: AI sistēmu spējas vispārināt atziņas no ierobežotiem datiem, veidojot, manipulējot un pilnveidojot augsta līmeņa jēdzienus, analoģijas un reprezentācijas, kuras var pārnest uz dažādām lietojumu jomām. Tas ietver iekšējo pasaules modeļu izstrādi, lai atbalstītu abstrakciju, veicinātu veselā saprāta izpratni un integrētu semantisko un kontekstuālo apziņu. Īpaši tiek veicinātas pieejas, kas apvieno simbolisko argumentāciju, analoģisko kartēšanu un reprezentācijas mācīšanos, jo tās dod AI iespēju interpretēt nozīmi, nolūku un attiecības sarežģītās vidēs. Progress dziļajā abstrakcijā ir būtisks, lai sasniegtu kognitīvo elastību, stabilu pārneses mācīšanos un adaptīvu argumentāciju dinamiskos, datu trūcīgos vai strauji mainīgos apstākļos.

1. Dziļā plānošana: Robustu, adaptīvu un mērogojamu plānošanas algoritmu/modeļu izstrāde, kas spēj darboties atvērtas pasaules, aģentu vai neskaidrās reāllaika vidēs. Tas ietver progresīvu dziļās mācīšanās metožu, piemēram, dziļās pastiprinātās mācīšanās un plānošanas uzdevumiem pielāgotu arhitektūru, izmantošanu, lai dotu AI sistēmām iespēju autonomi izstrādāt, optimizēt un pielāgot sarežģītas stratēģijas dinamiskos apstākļos. Īpaši tiek veicinātas neiro-simboliskās pieejas, kas integrē neironu tīklus ar simbolisko argumentāciju, lai risinātu neskaidrības, sniegtu formālas garantijas un nodrošinātu izskaidrojamu, uzticamu lēmumu pieņemšanu. Uzsvars tiek likts uz ilgtermiņa, elastīgu plānošanu, kas ietver kognitīvo laika plānošanu un prognozējošo modelēšanu, ļaujot sistēmām paredzēt un pielāgoties dinamiskos kontekstos. Pieejām būtu jāizpēta hierarhiskā plānošana vairākos laika līmeņos, ārkārtas plānošana efektīvām rezerves stratēģijām un nepārtraukta pārplānošana, lai dinamiski atjauninātu plānus, videi mainoties. Šie sasniegumi būs pamats noturīgai, koordinētai un uzticamai AI plānošanai sarežģītos, neprognozējamos scenārijos.

Izveidotais portfelis ne tikai veicinās zinātnes sasniegumus, bet arī izveidos stabilu, savietojamu un uz lietojumu orientētu kopienu, nostiprinot Eiropu uzticamas kognitīvās AI jomā. Tam būtu arī jāliek pamati turpmākai Eiropas līderībai drošā, uz cilvēku orientētā kognitīvajā AI, atbalstot suverenitāti un konkurētspēju galvenajās nozarēs. Tas atbalstīs AI Act^[1] un Eiropas pieejas mākslīgajam intelektam^[2] mērķus.

Vērienīgi priekšlikumi, kas iesniegti šajā konkursā, nodrošinās:

• Modeļus un/vai arhitektūras, kas apstrādā multimodālus datus un zināšanas, nenoteiktību, un kurus var apmācīt un izvietot ar ierobežotiem skaitļošanas resursiem
• Pierādāmus uzticamības mehānismus, kas nodrošina izskaidrojamību, pārredzamību, godīgumu, riska novērtēšanu, drošību un atbilstību ētiskiem un tiesiskiem standartiem, tostarp pamattiesībām un EU AI Act, un
• Izstrādāto spēju demonstrēšanu, integrējot tās kognitīvajā AI sistēmā (sasniedzot TRL4), veicot sarežģītus reālās pasaules uzdevumus (piemēram, zinātniskus atklājumus, lēmumu atbalstu, problēmu risināšanu), kā arī simulācijas mērogā.

Turklāt priekšlikumi:

• Piedāvās jaunas metodes un rādītājus argumentācijas un uzticamības novērtēšanai un sertificēšanai AI jomā, kā arī skaitļošanas resursu izmantošanai
• Ievēros FAIR principus, nodrošinot, ka visi dati, modeļi un rezultāti ir atrodami, pieejami, savietojami un atkārtoti izmantojami, lai maksimāli palielinātu pārredzamību, reproducējamību un ietekmi, un
• Attīstīs sinerģiju ar tādām ES iniciatīvām kā TEFs (AI Testing and Experimentation Facilities)^[3], eBrains^[4], Resource for AI Science in Europe (RAISE)^[5], AI-on-demand Platform (AIoD)^[6] un Quantum Flagship^[7].

Portfeļa pieeja

DeepRAP Challenge ietvaros finansējamo projektu portfeļa sastāvs nodrošinās visaptverošu pārklājumu šādās kategorijās, lai nodrošinātu plašumu un veicinātu sinerģiju starp projektiem:

• 1. kategorija – Kognitīvo funkciju spējas: atlasītajam portfelim jāaptver argumentācija, abstrakcija un plānošana.
• 2. kategorija – Tehnoloģiskā pieeja: sagaidāms, ka atlasītie projekti izmantos dažādas tehnoloģiskās pieejas, tostarp, bet ne tikai, neiro-simbolisko AI, dziļo mācīšanos, pastiprināto mācīšanos un jaunas sistēmas, ko iedvesmojušas starpdisciplināras jomas, un
• 3. kategorija – Lietošanas gadījums un pielietojuma joma: atlasītie projekti aptvers dažādas reālās pasaules jomas, piemēram, rūpniecību, mobilitāti, civilo drošību, zinātniskos atklājumus, veselību, kiberdrošību, tieslietas un cilvēka un robota mijiedarbību.

Atlasītie projekti tiks arī norīkoti vadīt un/vai iesaistīties portfeļa aktivitātēs, kas vērstas uz šādām prioritātēm:

• Savietojamība: kopīgu standartu un protokolu izveide, lai nodrošinātu vienmērīgu saskaņošanu starp projektiem
• Etalonu izstrāde: DeepRAP etalona kopīga izveide ar kopīgiem uzdevumiem un atvērtu novērtēšanas platformu pārredzamai novērtēšanai
• Kopīgi izmēģinājuma projekti: kopīgu izmēģinājuma demonstrējumu nodrošināšana, risinot sarežģītas reālās pasaules problēmas, lai parādītu DeepRAP spējas
• Multi-aģentu integrācija: kur iespējams, projektu rezultātu apvienošana modulārās, multi-aģentu AI sistēmās, demonstrējot kolektīvu argumentāciju un plānošanu, izmantojot strukturētu mijiedarbību starp vairākiem aģentiem
• Pielietojuma veidošana: ietekmīgu lietošanas gadījumu definēšana un ieinteresēto personu iesaistīšana, lai vadītu inovatīvu kognitīvo AI sistēmu izstrādi un ieviešanu, un
• Ētiskā un sabiedriskā saskaņošana: proaktīva ētisko, tiesisko un sabiedrisko apsvērumu risināšana, tostarp pamattiesību, pārredzamības, privātuma, drošības un kognitīvo AI sistēmu godīguma ievērošana.

Mākslīgā intelekta (MI) sistēmas ir sasniegušas ievērojamu progresu, ko apliecina ģeneratīvā MI spēja atpazīt modeļus un ģenerēt kontekstuāli atbilstošus rezultātus, pamatojoties uz arvien lielākiem modeļiem un saistītām datu kopām. Tomēr, neskatoties uz ievērojamajiem panākumiem pēdējās desmitgades laikā, joprojām pastāv būtiska atšķirība starp cilvēka smadzeņu un mašīnas intelekta spējām, kas ir jāpārvar, lai sasniegtu stabilu veiktspēju un nodrošinātu efektīvu mijiedarbību ar lietotājiem un ieinteresētajām personām.

Pašreizējie ģeneratīvā MI modeļi var sniegt ļoti precīzus rezultātus un pat atrisināt dažas matemātiskas problēmas, taču tiem var rasties grūtības ar dažiem sarežģītiem argumentācijas kritērijiem un reālās pasaules izpratni. Šie modeļi bieži vien nespēj droši atrisināt loģikas uzdevumus un ilgtermiņa plānošanu, pat ja pastāv pierādāmi pareizi risinājumi, kas ierobežo to efektivitāti kritiskās lietojumprogrammās, kurās precizitāte ir būtiska.

Iedvesmojoties no cilvēka smadzeņu spējas apstrādāt informāciju vairākos abstrakcijas līmeņos — nodrošinot uztveri, argumentāciju un uz mērķi vērstu plānošanu —, šī izaicinājuma mērķis ir virzīties tālāk par pašreizējo tehnoloģiju līmeni tradicionālajās MI pieejās, neatkarīgi no tā, vai tās ir simboliskas (piem., noteikumi, lēmumu koki, simboliskā regresija utt.) vai konekcionistiskas, neironu (piem., dziļā mācīšanās, lielo valodu modeļi, pastiprinātā mācīšanās). Mērķis ir būtiski uzlabot MI sistēmu argumentācijas, abstrakcijas un plānošanas (RAP) spējas.

Tas ļaus pārvarēt pašreizējo dziļās mācīšanās modeļu ierobežojumus, kuriem, neskatoties uz to stiprajām pusēm, ir ierobežojumi tādās kritiskās kognitīvās funkcijās kā abstrakcija, kontekstualizācija, cēloņsakarība, izskaidrojamība un saprotama argumentācija — kompetences, kas ir būtiskas, lai virzītos uz cilvēkam līdzīgu intelektu.

[1] https://digital-strategy.ec.europa.eu/en/news/commission-launches-ai-innovation-package-support-artificial-intelligence-startups-and-smes

[2] https://ec.europa.eu/commission/presscorner/detail/en/ip_24_383 150 AI Act | Shaping Europe’s digital future (europa.eu)

[3] Nozaru MI testēšanas un eksperimentēšanas iekārtas saskaņā ar Digital Europe Programme | Shaping Europe’s digital future

[4] EBRAINS: Europe's Research Infrastructure for Brain Research - EBRAINS

[5]

[6] Home Page | AI-on-Demand

[7] Introduction to the Quantum Flagship | Quantum Flagship