Artificial intelligence without using ontological data about a presupposed reality

Intelligence artificielle sans données ontologiques sur une réalité présupposée

Olivier Georgeon (1) , Alain Mille (1) , Simon Gay (1)

1 TWEAK - Traces, Web, Education, Adaptation, Knowledge

This paper introduces an original model to provide software agents and robots with the capacity of learning by interpreting regularities in their stream of sensorimotor experience rather than by exploiting data that would give them ontological information about a predefined domain. Specifically, this model pulls inspiration from: a) the movement of embodied cognition, b) the philosophy of knowledge, c) constructivist epistemology, and d) the theory of enaction. Respectively to these four influences: a) Our agents discover their environment through their body’s active capacity of experimentation. b) They do not know their environment “as such” but only “as they can experience it”. c) They construct knowledge from regularities of sensorimotor experience. d) They have some level of constitutive autonomy. Technically, this model differs from the traditional perception/cognition/action model in that it rests upon atomic sensorimotor experiences rather than separating percepts from actions. We present algorithms that implement this model, and we describe experiments to validate these algorithms. These experiments show that the agents exhibit a certain form of intelligence through their behaviors, as they construct proto-ontological knowledge of the phenomena that appear to them when they observe persistent possibilities of sensorimotor experiences in time and space. These results promote a theory of artificial intelligence without ontological data about a presupposed reality. An application includes a more robust way of creating robots capable of constructing their own knowledge and goals in the real world, which could be initially unknown to them and un-modeled by their designers.

Cet article propose un modèle original pour doter des agents informatiques ou des robots de la capacité d’apprendre en interprétant des régularités dans leur flux d’expériences sensorimotrices plutôt qu’en exploitant des données qui leur apporteraient des informations ontologiques sur un domaine prédéfini. Ce modèle s’inspire en particulier de : a) le courant de la cognition incarnée, b) la philosophie de la connaissance, c) l’épistémologie constructiviste, et d) la théorie de l’énaction. Respectivement à ces quatre influences : a) Nos agents découvrent leur environnement à travers les capacités expérimentales actives de leur corps. b) Ils ne connaissent pas leur environnement « en soi » mais uniquement « en ce qu’ils peuvent en faire l’expérience ». c) Ils construisent leurs connaissances à partir de régularités d’expériences sensorimotrices. d) Ils disposent d’une certaine autonomie constitutive. Techniquement, ce modèle se distingue du modèle perception/cognition/action classique par le fait qu’il considère des expériences sensorimotrices atomiques au lieu de séparer les percepts et les actions. Nous présentons des algorithmes qui implémentent ce modèle, et décrivons des expérimentations permettant de les valider. Les expérimentations montrent que les agents exhibent une certaine forme d’intelligence dans leurs comportements en construisant une connaissance proto-ontologique des phénomènes qui apparaissent à eux quand ils constatent des possibilités d’expériences sensorimotrices persistantes dans l’espace et le temps. Ces résultats promeuvent une théorie de l’intelligence artificielle sans données ontologiques sur une réalité présupposée, avec, comme perspectives applicatives, des robots capables de construire leurs propres connaissances et objectifs dans le monde réel, initialement inconnu d’eux et non modélisé par leur concepteur.

Mots clés: artificial intelligence; embodied cognition; constructivist learning; enaction; hierarchical sequence learning; trace-based reasoning; cognitive architecture; self-motivation

Mots clés: intelligence artificielle; cognition incarnée; apprentissage constructiviste; énaction; apprentissage séquentiel hiérarchique; raisonnement à partir de trace; architecture cognitive; motivation intrinsèque

Domaines: Informatique [cs]

Olivier Georgeon, Alain Mille, Simon Gay. Intelligence artificielle sans données ontologiques sur une réalité présupposée. Intellectica - La revue de l’Association pour la Recherche sur les sciences de la Cognition (ARCo), 2016, New approaches in cognitive robotics, 65, pp.143-168. ⟨hal-01379575⟩