AI’s analoge resonansfærdigheder: Udfordrer menneskelig intelligens?

Analog resonans, den unikke evne, som mennesker besidder til at løse ukendte problemer ved at trække paralleller med kendte problemer, har længe været betragtet som en karakteristisk menneskelig kognitiv funktion. Men en banebrydende studie udført af UCLA-psykologer præsenterer overbevisende resultater, der kan få os til at omvurdere dette.

GPT-3: Matcher op med menneskelig intelligens?

UCLA-forskningen fandt, at GPT-3, et AI-sprogmodel udviklet af OpenAI, viser resonansfærdigheder næsten på niveau med college-studenter, især når det kommer til at løse problemer, der ligner dem, der ses i intelligens-tester og standardiserede eksamener som SAT. Denne afsløring, offentliggjort i tidsskriftet Nature Human Behaviour, rejser en interessant spørgsmål: Gør GPT-3 menneskelig resonans på grund af sin omfattende sprogtræningsdataset, eller er det en helt ny kognitiv proces?

De eksakte mekanismer bag GPT-3 forbliver skjult af OpenAI, hvilket efterlader forskerne ved UCLA nysgerrige omkring mekanismen bag dens analoge resonansfærdigheder. Trods GPT-3’s lovbare præstation på visse resonansopgaver, er værktøjet ikke uden fejl. Taylor Webb, studiets primære forfatter og en postdoc-forsker ved UCLA, bemærkede: “Selv om vores resultater er imponerende, er det vigtigt at understrege, at dette system har betydelige begrænsninger. GPT-3 kan udføre analog resonans, men det kæmper med opgaver, der er trivielle for mennesker, såsom brug af værktøjer til en fysisk opgave.”

GPT-3’s evner blev testet ved hjælp af problemer inspireret af Raven’s Progressive Matrices – en test, der involverer komplekse formsekvenser. Ved at konvertere billeder til en tekstformat, som GPT-3 kunne tyde, sikrede Webb, at disse var helt nye udfordringer for AI’en. Når sammenlignet med 40 UCLA-studenter, matchede GPT-3 ikke kun menneskelig præstation, men spejlede også fejl, som mennesker gjorde. AI-modellen løste korrekt 80% af problemene, overgik den gennemsnitlige menneskelige score, men faldt inden for top-menneskelige præstationers rækkevidde.

Holdet undersøgte yderligere GPT-3’s dygtighed ved hjælp af upublicerede SAT-analogi-spørgsmål, hvor AI’en overgik den gennemsnitlige menneskelige præstation. Men det vaklede lidt, da det forsøgte at trække analogier fra korte historier, selv om den nyere GPT-4-model viste forbedrede resultater.

Broen over AI-menneskelig kognitiv kløft

UCLA-forskerne stopper ikke ved blot sammenligninger. De har påbegyndt udviklingen af en computermodel inspireret af menneskelig kognition, hvor de konstant sammenligner dens evner med kommercielle AI-modeller. Keith Holyoak, en UCLA-psychologiprofessor og medforfatter, bemærkede: “Vores psykologiske AI-model overgik andre i analogi-problemer, indtil GPT-3’s seneste opgradering, som viste overlegne eller tilsvarende evner.”

Men holdet identificerede bestemte områder, hvor GPT-3 vaklede, især i opgaver, der kræver forståelse af fysisk rum. I udfordringer, der involverede værktøjsbrug, var GPT-3’s løsninger markant forkerte.

Hongjing Lu, studiets seniorforfatter, udtrykte beundring for de spring i teknologi over de sidste to år, især i AI’s evne til at resonere. Men om disse modeller virkelig “tænker” som mennesker eller blot efterligner menneskeligt tænk er stadig et emne for debat. Søgen efter indsigt i AI’s kognitive processer nødvendiggør adgang til AI-modellernes backend, et spring, der kan forme AI’s fremtidige retning.

I overensstemmelse med dette synspunkt konkluderer Webb: “Adgang til GPT-modellernes backend ville være en enorm fordel for AI- og kognitionsforskere. For øjeblikket er vi begrænset til input og output, og det mangler den afgørende dybde, vi stræber efter.”