Nyt neuralt model muliggør AI-til-AI lingvistisk kommunikation

I et væsentligt spring for kunstig intelligens (AI) har et hold fra Universitetet i Genève (UNIGE) succesfuldt udviklet en model, der efterligner en unikt menneskelig egenskab: udførelse af opgaver baseret på mundtlige eller skriftlige instruktioner og herefter kommunikation af disse til andre. Dette fremskridt løser en længe stående udfordring i AI, og markerer en milepæl i feltets udvikling.

Historisk set har AI-systemer excelleret i at behandle store mængder data og udføre komplekse beregninger. Dog har de konsekvent fejlet i opgaver, som mennesker udfører intuitivt – at lære en ny opgave fra simple instruktioner og herefter formulere denne proces for andre at gentage. Evnen til ikke kun at forstå, men også at kommunikere komplekse instruktioner, er et vidnesbyrd om de avancerede kognitive funktioner, der har været et karakteristisk træk for menneskelig intelligens, indtil nu.

UNIGE-holdets gennembrud går ud over blot opgaveudførelse og ind i avanceret menneske-lignende sproggeneralisering. Det involverer en AI-model, der kan absorbere instruktioner, udføre de beskrevne opgaver og herefter kommunikere med en ‘søster’-AI for at formidle processen på sprogligt niveau, og muliggøre gentagelse. Denne udvikling åbner op for uhørte muligheder i AI, især inden for området for menneske-AI-interaktion og robotteknik, hvor effektiv kommunikation er afgørende.

Udfordringen ved at replikere menneskelige kognitive evner i AI

Menneskelige kognitive færdigheder udviser en bemærkelsesværdig evne til at lære og kommunikere komplekse opgaver. Disse evner, der er dybt rodnet i vores neurokognitive systemer, tillader os at hurtigt forstå instruktioner og herefter formidle vores forståelse til andre på en sammenhængende måde. Replikationen af denne komplekse interaktion mellem læring og sprogudtryk i AI har været en væsentlig udfordring. I modsætning til mennesker har traditionelle AI-systemer krævet omfattende træning på bestemte opgaver, ofte afhængigt af store datasæt og iterativ forstærkningslæring. Evnen for en AI til intuitivt at fatte en opgave fra minimal instruktion og herefter formulere sin forståelse har været et uløst problem.

Dette gap i AI-kapaciteterne understreger begrænsningerne i eksisterende modeller. De fleste AI-systemer opererer inden for rammerne af deres programmerede algoritmer og datasæt, mangler evnen til at extrapolere eller slutte sig til noget ud over deres træning. Derfor er potentialet for AI til at tilpasse sig nye scenarier eller kommunikere indsigt på en menneske-lignende måde betydeligt begrænset.

UNIGE-studiet repræsenterer et væsentligt skridt i overvindelse af disse begrænsninger. Ved at udvikle en AI-model, der ikke kun udfører opgaver baseret på instruktioner, men også kommunikerer disse opgaver til en anden AI-enhed, har holdet på UNIGE demonstreret en kritisk fremgang i AI’s kognitive og sprogligt evner. Denne udvikling antyder en fremtid, hvor AI kan efterligne menneske-lignende læring og kommunikation, åbner døre til anvendelser, der kræver sådant dynamisk samspil og tilpasning.

At brokke gapet med naturlig sprogbehandling

Naturlig sprogbehandling (NLP) står i forkanten af at brokke gapet mellem menneskesprog og AI-forståelse. NLP muliggør, at maskiner kan forstå, fortolke og reagere på menneskesprog på en meningsfuld måde. Dette underfelt af AI fokuserer på interaktionen mellem computere og mennesker, der bruger naturligt sprog, med det formål at læse, tyde og give mening til menneskesprog på en værdifuld måde.

Den underliggende princip i NLP ligger i dens evne til at behandle og analysere store mængder naturligt sprogdata. Denne analyse er ikke kun begrænset til at forstå ord i en bogstavelig forstand, men omfatter også at fatte konteksten, følelsen og endda de underforståede nuancer inden for sproget. Ved at udnytte NLP kan AI-systemer udføre en række opgaver, fra oversættelse og følelsesanalyse til mere komplekse interaktioner som konversationsagenter.

Centralt for denne fremgang i NLP er udviklingen af kunstige neurale netværk, der tager inspiration fra de biologiske neuroner i det menneskelige hjerte. Disse netværk efterligner, hvordan menneskelige neuroner transmitterer elektriske signaler, og behandler information gennem sammenkoblede noder. Denne arkitektur tillader neurale netværk at lære fra inputdata og forbedre sig over tid, ligesom det menneskelige hjerte lærer af erfaring.

Forbindelsen mellem disse kunstige neurale netværk og biologiske neuroner er en nøglekomponent i at fremme AI’s sprogligt kapacitet. Ved at modellere de neurale processer, der er involveret i menneskesprogforståelse og -produktion, lægger AI-forskere grunden til systemer, der kan behandle sprog på en måde, der spejler menneskelige kognitive funktioner. UNIGE-studiet eksemplificerer denne tilgang, ved at bruge avancerede neurale netværksmodeller til at simulere og replikere den komplekse interaktion mellem sprogforståelse og opgaveudførelse, der er indbygget i menneskelig kognition.

UNIGE-tilgangen til AI-kommunikation

Universitetet i Genèves hold søgte at skabe et kunstigt neuralt netværk, der spejler menneskelige kognitive evner. Nøglen var at udvikle et system, der ikke kun var i stand til at forstå sprog, men også til at bruge det til at formidle lært opgaver. Deres tilgang begyndte med en eksisterende kunstig neuronmodel, S-Bert, kendt for sin sprogforståelsesevne.

UNIGE-holdets strategi involverede at tilslutte S-Bert, bestående af 300 millioner neuroner, der var forudtrænet i sprogforståelse, til et mindre, enklere neuralt netværk. Det mindre netværk var tildelt opgaven at replikere bestemte områder af det menneskelige hjerte, der er involveret i sprogbehandling og -produktion – Wernickes område og Broccas område, respektivt. Wernickes område i hjernen er afgørende for sprogforståelse, mens Broccas område spiller en væsentlig rol i taleproduktion og sprogbehandling.

Tilslutningen af disse to netværk havde til formål at efterligne den komplekse interaktion mellem disse to hjerneregioner. Først blev det kombinerede netværk trænet til at simulere Wernickes område, og herefter til at replikere funktionerne i Broccas område, og muliggøre produktion og artikulation af sprog. Bemærkelsesværdigt var hele processen udført ved hjælp af konventionelle bærbare computere, og demonstrerede dermed modellens tilgængelighed og skalerbarhed.

Eksperimentet og dets implikationer

Eksperimentet involverede at give skriftlige instruktioner på engelsk til AI’en, der herefter skulle udføre de angivne opgaver. Disse opgaver varierede i kompleksitet, fra simple handlinger som at pege på en lokalitet i respons til en stimulus, til mere komplekse opgaver som at skelne og reagere på subtile kontraster i visuelle stimuli.

Modellen simulerede intentionen om bevægelse eller pegehandling, og efterlignede menneskelige responser på disse opgaver. Bemærkelsesværdigt var, at efter at have mestret disse opgaver, var AI’en i stand til at sprogligt beskrive dem til en anden netværk, en kopi af det første. Denne anden netværk, efter at have modtaget instruktionerne, gentog herefter opgaverne med succes.

Dette fremskridt markerer den første gang, hvor to AI-systemer har kommunikeret med hinanden udelukkende gennem sprog, og er en milepæl i AI-udviklingen. Evnen for en AI til at instruere en anden i at udføre opgaver gennem sprogkommunikation alene åbner nye grænser for AI-interaktivitet og samarbejde.

Implikationerne af denne udvikling strækker sig ud over akademisk interesse og lover betydelige fremskridt i felter, der afhænger af avanceret AI-kommunikation, såsom robotteknik og automatiserede systemer.

Udsigter for robotteknik og ud over

Denne innovation har en betydelig indvirkning på feltet robotteknik og strækker sig til andre sektorer. De potentielle anvendelser af denne teknologi i robotteknik er særligt lovende. Humanoid robotter, udstyret med disse avancerede neurale netværk, kunne forstå og udføre komplekse instruktioner, og forbedre deres funktionalitet og autonomi. Denne evne er afgørende for robotter, der er designet til opgaver, der kræver tilpasning og læring, såsom i sundhedssektoren, produktion og personlig assistance.

Desuden strækker teknologiens implikationer sig ud over robotteknik. I sektorer som kundeservice, uddannelse og sundhedssektor kunne AI-systemer med forbedret kommunikation og læringsevne tilbyde mere personlige og effektive tjenester. Udviklingen af mere komplekse netværk, baseret på UNIGE-modellen, præsenterer muligheder for at skabe AI-systemer, der ikke kun forstår menneskesprog, men også interagerer på en måde, der spejler menneskelige kognitive processer, og fører til mere naturlige og intuitive brugeroplevelser.

Dette fremskridt i AI-kommunikation antyder en fremtid, hvor gapet mellem menneskelig og maskinintelligens snævres, og fører til fremskridt, der kan omdefinere vores interaktion med teknologi. UNIGE-studiet er derfor ikke kun et vidnesbyrd om AI’s udviklende evner, men også en fyrlykt for fremtidige udforskninger i området for kunstig kognition og kommunikation.