Et skridt nærmere kunstig intelligens med et menneske-lignende sind

Et hold af forskere fra Graduate School of Informatics, Nagoya University, har bragt os et skridt nærmere udviklingen af et neuralt netværk med metamemory gennem en computerbaseret evolutionseksperiment. Dette type neuralt netværk kan hjælpe eksperter med at forstå udviklingen af metamemory, hvilket kan hjælpe med at udvikle kunstig intelligens (AI) med et menneske-lignende sind.

Forskningen blev offentliggjort i det videnskabelige tidsskrift Scientific Reports.

Hvad er Metamemory?

Metamemory er processen, hvor vi spørger os selv, om vi husker noget, og den erindring bruges til at træffe beslutninger om nuværende handlinger. Dette er faktisk en meget kompleks proces. Det, der gør metamemory vigtigt, er, at det indebærer, at en person har kendskab til sine egne hukommelsesevner, som bruges til at justere adfærd.

Professor Takaya Arita er hovedforfatter på forskningen.

“For at belyse den evolutionære basis for det menneskelige sind og bevidsthed er det vigtigt at forstå metamemory,” siger professor Arita. “En virkelig menneske-lignende kunstig intelligens, som kan interageres med og nydes som en familiemedlem i en persons hjem, er en kunstig intelligens, som har en vis mængde metamemory, da den har evnen til at huske ting, som den engang hørte eller lærte.”

Forskere bruger normalt en ‘delayed matching-to-sample-opgave’, når de studerer metamemory. Hos mennesker indebærer denne opgave, at deltageren ser et objekt, husker det og derefter deltager i en test for at vælge det, de havde set tidligere, ud fra multiple lignende objekter. Det fungerer på et belønningsystem, hvor korrekte svar belønnes og forkerte svar straffes. Men subjektet kan vælge ikke at deltage i testen og alligevel få en mindre belønning.

Når mennesker udfører denne opgave, bruger de naturligvis deres metamemory til at overveje, om de husker at have set objektet. Hvis dette er tilfældet, vil de deltage i testen og få en større belønning. Men hvis de er usikre, vil de undgå at risikere straffen og vælge den mindre belønning.

At opnå Metamemory i Neural Network Model

Holdet af forskere, som inkluderede professor Takaya Arita, Yusuke Yamato og Reiji Suzuki fra Graduate School of Informatics, udviklede et kunstigt neuralt netværksmodel, som udførte den delayed matching-to-sample-opgave og analyserede dets adfærd.

Modellen demonstrerede en evne til at udvikle sig til et punkt, hvor den udførte opgaven på samme måde som aber i tidligere studier. Tidligere forskning har vist, at aber kan udføre denne opgave.

Det neurale netværk kunne undersøge sine erindringer, gemme dem og separere outputs uden at kræve assistance eller menneskelig indgriben. Dette antydede, at det var muligt, at det havde metamemory-mekanismer.

“Behovet for metamemory afhænger af brugerens miljø. Derfor er det vigtigt, at kunstig intelligens har en metamemory, som tilpasser sig til dets miljø ved at lære og udvikle sig,” siger professor Arita. “Nøglepunktet er, at den kunstige intelligens lærer og udvikler sig for at skabe en metamemory, som tilpasser sig til dets miljø.”

Den nye udvikling er et større skridt mod at opnå maskiner med menneske-lignende erindringer.

“Dette opnåelse forventes at give ledetråde til realiseringen af kunstig intelligens med et ‘menneske-lignende sind’ og endda bevidsthed,” siger holdet.