Πώς τα LLMs μας αναγκάζουν να ξαναορίσουμε τη νοημοσύνη

Υπάρχει ένα παλιό ρητό: Αν μοιάζει με πάπια, κολυμπάει σαν πάπια και κροτάει σαν πάπια, τότε πιθανότατα είναι πάπια. Αυτός ο απλός τρόπος συλλογισμού, συχνά συνδεδεμένος με τον ποιητή της Ιντιάνα Τζέιμς Γουίτκομπ Ράιλι, έχει διαμορφώσει τον τρόπο με τον οποίο σκεφτόμαστε για την τεχνητή νοημοσύνη για δεκαετίες. Η ιδέα ότι η συμπεριφορά είναι αρκετή για να αναγνωρίσουμε τη νοημοσύνη, ενέπνευσε τον знάμο тест του Άλαν Τούρινγκ, που ονομάζεται τώρα Τεστ Τούρινγκ.

Ο Τούρινγκ πρότεινε ότι αν ένας άνθρωπος δεν μπορεί να διακρίνει αν συνομιλεί με μια μηχανή ή με έναν άλλο άνθρωπο, τότε η μηχανή μπορεί να θεωρηθεί έξυπνη. Και ο тест της πάπιας και ο тест Τούρινγκ υποδηλώνουν ότι αυτό που έχει σημασία δεν είναι τι κρύβεται μέσα σε ένα σύστημα, αλλά πώς συμπεριφέρεται. Για δεκαετίες, αυτός ο тест έχει καθοδηγήσει τις προόδους στην τεχνητή νοημοσύνη. Αλλά, με την άφιξη των μεγάλων μοντέλων γλωσσών (LLM), η κατάσταση έχει αλλάξει. Αυτά τα συστήματα μπορούν να γράφουν ευφάνταστο κείμενο, να συμμετέχουν σε συνομιλίες και να λύνουν προβλήματα με τρόπους που φαίνονται αξιοπρεπώς ανθρώπινοι. Το ερώτημα δεν είναι πλέον αν οι μηχανές μπορούν να μιμούνται την ανθρώπινη συνομιλία, αλλά αν αυτή η μίμηση είναι αληθινή νοημοσύνη. Αν ένα σύστημα μπορεί να γράφει σαν εμάς, να συλλογίζεται σαν εμάς και ακόμη και να δημιουργεί σαν εμάς, πρέπει να το ονομάσουμε έξυπνο; Ή η συμπεριφορά μόνο δεν είναι πλέον αρκετή για να μετρήσουμε τη νοημοσύνη;

Η Εξέλιξη της Μηχανικής Νοημοσύνης

Τα μεγάλα μοντέλα γλωσσών έχουν αλλάξει τον τρόπο με τον οποίο σκεφτόμαστε για την τεχνητή νοημοσύνη. Αυτά τα συστήματα, που κάποτε ήταν περιορισμένα στο να παράγουν βασικές απαντήσεις σε ερωτήσεις, μπορούν τώρα να λύνουν προβλήματα λογικής, να γράφουν κώδικα υπολογιστή, να συντάσσουν ιστορίες και ακόμη και να βοηθούν με δημιουργικές εργασίες όπως η συγγραφή σεναρίων. Μια κρίσιμη εξέλιξη σε αυτήν την πρόοδο είναι η ικανότητά τους να λύνουν σύνθετα προβλήματα μέσω της λύσης βήμα προς βήμα, μια μέθοδος που ονομάζεται Λογική Συλλογισμός. Βreaking down ένα πρόβλημα σε μικρότερα μέρη, ένα LLM μπορεί να λύσει σύνθετα μαθηματικά προβλήματα ή логικά παζλ με τρόπο που μοιάζει με την ανθρώπινη λύση προβλημάτων. Αυτή η ικανότητα έχει επιτρέψει να αντιστοιχίσουν ή ακόμη και να υπερβούν την ανθρώπινη απόδοση σε προηγμένα τεστ όπως Μαθηματικά ή Λογική. Σήμερα, τα LLMs διαθέτουν επίσης Πολυτροπική Μαθηματική Νοημοσύνη. Μπορούν να εργάζονται με εικόνες, να ερμηνεύουν ιατρικές σάρωση, να εξηγούν οπτικά παζλ και να περιγράφουν σύνθετα διαγράμματα. Με αυτές τις προόδους, το ερώτημα δεν είναι πλέον αν τα LLMs μπορούν να μιμούνται την ανθρώπινη συμπεριφορά, αλλά αν αυτή η συμπεριφορά αντικατοπτρίζει αληθινή κατανόηση.

Ιχνη ανθρώπινης σκέψης

Αυτή η επιτυχία των LLMs αναedefinει τον τρόπο με τον οποίο κατανοούμε τη νοημοσύνη. Η εστίαση μεταφέρεται από την ταίριαξη της συμπεριφοράς της τεχνητής νοημοσύνης με την ανθρώπινη, όπως προτείνεται από τον тест Τούρινγκ, στην εξέταση του πόσο στενά τα LLMs αντικατοπτρίζουν την ανθρώπινη σκέψη στον τρόπο με τον οποίο επεξεργάζονται πληροφορίες (δηλ. αληθινή ανθρώπινη σκέψη). Για παράδειγμα, σε μια πρόσφατη μελέτη, ερευνητές σύγκριναν τις εσωτερικές λειτουργίες των μοντέλων AI με την ανθρώπινη εγκεφαλική δραστηριότητα. Η μελέτη βρήκε ότι τα LLMs με πάνω από 70 δισεκατομμύρια παραμέτρους, όχι μόνο έφτασαν σε ανθρώπινη ακρίβεια αλλά και οργάνωσαν πληροφορίες εσωτερικά με τρόπους που ταιριάζουν με την ανθρώπινη εγκεφαλική δραστηριότητα.

Όταν και οι άνθρωποι και τα μοντέλα AI εργάστηκαν σε εργασίες αναγνώρισης προτύπων, οι εγκεφαλικές σάρωση έδειξαν παρόμοιους τύπους δραστηριότητας στους ανθρώπινους συμμετέχοντες και τους αντίστοιχους υπολογιστικούς τύπους στα μοντέλα AI. Τα μοντέλα κατηγοριοποίησαν αφηρημένα έννοιες στις εσωτερικές τους στρώσεις με τρόπους που ταιριάζουν με την ανθρώπινη εγκεφαλική δραστηριότητα. Αυτό υποδηλώνει ότι η επιτυχημένη συλλογιστική μπορεί να απαιτεί παρόμοιες οργανωτικές δομές, είτε σε βιολογικά είτε σε τεχνητά συστήματα.

Ωστόσο, οι ερευνητές είναι προσεκτικοί να σημειώσουν τους περιορισμούς αυτής της εργασίας. Η μελέτη περιελάμβανε ένα σχετικά μικρό αριθμό ανθρώπινων συμμετεχόντων, και οι άνθρωποι και οι μηχανές προσέγγισαν τις εργασίες με διαφορετικό τρόπο. Οι άνθρωποι εργάστηκαν με οπτικά πρότυπα, ενώ τα μοντέλα AI επεξεργάστηκαν κείμενο. Η συσχέτιση μεταξύ ανθρώπινης και μηχανικής επεξεργασίας είναι ενδιαφέρουσα, αλλά δεν αποδεικνύει ότι οι μηχανές κατανοούν έννοιες με τον ίδιο τρόπο που οι άνθρωποι.

Υπάρχουν επίσης σαφείς διαφορές στην απόδοση. Ενώ τα καλύτερα μοντέλα AI πλησίασαν την ανθρώπινη ακρίβεια σε απλά πρότυπα, έδειξαν πιο δραματικές πτώσεις στην απόδοση στα πιο σύνθετα καθήκοντα σε σύγκριση με τους ανθρώπινους συμμετέχοντες. Αυτό υποδηλώνει ότι παρά τις ομοιότητες στην οργάνωση, μπορεί να υπάρχουν ακόμη θεμελιώδεις διαφορές στον τρόπο με τον οποίο οι άνθρωποι και οι μηχανές επεξεργάζονται δύσκολες αφηρημένες έννοιες.

Η Σκεπτικιστική Προοπτική

Παρά τις εντυπωσιακές αυτές ευρήσεις, ένα ισχυρό επιχείρημα υποστηρίζει ότι τα LLMs δεν είναι τίποτα περισσότερο από ένα πολύ ικανό μιμητή. Αυτή η άποψη προέρχεται από τον φιλόσοφο Τζον Σέρλς και το πείραμα σκέψης “Δωμάτιο Κινέζικων Χαρακτήρων“, το οποίο εικονογραφεί γιατί η συμπεριφορά μπορεί να μην ισοδυναμεί με κατανόηση.

Σε αυτό το πείραμα σκέψης, ο Σέρλς μας ζητά να φανταστούμε一个人 που είναι κλειδωμένος σε ένα δωμάτιο και μπορεί να μιλάει μόνο αγγλικά. Ο άνθρωπος λαμβάνει κινέζικους χαρακτήρες και χρησιμοποιεί ένα αγγλικό βιβλίο κανόνων για να χειριστεί αυτούς τους χαρακτήρες και να παράγει απαντήσεις. Από έξω στο δωμάτιο, οι απαντήσεις του φαίνονται ακριβώς όπως αυτές ενός φυσικού ομιλητή της κινέζικης. Ωστόσο, ο Σέρλς υποστηρίζει ότι ο άνθρωπος δεν κατανοεί τίποτα για την κινέζικη γλώσσα. Απλά ακολουθεί κανόνες χωρίς να έχει πραγματική κατανόηση.

Κριτικοί εφαρμόζουν την ίδια λογική στα LLMs. Υποστηρίζουν ότι αυτά τα συστήματα είναι “Τυχαίοι Παπαγάλοι” που παράγουν απαντήσεις με βάση στατιστικά πρότυπα στα δεδομένα εκπαίδευσής τους, και όχι πραγματική κατανόηση. Ο όρος “τυχαίος” αναφέρεται στην πιθανική φύση τους, ενώ ο “παπαγάλος” τονίζει την μιμητική τους συμπεριφορά χωρίς πραγματική κατανόηση.

Πολλοί τεχνικοί περιορισμοί των LLMs επίσης υποστηρίζουν αυτό το επιχείρημα. Τα LLMs συχνά παράγουν “Οπτασίες“; απαντήσεις που φαίνονται πιθανές αλλά είναι完全 λάθος, παραπλανητικές και ανοησίες. Αυτό συμβαίνει επειδή επιλέγουν στατιστικά πιθανές λέξεις αντί να συμβουλεύονται μια εσωτερική βάση γνώσεων ή να κατανοούν την αλήθεια και το ψέμα. Αυτά τα μοντέλα επίσης αναπαράγουν ανθρώπινες ошибές και προκαταλήψεις. Γίνονται σύγχυση από άσχετες πληροφορίες που οι άνθρωποι θα αγνοούσαν εύκολα. Εμφανίζουν φυλετικές και φυλετικές στερεότυπα επειδή έμαθαν από δεδομένα που περιέχουν αυτές τις προκαταλήψεις. Ένα άλλο αποκαλυπτικό περιορισμό είναι η “θέση προκατάληψης”, όπου τα μοντέλα υπερτονίζουν τις πληροφορίες στην αρχή ή στο τέλος μεγάλων εγγράφων ενώ αγνοούν το μεσαίο περιεχόμενο. Αυτό το “Χαμένος στη Μεσότητα” φαινόμενο υποδηλώνει ότι αυτά τα συστήματα επεξεργάζονται πληροφορίες πολύ διαφορετικά από τους ανθρώπους, οι οποίοι μπορούν να διατηρήσουν την προσοχή σε ολόκληρα έγγραφα.

Αυτοί οι περιορισμοί υπογραμμίζουν μια κεντρική πρόκληση: ενώ τα LLMs διαπρέπουν στην αναγνώριση και αναπαραγωγή γλωσσικών προτύπων, αυτό δεν σημαίνει ότι πραγματικά κατανοούν τη σημασία ή τον πραγματικό κόσμο.

Τι Συνιστά Νοημοσύνη;

Η συζήτηση εν τέλει καταλήγει στο πώς ορίζουμε τη νοημοσύνη. Αν η νοημοσύνη είναι η ικανότητα να παράγουμε συνεκτικό κείμενο, να λύσουμε προβλήματα και να προσαρμοστούμε σε νέες καταστάσεις, τότε τα LLMs ήδη πληρούν αυτό το πρότυπο. Ωστόσο, αν η νοημοσύνη απαιτεί αυτοσυνειδησία, πραγματική κατανόηση ή υποκειμενική εμπειρία, αυτά τα συστήματα ακόμη δεν το επιτύχουν.

Η δυσκολία είναι ότι δεν έχουμε ένα σαφές ή αντικειμενικό τρόπο να μετρήσουμε ποιότητες όπως η κατανόηση ή η συνειδητότητα. Στους ανθρώπους και τις μηχανές, τις υποθέτουμε από τη συμπεριφορά. Ο тест της πάπιας και ο тест Τούρινγκ κάποτε παρείχαν εύγλωττες απαντήσεις, αλλά στην εποχή των LLMs, μπορεί να μην είναι πλέον αρκετοί. Οι ικανότητές τους μας αναγκάζουν να ξανασκεφτούμε τι πραγματικά συνιστά νοημοσύνη και αν οι παραδοσιακές μας ορισμοί είναι σύμφωνοι με την τεχνολογική πραγματικότητα.

Το Κύριο

Τα μεγάλα μοντέλα γλωσσών προκαλούν τον τρόπο με τον οποίο ορίζουμε την τεχνητή νοημοσύνη. Μπορούν να μιμούνται τη συλλογιστική, να παράγουν ιδέες και να εκτελούν καθήκοντα που κάποτε θεωρούνταν αποκλειστικά ανθρώπινα. Ωστόσο, ihnen λείπει η συνειδητότητα και η εναπόθεση που διαμορφώνουν την αληθινή ανθρώπινη σκέψη. Η άνοδός τους μας αναγκάζει να ρωτήσουμε όχι μόνο αν οι μηχανές συμπεριφέρονται έξυπνα, αλλά και τι σημαίνει πραγματικά η νοημοσύνη.