Σκέφτεστε όπως ένας άνθρωπος: Μπορεί η τεχνητή νοημοσύνη να αναπτύξει αναλογική σκέψη;

Όταν αντιμετωπίζουμε κάτι νέο, οι άνθρωποι αναζητούν αναλογίες. Ένα παιδί που μαθαίνει για άτομα μπορεί να ακούσει ότι τα ηλεκτρόνια περιστρέφονται γύρω από τον πυρήνα «σαν τα πλανήτες γύρω από τον ήλιο». Ένας επιχειρηματίας μπορεί να παρουσιάσει την επιχείρησή του ως «Uber για το κούρεμα ζώων». Ένας επιστήμονας μπορεί να εξηγήσει σε μη ειδικούς ότι ο εγκέφαλος επεξεργάζεται πληροφορίες «σαν einen υπολογιστή».

Αυτή η νοητική άλωση – βλέποντας πώς κάτι μοιάζει με κάτι άλλο στη βαθύτερη δομή του – ονομάζεται αναλογική σκέψη. Και μπορεί να είναι το συστατικό που διακρίνει την ανθρώπινη νοημοσύνη από την τεχνητή νοημοσύνη στη σημερινή της μορφή. Αν θέλουμε να αναπτύξουμε Τεχνητή Γενική Νοημοσύνη – το Άγιο Δισκοπότηρο της τεχνητής νοημοσύνης που μέχρι τώρα έχει αποδειχθεί δύσκολο να επιτευχθεί – πρέπει να κατανοήσουμε αν είναι δυνατό για τις μηχανές να μάθουν να σκέφτονται αναλογικά. Τα στοιχήματα δεν θα μπορούσαν να είναι υψηλότερα. Αν η απάντηση είναι «Όχι», τότε ακόμη και τα πιο εξελιγμένα συστήματα τεχνητής νοημοσύνης θα παραμείνουν για πάντα τίποτα περισσότερο από γλωσσικά υπολογιστές. Δεν θα μπορέσουν να λύσουν προβλήματα που απαιτούν περισσότερα από μια αναδιάρθρωση των δεδομένων στα οποία έχουν εκπαιδευτεί.

Η αρχιτεκτονική της κατανόησης

Η αναλογική σκέψη λειτουργεί στο επίπεδο των δομικών, και όχι των επιφανειακών, ομοιοτήτων. Για παράδειγμα, τι κάνει τις καρδιές και τις αντλίες νερού παρόμοιες; Βέβαια, όχι την φυσική τους εμφάνιση. Είναι το γεγονός ότι και οι δύο εκτελούν ακριβώς την ίδια λειτουργία, δηλαδή κυκλοφορία υγρού μέσα σε ένα σύστημα. Και είναι ακριβώς αυτή η ικανότητα να χαρτογραφούνται σχέσεις τυπικές σε ένα πλαίσιο σε ένα άλλο πλαίσιο που κάνει την ανθρώπινη μάθηση, τη δημιουργικότητα και την επίλυση προβλημάτων τόσο μοναδικές.

Υπάρχουν πολλά πραγματικά παραδείγματα. Λέμε τον August Kekulé, τον εξαιρετικό Γερμανό χημικό, ο οποίος έλαβε μια υπόδειξη για τη δομή του βενζολίου με τη μορφή ενός ονειρικού οράματος όπου είδε μια φίδη να δαγκώνει την ουρά της. Σήμερα, οι προγραμματιστές εφαρμόζουν μαθήματα από την οργάνωση μιας κουζίνας όταν διαμορφώνουν κώδικα, και οι δάσκαλοι εξηγούν την ηλεκτρική ροή συγκρίνοντάς την με νερό που ρέει μέσα από σωλήνες.

Τα τρέχοντα συστήματα τεχνητής νοημοσύνης, ωστόσο, βρίσκουν αυτή τη συνήθη γνωστική ικανότητα πολύ δύσκολη. Όταν ζητηθούν, τα σύγχρονα μεγάλης κλίμακας γλωσσικά μοντέλα (LLM) είναι πολύ ευχαριστημένα να εξηγήσουν γιατί «ο χρόνος είναι χρήμα», ή να ολοκληρώσουν λεκτικές ασκήσεις σκέψης. Αλλά αυξανόμενες ενδείξεις δείχνουν ότι συχνά ασχολούνται με εξελιγμένη αντιστοίχιση προτύπων, και όχι με πραγματική δομική αντιστοίχιση. Όταν οι ερευνητές παρουσιάζουν αυτά τα μοντέλα με νέα αναλογικά προβλήματα που αποκλίνουν από τα δεδομένα εκπαίδευσής τους, η απόδοση συχνά καταρρέει. Αυτό συμβαίνει επειδή τα LLM excelling στο να αναπαράγουν αναλογίες που έχουν δει πριν, αλλά δυσκολεύονται όταν ζητηθούν να δημιουργήσουν νέες συνδέσεις.

Χωρίς αναλογική σκέψη, δεν υπάρχει Τεχνητή Γενική Νοημοσύνη

Εμφανώς, η αναλογική σκέψη είναι το σINE qua non της Τεχνητής Γενικής Νοημοσύνης. Χωρίς αυτή, τα συστήματα τεχνητής νοημοσύνης παραμένουν εύθραυστα, αδύνατα να προσαρμόσουν γνώσεις που είναι σχετικές σε ένα domaine για να λύσουν προβλήματα σε ένα άλλο. Για παράδειγμα, φανταστείτε ένα αυτονομικό όχημα που έχει μάθει να πλοηγείται στους ήλιους δρόμους της Καλιφόρνιας αλλά δεν μπορεί να εξαγάγει αυτή τη γνώση για να χειριστεί χιονισμένες συνθήκες. Το σύστημα τεχνητής νοημοσύνης του οχήματος είναι ένας ακριβός αντιστοιχιτής προτύπων, και όχι ένα σύστημα ικανό για γνήσια νοημοσύνη. Η αληθινή νοημοσύνη θα απαιτούσε την γνωστική ευελιξία να αναγνωρίσει ότι οδήγηση σε παγωμένες οδούς είναι δομικά συγκρίσιμη με άλλες λεία-επιφάνεια σκηνές, ακόμη και αν τα συγκεκριμένα στοιχεία διαφέρουν.

Το ίδιο принцип εφαρμόζεται σε domaine πέρα από τα αυτονομικά οχήματα, φυσικά. Η αναλογική σκέψη οδηγεί επίσης την πρόοδο στην επιστήμη, την ιατρική διάγνωση, τη νομική σκέψη και τις δημιουργικές επιδιώξεις. Τα συστήματα τεχνητής νοημοσύνης χωρίς αυτή τη δυνατότητα μοιάζουν με έναν ученого που έχει απομνημονεύσει μια ολόκληρη βιβλιοθήκη αλλά δεν μπορεί να συνθέσει αυτή τη γνώση σε διαφορετικά domaine. Εντυπωσιακό, βέβαια, αλλά μόνο σε ένα στενά περιορισμένο τρόπο.

Κατασκευή του αναλογικού νου

Τι θα χρειαζόταν για να αναπτύξουμε συστήματα τεχνητής νοημοσύνης ικανά για ανθρώπινη αναλογική σκέψη; Βασισμένοι σε αναδυόμενη έρευνα και τη θεμελιώδη φύση της αναλογικής σκέψης, beberapa κρίσιμες προϋποθέσεις και τεχνικές φαίνονται να είναι αναγκαίες.

Δομικά πλούσια και ποικίλα δεδομένα εκπαίδευσης

Η πρώτη απαίτηση είναι να έχουν τα συστήματα τεχνητής νοημοσύνης εκπαιδευτεί σε δεδομένα που υπερβαίνουν τις επιφανειακές κειμενικές προτύπες. Το διαδίκτυο, με την τεράστια αποθήκη επιστημονικών εγγράφων, τεχνικής τεκμηρίωσης, δημιουργικών έργων και ερμηνευτικού περιεχομένου, είναι ένα καλό σημείο εκκίνησης. Αλλά δεν είναι όλα τα δεδομένα του διαδικτύου που θα κάνουν. Τι απαιτείται είναι δομική ποικιλότητα. Με άλλα λόγια, για να οδηγήσουν τα συστήματα τεχνητής νοημοσύνης να μάθουν να αναγνωρίζουν αφηρημένα πρότυπα, οι dévelopπερς πρέπει να αρχίσουν να τους εκθέτουν σε αντιθέσεις από την πρώτη ημέρα της εκπαίδευσής τους. Τα δεδομένα εκπαίδευσής τους θα μπορούσαν να περιλαμβάνουν αρχιτεκτονικά σχέδια μαζί με μουσικές партίτουρες, μαθηματικά αποδείξεις μαζί με ποίηση, ή νομικές επιχειρήσεις μαζί με συνταγές μαγειρικής.既然 κάθε domaine ενσωματώνει διαφορετικά είδη σχεσιακών δομών, ένα σύστημα Τεχνητής Γενικής Νοημοσύνης θα ωφεληθεί από αυτό το είδος άσκησης.

Περισσότερο, αυτά τα δεδομένα πρέπει να διατηρούν και να υπογραμμίζουν τις δομικές σχέσεις, και όχι μόνο τις στατιστικές συσχετίσεις. Γραφικά γνώσεων, αιτιολογικά διαγράμματα και ρητά χαρτογραφημένες σχέσεις μεταξύ εννοιών θα μπορούσαν να βοηθήσουν τα συστήματα τεχνητής νοημοσύνης να μάθουν να «βλέπουν» τη δομή αντί να απομνημονεύουν συσχετίσεις μηχανικά. Σκεφτείτε το ως διδασκαλία της τεχνητής νοημοσύνης όχι μόνο τι πράγματα είναι, αλλά πώς σχετίζονται μεταξύ τους με αρχές.

Δοκιμή πέρα από το σύνολο εκπαίδευσης

Για να βεβαιωθούμε ότι τα συστήματα τεχνητής νοημοσύνης μαθαίνουν να σκέφτονται αναλογικά, και όχι απλώς να βελτιώνουν τις ικανότητές τους στην μίμηση, χρειαζόμαστε εργαλεία που θα ερευνήσουν σκόπιμα την ικανότητά τους να χαρτογραφούν δομή σε καταστάσεις που δεν έχουν συναντήσει trước. Αυτό συνεπάγεται την κατασκευή προβλημάτων δοκιμής που είναι σκόπιμα διαφορετικά από οτιδήποτε πιθανό να εμφανιστεί στα δεδομένα εκπαίδευσης – αυτά που οι ερευνητές ονομάζουν «αντιφατικά» καθήκοντα.

Για παράδειγμα, αντί να ζητήσουμε από ένα σύστημα τεχνητής νοημοσύνης να ολοκληρώσει τυπικές αναλογίες όπως «σκύλος είναι σε σκύλο όπως γάτα είναι σε ____», θα μπορούσαμε να του παρουσιάσουμε προβλήματα που χρησιμοποιούν εφευρεμένα έννοιες ή να του ζητήσουμε να χαρτογραφήσει σχέσεις μεταξύ domaine που δεν έχουν jamais συνδεθεί. Μπορεί να αναγνωρίσει ότι η σχέση μεταξύ συστατικών και μιας συνταγής παραλληλίζει τη σχέση μεταξύ στοιχείων και μιας νομικής επιχειρήσεως, ακόμη και αν δεν έχει συναντήσει αυτή τη συγκεκριμένη σύγκριση; Αυτές οι δοκιμές θα αποκαλύψουν αν το σύστημα κατέχει τις υποκείμενες δομές ή απλώς θυμάται παρόμοια παραδείγματα.

Μέτρηση του τι έχει σημασία

Οι καλές ειδήσεις για τους dévelopπερς της τεχνητής νοημοσύνης είναι ότι υπάρχει δεκαετίες ερευνών στην γνωστική επιστήμη που ασχολούνται συγκεκριμένα με τον τρόπο που οι άνθρωποι επεξεργάζονται αναλογίες. Μπορούν να χρησιμοποιήσουν αυτή την έρευνα για να αναπτύξουν ισχυρά σημεία αναφοράς για την αναλογική σκέψη. Ωστόσο, αυτά τα σημεία αναφοράς πρέπει να υπερβούν απλώς την καταμέτρηση των σωστών απαντήσεων σε δοκιμές αναλογιών. Τι πραγματικά χρειάζεται είναι μετρικές που να συλλαμβάνουν αν τα συστήματα τεχνητής νοημοσύνης μπορούν να αναγνωρίσουν ποιες σχέσεις είναι σχετικές για χαρτογράφηση, ενώ αγνοούν τις επιφανειακές ομοιότητες και διατηρούν τη συνέπεια στις χαρτογραφήσεις τους.

Αυτό μπορεί να περιλαμβάνει συστήματα βαθμολογίας που ανταμείβουν την αναγνώριση υψηλότερου επιπέδου σχέσεων. Για παράδειγμα, ένα σύστημα τεχνητής νοημοσύνης θα βαθμολογηθεί υψηλότερα αν μπορεί να αναγνωρίσει όχι μόνο ότι και τα άτομα και τα ηλιακά συστήματα περιλαμβάνουν περιστροφή, αλλά και να κατανοήσει τις αιτιολογικές σχέσεις που διέπουν αυτές τις περιστροφές. Μια άλλη ικανότητα που θα μπορούσε να αξιολογηθεί θα ήταν αν το σύστημα τεχνητής νοημοσύνης μπορεί να παράγει αυθόρμητα κατάλληλες αναλογίες για να εξηγήσει νέες έννοιες, όχι μόνο να ολοκληρώσει προετοιμασμένα προβλήματα αναλογιών.

Σκαλωσιές μέσω προώθησης

Πρόσφατη έρευνα δείχνει ότι η ικανότητα της τεχνητής νοημοσύνης να σκέφτεται αναλογικά εξαρτάται σε μεγάλο βαθμό από το πώς ζητείται να το κάνει. Αναλογική προώθηση – η ρητή οδήγηση των μοντέλων μέσω της διαδικασίας της δομικής χαρτογράφησης – μπορεί να προκαλέσει πιο εξελιγμένη σκέψη από το να παρουσιάζονται προβλήματα ψύχρα. Αυτό μπορεί να περιλαμβάνει πρώτα να ζητηθεί από το σύστημα να αναγνωρίσει σχέσεις σε ένα πηγή domaine, και στη συνέχεια να ζητηθεί ρητά να χαρτογραφήσει αυτές τις σχέσεις σε ένα domaine στόχο.

Αυτή η τεχνική θα μπορούσε να εξυπηρετήσει διπλό σκοπό: να βελτιώσει τις αναλογικές ικανότητες των τρεχουσών συστημάτων τεχνητής νοημοσύνης, ενώ παράλληλα παράγει δεδομένα εκπαίδευσης για μελλοντικά μοντέλα. Καταγράφοντας επιτυχείς περιπτώσεις καθοδηγούμενης αναλογικής σκέψης, μπορούν να δημιουργηθούν παραδείγματα που θα μπορούσαν να διδάξουν σε μεταγενέστερα συστήματα να ασχολούνται με αυτή τη διαδικασία πιο φυσικά.

Υβριδικές αρχιτεκτονικές

Η επίτευξη ανθρώπινης αναλογικής σκέψης μπορεί να απαιτήσει να ξεπεράσουμε τις καθαρές προσεγγίσεις των νευρωνικών δικτύων. Υβριδικά συστήματα που συνδυάζουν την αναγνώριση προτύπων με συμβολική σκέψη – η ρητή αναπαράσταση και χειρισμός δομικών σχέσεων – θα μπορούσαν να παρέχουν το λείπων κομμάτι. Ενώ τα νευρωνικά δίκτυα excelling στο να μαθαίνουν ρητές σχέσεις, τα συμβολικά συστήματα μπορούν να επιβάλλουν τη δομική συνεχή και τη λογική χαρτογράφηση που απαιτεί η αναλογική σκέψη.

Οι υβριδικές αρχιτεκτονικές είναι ακόμη στην παιδική ηλικία, αλλά οι ερευνητές εξερευνούν ενεργά το δυναμικό τους. Ορισμένοι, για παράδειγμα, υποστηρίζουν την συνδυασμένη χρήση νευρωνικών δικτύων με συμβολική σκέψη που θα μπορούσε να οδηγήσει σε βελτιωμένες αναλογικές ικανότητες. Άλλοι προωθούν υβριδικά μοντέλα που κατασκευάζονται για να αντιμετωπίσουν την τάση των μοντέλων τεχνητής νοημοσύνης να φανταστούν και να σκέφτονται αναλογικά σε έναν ρηχό τρόπο.

Πού από εδώ;

Ανάλογα με το ποιος σας ρωτάει, η αναλογική σκέψη είναι ήδη αναδυόμενη ή τα συστήματα τεχνητής νοημοσύνης γίνονται απλώς πιο εξελιγμένα στις ικανότητές τους στην μίμηση. Όποια θέση είναι πιο κοντά στην αλήθεια, είναι σαφές ότι, αν ο όνειρος της Τεχνητής Γενικής Νοημοσύνης είναι να πραγματοποιηθεί, θα χρειαστεί κάτι περισσότερο από απλώς μεγαλύτερα μοντέλα ή περισσότερα δεδομένα. Θα χρειαστεί επίσης κάποιες θεμελιώδεις καινοτομίες στο πώς δομούμε, εκπαιδεύουμε και αξιολογούμε τα συστήματα τεχνητής νοημοσύνης μας.

Καθώς οι μετασχηματιστικές ικανότητες της τεχνητής νοημοσύνης αναπτύσσονται, η αναλογική σκέψη αντιπροσωπεύει τόσο einen κρίσιμο δείκτη απόδοσης όσο και μια νηφαλία υπενθύμιση του χάσματος μεταξύ των τρεχουσών ικανοτήτων της τεχνητής νοημοσύνης και της γνήσιας ανθρώπινης σκέψης. Όταν ένα σύστημα τεχνητής νοημοσύνης μπορεί να δει ότι η δημοκρατία είναι προς τους πολίτες ό,τι η ορχήστρα είναι προς τους μουσικούς – αναγνωρίζοντας όχι τις επιφανειακές ιδιότητες αλλά τις βαθύτερες δομικές σχέσεις σχετικά με τη συντονισμό, την αντιπρόσωπη και την εμεργente αρμονία – θα έχει ξεπεράσει einen κρίσιμο κατώφλι προς την αληθινή νοημοσύνη.