Σκέψη σαν του ανθρώπου: μπορεί η τεχνητή νοημοσύνη να αναπτύξει αναλογικό συλλογισμό;

Όταν αντιμετωπίζουμε κάτι νέο, οι άνθρωποι αναζητούν ενστικτωδώς συγκρίσεις. Ένα παιδί που μαθαίνει για άτομα μπορεί να ακούσει ότι τα ηλεκτρόνια περιστρέφονται γύρω από τον πυρήνα «σαν τους 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 έναν υπολογιστή».

Αυτό το νοητικό άλμα – 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 αριθμομηχανές με εντυπωσιακό περιτύλιγμα. 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; Σίγουρα όχι η εξωτερική τους εμφάνιση. Είναι το γεγονός ότι και οι δύο εκτελούν ακριβώς την ίδια λειτουργία, δηλαδή την 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. Ας πάρουμε τον August Kekulé, τον εξαιρετικό Γερμανό χημικό, ο οποίος έλαβε μια υπόδειξη για τη δομή του βενζολίου με τη μορφή ενός ονείρου στο οποίο είδε ένα φίδι να δαγκώνει την ουρά του. Σήμερα, οι προγραμματιστές εφαρμόζουν μαθήματα από την οργάνωση μιας κουζίνας όταν διαμορφώνουν κώδικα, και οι δάσκαλοι εξηγούν το ηλεκτρικό ρεύμα συγκρίνοντάς το με νερό που ρέει μέσα από σωλήνες.

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

Χωρίς αναλογική σκέψη, δεν υπάρχει Τεχνητή Γενική Νοημοσύνη

Προφανώς, η αναλογική σκέψη είναι η απαραίτητη προϋπόθεση της Τεχνητής Γενικής Νοημοσύνης. Χωρίς αυτή, τα συστήματα τεχνητής νοημοσύνης παραμένουν εύθραυστα, ανίκανα να προσαρμόσουν γνώσεις που είναι σχετικές σε έναν τομέα για να λύσουν προβλήματα σε ένα άλλο. Για παράδειγμα, φανταστείτε ένα αυτόνομο όχημα που έχει μάθει να πλοηγείται στους ηλιόλουστους 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 μηχανισμός αντιστοίχισης προτύπων, και όχι ένα σύστημα ικανό για γνήσια νοημοσύνη. Η αληθινή νοημοσύνη θα απαιτούσε την γνωστική ευελιξία να αναγνωρίσει ότι η οδήγηση σε παγωμένους δρόμους είναι δομικά συγκρίσιμη με την οδήγηση σε άλλες ολισθηρές επιφάνειες, ακόμη και αν τα συγκεκριμένα στοιχεία διαφέρουν.

Η ίδια αρχή ισχύει φυσικά και σε τομείς πέρα από τα αυτόνομα οχήματα. 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 λόγιο που έχει απομνημονεύσει μια ολόκληρη βιβλιοθήκη αλλά δεν μπορεί να συνθέσει αυτή τη γνώση μεταξύ διαφορετικών επιστημονικών κλάδων. Εντυπωσιακό, βέβαια, αλλά μόνο με έναν πολύ περιορισμένο τρόπο.

Κατασκευή του αναλογικού νου

Τι θα χρειαζόταν για να αναπτύξουμε συστήματα τεχνητής νοημοσύνης ικανά για ανθρώπινη αναλογική σκέψη; Με βάση τις νέες έρευνες και τη θεμελιώδη φύση της αναλογικής σκέψης, ορισμένες κρίσιμες προϋποθέσεις και τεχνικές φαίνονται απαραίτητες.

Δομικά πλούσια και ποικίλα δεδομένα εκπαίδευσης

Η πρώτη απαίτηση είναι να έχουν τα συστήματα τεχνητής νοημοσύνης εκπαιδευτεί σε δεδομένα που υπερβαίνουν τα επιφανειακά κειμενικά μοτίβα. Το διαδίκτυο, με την τεράστια αποθήκη επιστημονικών εγγράφων, τεχνικής τεκμηρίωσης, δημιουργικών έργων και ερμηνευτικού περιεχομένου, είναι ένα καλό σημείο εκκίνησης. Δεν αρκούν όμως οποιαδήποτε δεδομένα από το διαδίκτυο. Αυτό που απαιτείται είναι δομική ποικιλότητα. Με άλλα λόγια, για να οδηγήσουν τα συστήματα τεχνητής νοημοσύνης να μάθουν να αναγνωρίζουν αφηρημένα πρότυπα, οι προγραμματιστές πρέπει να αρχίσουν να τα εκθέτουν σε αντιθέσεις από την πρώτη ημέρα της εκπαίδευσής τους. Τα δεδομένα εκπαίδευσής τους θα μπορούσαν να περιλαμβάνουν αρχιτεκτονικά σχέδια μαζί με μουσικές παρτιτούρες, μαθηματικές αποδείξεις μαζί με ποίηση, ή νομικά επιχειρήματα μαζί με συνταγές μαγειρικής. Καθώς κάθε τομέας ενσωματώνει διαφορετικά είδη δομών σχέσεων, ένα μελλοντικό σύστημα Τεχνητής Γενικής Νοημοσύνης θα μπορούσε να ωφεληθεί από αυτό το είδος άσκησης.

Το σημαντικότερο είναι ότι αυτά τα δεδομένα πρέπει να διατηρούν και να υπογραμμίζουν τις δομικές σχέσεις, και όχι μόνο τις στατιστικές συσχετίσεις. Γράφοι γνώσης, διαγράμματα αιτιότητας 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 για το τι είναι τα πράγματα, αλλά και για τις αρχές βάσει των οποίων σχετίζονται μεταξύ τους.

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 «αντιγεγονικά» καθήκοντα.

Για παράδειγμα, αντί να ζητήσουμε από ένα σύστημα τεχνητής νοημοσύνης να ολοκληρώσει τυπικές αναλογίες όπως «το κουτάβι είναι προς τον σκύλο ό,τι το γατάκι προς το ____», θα μπορούσαμε να του παρουσιάσουμε προβλήματα που χρησιμοποιούν επινοημένες έννοιες ή να του ζητήσουμε να χαρτογραφήσει σχέσεις μεταξύ τομέων που δεν έχει δει ποτέ να συνδέονται. Μπορεί να αναγνωρίσει ότι η σχέση μεταξύ συστατικών και μιας συνταγής παραλληλίζει τη σχέση μεταξύ αποδεικτικών στοιχείων και ενός νομικού επιχειρήματος, 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 προγραμματιστές της τεχνητής νοημοσύνης είναι ότι υπάρχουν δεκαετίες έρευνας στη 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 τροχιακή κίνηση, αλλά και να κατανοήσει τις αιτιώδεις σχέσεις που διέπουν αυτές τις τροχιές. 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.

Υποστήριξη της σκέψης μέσω προτροπών

Πρόσφατη έρευνα υποδηλώνει ότι η ικανότητα της τεχνητής νοημοσύνης να σκέφτεται αναλογικά εξαρτάται σε μεγάλο βαθμό από το πώς ζητείται να το κάνει. Προτροπές για αναλογική σκέψη – η ρητή οδήγηση των μοντέλων μέσω της διαδικασίας της δομικής χαρτογράφησης – μπορούν να προκαλέσουν πιο εξελιγμένη σκέψη από την απλή παρουσίαση προβλημάτων χωρίς καθοδήγηση. Αυτό μπορεί να περιλαμβάνει πρώτα να ζητηθεί από το σύστημα να αναγνωρίσει σχέσεις σε έναν τομέα προέλευσης, και στη συνέχεια να ζητηθεί ρητά να χαρτογραφήσει αυτές τις σχέσεις σε έναν τομέα στόχο.

Αυτή η τεχνική θα μπορούσε να εξυπηρετήσει διπλό σκοπό: να βελτιώσει τις αναλογικές ικανότητες των σημερινών 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 – δηλαδή τη ρητή αναπαράσταση και τον χειρισμό δομικών σχέσεων – θα μπορούσαν να παρέχουν το κομμάτι που λείπει. Ενώ τα νευρωνικά δίκτυα διαπρέπουν στην εκμάθηση έμμεσων μοτίβων, τα συμβολικά συστήματα μπορούν να επιβάλλουν τη δομική συνέπεια 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 επινοούν πληροφορίες και να σκέφτονται αναλογικά με επιφανειακό τρόπο.

Πού από εδώ;

Ανάλογα με το ποιον ρωτάτε, 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 το όνειρο 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 έναν 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 τον συντονισμό, την εκπροσώπηση και την αρμονία που αναδύεται από την αλληλεπίδραση – θα έχει ξεπεράσει ένα κρίσιμο κατώφλι προς την αληθινή νοημοσύνη.