Ihmisen kaltaista ajattelua: Voivatko tekoälyjärjestelmät kehittää analogisen päättelyn?

Kun ihmiset kohtaavat uuden asian, he etsivät vaistonvaraisesti vertailuja. Lapsi, joka oppii atomeista, saattaa kuulla, että elektronit kiertävät atomiydintä “kuin planeetat kiertävät aurinkoa”. Yrittäjä saattaa esittää startup-yrityksensä “Uberina eläinten hoitajille”. Tieteilijä saattaa selittää ei-asiantuntijayleisölle, että aivot prosessivat tietoa “kuin tietokone”.

Tämä mentaalinen loikka – näkeminen, miten yksi asia muistuttaa toista sen syvemmässä rakenteessa – on kutsuttu analogiseksi päättelyksi. Ja se saattaa olla se aines, joka erottaa ihmisen älymystä tekoälystä sen nykyisessä muodossa. Jos haluamme kehittää koskaan yleistä tekoälyä – tekoälyn pyhää graaalia, joka on osoittautunut haasteelliseksi – meidän on selvittävä, onko mahdollista, että koneet voivat oppia ajattelemaan analogisesti. Panokset eivät voi olla korkeammat. Jos vastaus on “Ei”, jopa kehittyneimmät tekoälyjärjestelmät jäävät ikuisesti pelkiksi laskimiksi. Ne eivät pysty ratkaisemaan ongelmia, jotka vaativat enemmän kuin vain tiedon uudelleenjärjestelyä, jonka ne ovat saaneet koulutuksestaan.

Ymmärryksen arkkitehtuuri

Analoginen päättely toimii rakenteellisten, ei pinnan tasolla olevien samankaltaisuuksien tasolla. Esimerkiksi, mitä sydämet ja vesipumput ovat samanlaisia? Ei varmasti niiden fyysistä ulkonäköä. Se on se, että molemmat suorittavat täsmälleen saman toiminnon, nimittäin nesteen kierrättämisen järjestelmässä. Ja juuri tämä kyky kartoittaa suhteita, jotka ovat tyypillisiä yhdessä asiayhteydessä toiseen asiayhteys, tekee ihmisen oppimisesta, luovuudesta ja ongelmanratkaisusta niin ainutlaatuisen.

Maailmassa on runsaasti esimerkkejä. Otetaan esimerkiksi August Kekulé, saksalainen kemisti, joka sai vihjeen bentseenin rakenteesta unen kautta, jossa hän näki käärmeen, joka puraisee omaa häntäänsä . Nykyään ohjelmoijat soveltavat oppeja keittiön järjestämisestä koodin rakenteeseen, ja opettajat selittävät sähkövirran vedenvirtauksen kautta putkistossa.

Nykyiset tekoälyjärjestelmät kuitenkin löytävät tämän yleisen kognitiivisen taidon hyvin haastavaksi. Kun niitä pyydetään, modernit suuret kielimallit (LLM) ovat liian iloisia selittämään, miksi “aika on rahaa” tai suorittamaan sanallisia päättelytehtäviä. Mutta kasvava näyttö viittaa siihen, että ne usein osallistuvat sofistikoituneeseen mallintamiseen, eikä aitoon rakenteelliseen kartoittamiseen. Kun tutkijat esittävät näille malleille uusia analogisia ongelmia, jotka poikkeavat heidän koulutusdatastaan, suorituskyky usein romahtaa. Tämä johtuu siitä, että LLM:t ovat erittäin hyviä toistamaan analogioita, joita ne ovat nähneet aikaisemmin, mutta epäonnistuvat, kun niiltä pyydetään luomaan uusia yhteyksiä.

Ei analogista päättelyä, ei yleistä tekoälyä

Ilmeisesti, analoginen päättely on oleellinen yleisen tekoälyn ominaisuus. Ilman sitä tekoälyjärjestelmät jäävät hauraksi, eivätkä pysty soveltamaan tietoa, joka on relevanttia yhdessä alueessa, ratkaisemaan ongelmia toisella alueella. Esimerkiksi, kuvitellaan itsestään ajava auto, joka on oppinut navigoimaan kalifornialaisilla aurinkoisilla kaduilla, mutta ei pysty yleistämään oppimistaan käsittelyyn lumisissa olosuhteissa. Auton tekoälyjärjestelmä on kallis mallintaja, eikä järjestelmä, joka pystyy aitoon älykkyyteen. Todellinen älykkyys vaatisi kognitiivista joustavuutta tunnistaa, että ajaminen jäisillä teillä on rakenteellisesti verrattavissa muihin liukkaisiin pintojen skenaarioihin, vaikka yksityiskohdat poikkeavatkin.

Tämä periaate pätee myös alueilla, jotka ovat autonomisten ajoneuvojen ulottumattomissa. Analoginen ajattelu ajaa myös edelleen tieteessä, lääketieteellisessä diagnosoinnissa, oikeudellisessa päättelyssä ja luovissa pyrkimyksissä. Tekoälyjärjestelmät ilman tätä kykyä muistuttavat tutkijaa, joka on muistanut koko kirjaston, mutta ei pysty syntetisoimaan tietoa eri aloilla. Vaikuttava, kyllä, mutta vain kapeasti rajoitettu.

Rakentamassa analogista mieltä

Mitä se vaatisi kehittää tekoälyjärjestelmiä, jotka pystyvät ihmisenkaltaiseen analogiseen päättelyyn? Perustuen nousevaan tutkimukseen ja analogisen ajattelun perusrakenteeseen, useat kriittiset ehdot ja tekniikat näyttävät olevan välttämättömiä.

Rakenteellisesti rikkaat ja monipuoliset koulutusdatat

Ensimmäinen vaatimus on, että tekoälyjärjestelmien on koulutettava dataa, joka menee pinnan tasolla olevien tekstien mallien ulkopuolelle. Internet, joka on laaja repositorio tieteellisiä papereita, teknisiä dokumentteja, luovia teoksia ja selittävää sisältöä, on hyvä lähtökohta. Mutta ei mikä tahansa internet-data riitä. Mitä vaaditaan, on rakenteellinen monipuolisuus. Toisin sanoen, ohjaamaan tekoälyjärjestelmiä tunnistamaan abstrakteja malleja, kehittäjien on aloitettava altistamaan niitä kontrasteihin koulutuksen ensimmäisestä päivästä lähtien. Heidän koulutusdataansa voisi sisältää arkkitehtuurin piirustuksia yhdessä musiikin nuoteilla, matemaattisia todistuksia yhdessä runoilun kanssa tai oikeudellisia argumentteja yhdessä reseptien kanssa. Koska jokainen ala edustaa erilaisia relaatiomalleja, yleinen tekoäly voisi hyötyä tästä harjoituksesta.

Tärkeämpää on, että tämä data on säilytetty ja korostettu rakenteellisia suhteita, eikä vain tilastollisia korrelaatioita. Tietokannat, kausaaliset kaaviot ja eksplisiittisesti kartoitetut suhteet käsitteiden välillä voivat auttaa tekoälyjärjestelmiä oppimaan “näkemään” rakenteen, eikä ainoastaan muistamaan assosiaatioita mekaanisesti. Ajatellaan opettamista tekoälylle ei vain siitä, mitä asiat ovat, vaan miten ne liittyvät toisiinsa periaatteellisilla tavoilla.

Testaaminen koulutusjoukon ulkopuolella

Varmistamaan, että tekoälyjärjestelmät oppivat päättelyä analogisesti, eikä ainoastaan parantamaan jäljittelytaitojaan, tarvitsemme työkaluja, jotka tarkoituksella tutkivat kykyään kartoittaa rakennetta tilanteisiin, joita ne eivät ole koskaan kohdanneet aiemmin. Tämä edellyttää testitehtävien rakentamista, jotka ovat tarkoituksella erilaisia kuin mitä heidän koulutusdatastaan on todennäköistä – mitä tutkijat kutsuvat “vastakkaisten” tehtävien.

Esimerkiksi, sen sijaan, että pyytäisimme tekoälyä täydentämään standardianalogioita, kuten “pentu on koiralle, mitä kissanpentu on ___”, voimme esittää sille ongelmia, jotka käyttävät keksittyjä käsitteitä tai pyytää sitä kartoittamaan suhteita välillä, joita se ei ole koskaan nähnyt yhdistettyinä. Voiko se tunnistaa, että suhde aineiden ja reseptin välillä vastaa suhdetta todisteiden ja oikeudellisen argumentin välillä, vaikka se ei ole koskaan kohdannut tätä vertailua? Tällaiset testit paljastaisivat, onko järjestelmä omannut itse rakenteen, vai muistaa vain samanlaisia esimerkkejä.

Mittaaminen, mitä on tärkeää

Hyvä uutinen tekoälykehittäjille on, että on olemassa vuosikymmenien verran kognitiivisen tieteen tutkimusta, joka käsittelee nimenomaan sitä, miten ihmiset prosessivat analogioita. He voivat käyttää tätä tutkimusta kehittääkseen vankat mittarit analogisen päättelyn arviointiin. Kuitenkin näiden mittareiden on mentävä pidemmälle kuin yksinkertaisesti laskeminen oikeiden vastausten määrää analogiaparissa. Mitä todella tarvitaan, ovat mittausjärjestelmät, jotka havaitsevat, voivatko tekoälyjärjestelmät tunnistaa, mitkä suhteet ovat olennaisia kartoittaa, samalla kun ne jättävät huomiotta pinnan tasolla olevat samankaltaisuuksia ja ylläpitävät johdonmukaisuutta kartoituksissaan.

Tämä saattaa vaatia arviointijärjestelmiä, jotka palkitsevat korkeamman tasoisia suhteita. Esimerkiksi, tekoäly saa korkeamman arvosanan, jos se pystyy tunnistamaan, että sekä atomit että aurinkokunnat liittyvät kiertoonsa, ja ymmärtää kausaaliset suhteet, jotka ohjaavat näitä kiertoja. Toinen arvioitava kyky voisi olla, voivatko tekoälyt luonnollisesti luoda soveltuvia analogioita selittääkseen uusia käsitteitä, eikä ainoastaan suorittaa ennalta määrättyjä analogiaparitehtäviä.

Ohjaaminen vihjeiden avulla

Viimeaikaiset tutkimukset osoittavat, että tekoälyjen kyky ajatella analogisesti riippuu suurelta osin siitä, miten niille annetaan tehtävä. Analoginen ohjaus – eksplisiittinen ohjaus prosessin kautta rakenteelliseen kartoittamiseen – voi herättää monimutkaisempaa päättelyä kuin yksinkertaisesti esittää ongelmia. Tämä saattaa vaatia pyytämistä järjestelmältä tunnistamaan suhteita lähdemaailmassa, ja sitten eksplisiittisesti pyytämistä sitä kartoittamaan nämä suhteet kohdemaailmaan.

Tämä tekniikka voisi palvella kahta tarkoitusta: parantaa nykyisten tekoälyjärjestelmien analogisia kykyjä ja luoda koulutusdataa tuleville malleille. Onnistuneiden analogisen päättelyn esimerkkien tallentaminen voisi luoda esimerkkejä, jotka voivat opettaa myöhemmille järjestelmille osallistumaan tähän prosessiin luonnollisemmin.

Hybridirakenteet

Saavuttaminen ihmisenkaltaista analogista päättelyä saattaa vaatia siirtymistä pelkästään neurverkko-lähestymistapaan. Hybridijärjestelmät, jotka yhdistävät mallintamisen ja symbolisen päättelyn – eksplisiittisesti edustaen ja manipuloivan rakenteellisia suhteita – voivat tarjota puuttuvan palan. Vaikka neurverkot oppivat implisiittisiä malleja, symboliset järjestelmät voivat pakottaa rakenteellisen johdonmukaisuuden ja logisen kartoittamisen, mitä analoginen päättely vaatii.

Hybridirakenteet ovat vielä alkuvaiheessa, mutta tutkijat tutkivat niiden potentiaalia. Jotkut väittävät yhdistämisestä neurverkkoja symboliseen päättelyyn, joka voisi johtaa parantuneisiin analogisiin kykyihin. Toiset edistävät hybridimalleja, jotka on suunniteltu ratkaisemaan tekoälymallien taipumus keksimään ja ajatellaan analogisesti pinnallisesti.

Mihin seuraavaksi?

Riippuen siitä, keneltä kysyt, analoginen päättely on joko jo emergoituva tai tekoälyt ovat vain taitavampia jäljittelyssään. Mikä tahansa näistä näkemyksistä on lähempänä totuutta, on selvää, että jos yleisen tekoälyn unelma on toteutettava, se vaatii enemmän kuin vain suurempia malleja tai enemmän dataa. Se vaatii myös joitain perustavanlaatuisia innovaatioita siinä, miten rakennamme, koulutamme ja arvioimme tekoälyjärjestelmiämme.

Kun tekoälyn muuntavan voima kehittyy, analoginen päättely tulee edustamaan sekä kriittistä suorituskyvyn mittaria että hillitöntä muistutusta kuilusta tekoälyn nykyisten kykyjen ja aitojen ihmisen kognitiivisten kykyjen välillä. Kun tekoälyjärjestelmä voi nähdä, että demokratia on kansalaisille sama kuin orkesteri on muusikoille – tunnistaa ei pinnan piirteitä vaan syvät rakenteelliset suhteet koordinoinnista, edustuksesta ja emergoivasta harmoniasta – se on ylittänyt kriittisen kynnyksen kohti todellista älykkyyttä.