A neurális hálózatok elérik az emberhez hasonló nyelvi általánosítást

A mesterséges intelligencia (AI) folyamatosan fejlődő világában a tudósok a közelmúltban jelentős mérföldkövet jelentettek be. Létrehoztak egy neurális hálózatot, amely emberhez hasonló jártasságot mutat a nyelvi általánosításban. Ez az úttörő fejlesztés nem csupán egy lépés, hanem óriási ugrás az emberi megismerés és az AI-képességek közötti szakadék áthidalása felé.

Ahogy tovább haladunk a mesterséges intelligencia birodalmába, ezeknek a rendszereknek az a képessége, hogy megértsék és alkalmazzák a nyelvet különféle kontextusokban, hasonlóan az emberekhez. Ez a közelmúltbeli eredmény ígéretes bepillantást nyújt egy olyan jövőbe, ahol az ember és a gép közötti interakció szervesebb és intuitívabb, mint valaha.

Összehasonlítás a meglévő modellekkel

A mesterséges intelligencia világától nem idegenek a nyelvet feldolgozni és reagálni képes modellek. Ennek a közelmúltbeli fejleménynek az újdonsága azonban a nyelvi általánosítás fokozott képességében rejlik. Ha szembeállították a kialakult modellekkel, például a népszerű chatbotokkal, ez az új neurális hálózat kiváló képességet mutatott arra, hogy az újonnan tanult szavakat a meglévő lexikonjába gyűjtse, és ismeretlen kontextusban használja.

Míg a mai legjobb mesterséges intelligencia modellek, mint például a ChatGPT, számos társalgási forgatókönyvben megállják a helyüket, még mindig alulmaradnak az új nyelvi információk zökkenőmentes integrációjában. Ez az új neurális hálózat viszont közelebb visz minket ahhoz a valósághoz, ahol a gépek képesek felfogni és kommunikálni az ember árnyalatait és alkalmazkodóképességét.

A szisztematikus általánosítás megértése

Ennek az eredménynek a középpontjában a szisztematikus általánosítás koncepciója áll. Ez az, ami lehetővé teszi az emberek számára, hogy könnyedén alkalmazkodjanak és használhassák az újonnan szerzett szavakat a legkülönbözőbb körülmények között. Például, ha megértjük a „fotobomba” kifejezést, ösztönösen tudjuk, hogyan kell használni különféle helyzetekben, legyen szó „kétszeri fotobombázásról” vagy „fotobombázásról egy Zoom-hívás közben”. Hasonlóképpen, ha megértjük az olyan mondatszerkezetet, mint a „macska üldözi a kutyát”, könnyen megérthetjük a fordítottját: „a kutya üldözi a macskát”.

Mégis, ez a belső emberi képesség kihívást jelent az AI számára. A hagyományos neurális hálózatok, amelyek a mesterséges intelligencia kutatásának gerincét képezték, természetesen nem rendelkeznek ezzel a képességgel. Küzdenek egy új szó beillesztésével, hacsak nem kaptak átfogó képzést az adott szó több mintájára a szövegkörnyezetben. Ez a korlát évtizedek óta vita tárgya az AI-kutatók körében, és vitákat váltott ki a neurális hálózatok életképességéről, mint az emberi kognitív folyamatok valódi tükröződéséről.

A tanulmány részletesen

A neurális hálózatok képességeinek és nyelvi általánosítási lehetőségeinek mélyebb megismerése érdekében a átfogó tanulmány végeztek. A kutatás nem korlátozódott a gépekre; 25 emberi résztvevő vett részt bonyolultan, és etalonként szolgált az AI teljesítményéhez.

A kísérlet pszeudonyelvet, a résztvevők számára ismeretlen szavak összeállítását használta. Ez biztosította, hogy a résztvevők valóban először tanulják meg ezeket a kifejezéseket, tiszta lapot biztosítva az általánosítás teszteléséhez. Ez a pszeudonyelv két különálló szókategóriát tartalmazott. A „primitív” kategória olyan szavakat tartalmazott, mint a „dax”, „wif” és „lug”, amelyek az „ugráshoz” vagy „ugráshoz” hasonló alapvető műveleteket szimbolizálták. Másrészt az elvontabb „funkciós” szavak, mint például a „blicket”, „kiki” és „fep”, szabályokat határoztak meg e primitív kifejezések alkalmazására és kombinációjára, és olyan sorozatokhoz vezettek, mint a „ugrás háromszor”. vagy „ugrás hátra”.

Egy vizuális elem is bekerült a képzési folyamatba. Minden primitív szó egy meghatározott színű körhöz volt társítva. Például egy piros kör jelentheti a „dax”-ot, míg a kék a „lug”-ot. Ezután a résztvevőknek primitív és funkciószavak kombinációit mutatták meg, színes körök mintáival kísérve, amelyek a függvények primitívekre történő alkalmazásának eredményeit ábrázolták. Példa erre a „dax fep” kifejezés párosítása három piros körrel, ami azt szemlélteti, hogy a „fep” egy absztrakt szabály a művelet háromszori megismétlésére.

A résztvevők megértési és szisztematikus általánosító képességének felmérésére a primitív és a funkciószavak bonyolult kombinációit mutatták be. Ezután azt a feladatot kapták, hogy határozzák meg a körök helyes színét és számát, majd rendezzék tovább a megfelelő sorrendbe.

Következmények és szakértői vélemények

Ennek a tanulmánynak az eredményei nem csak egy újabb lépést jelentenek az AI-kutatás évkönyvében; paradigmaváltást jelentenek. A neurális hálózat teljesítménye, amely szorosan tükrözte az emberhez hasonló szisztematikus általánosítást, izgalmat és intrikát kavart a tudósok és az iparági szakértők körében.

Dr. Paul Smolensky, a Johns Hopkins Egyetem nyelvre szakosodott neves kognitív tudósa „áttörésnek” üdvözölte ezt, mint „áttörést a hálózatok szisztematikussá nevelésének képességében”. Kijelentése aláhúzza ennek az eredménynek a nagyságát. Ha a neurális hálózatokat meg lehet tanítani a szisztematikus általánosításra, akkor számos alkalmazást forradalmasíthatnak, a chatbotoktól a virtuális asszisztensekig és azon túl.

Ez a fejlesztés azonban több, mint pusztán technológiai előrelépés. Érint egy régóta tartó vitát az AI-közösségben: Valóban szolgálhatnak-e a neurális hálózatok az emberi megismerés pontos modelljeként? Ez a kérdés közel négy évtizede vitatja az AI-kutatókat. Míg egyesek hittek abban, hogy a neurális hálózatok képesek az emberhez hasonló gondolkodási folyamatokat utánozni, mások szkeptikusak maradtak eredendő korlátaik miatt, különösen a nyelvi általánosítás terén.

Ez a tanulmány ígéretes eredményeivel az optimizmus javára billenti a mérleget. Amint azt Brenden Lake, a New York-i Egyetem kognitív számítástechnikával foglalkozó tudósa és a tanulmány társszerzője rámutatott, a neurális hálózatok korábban nehézségekkel küzdhettek, de megfelelő megközelítéssel valóban úgy formálhatók, hogy tükrözzék az emberi megismerés különböző aspektusait.

A zökkenőmentes ember-gép szinergia jövője felé

A mesterséges intelligencia útját a születőben lévő szakaszoktól a jelenlegi képességekig folyamatos fejlődés és áttörések jellemezték. Ez a közelmúltbeli eredmény a neurális hálózatok nyelvi általánosítására való képzésében, újabb bizonyítéka az AI korlátlan lehetőségeinek. Jelen pillanatban elengedhetetlen, hogy felismerjük az ilyen előrelépések szélesebb körű következményeit. Egyre közelebb kerülünk egy olyan jövőhöz, ahol a gépek nem csak értik a szavainkat, hanem megragadják az árnyalatokat és a kontextusokat is, elősegítve a zökkenőmentesebb és intuitívabb ember-gép interakciót.