Neuroniniai tinklai pasiekia žmogui būdingą kalbos apibendrinimą

Nuolat besivystančiame dirbtinio intelekto (DI) pasaulyje mokslininkai neseniai paskelbė reikšmingą etapą. Jie sukūrė neuroninį tinklą, kuris demonstruoja į žmogų panašius kalbos apibendrinimo įgūdžius. Ši novatoriška plėtra yra ne tik žingsnis, bet ir milžiniškas šuolis siekiant sumažinti atotrūkį tarp žmogaus pažinimo ir dirbtinio intelekto galimybių.

Kai naršome toliau į AI sritį, šių sistemų gebėjimas suprasti ir taikyti kalbą įvairiuose kontekstuose, panašiai kaip žmonių, tampa itin svarbus. Šis naujausias pasiekimas suteikia daug žadantį žvilgsnį į ateitį, kurioje žmogaus ir mašinos sąveika atrodo organiškesnė ir intuityvesnė nei bet kada anksčiau.

Palyginimas su esamais modeliais

AI pasauliui nesvetimi modeliai, galintys apdoroti kalbą ir į ją reaguoti. Tačiau šios naujausios raidos naujovė slypi padidėjusiame kalbos apibendrinimo gebėjime. Šis naujas neuroninis tinklas, palyginti su nusistovėjusiais modeliais, pavyzdžiui, populiariais pokalbių robotais, parodė puikią galimybę naujai išmoktus žodžius sudėti į esamą leksiką ir naudoti juos nepažįstamuose kontekstuose.

Nors šiandieniniai geriausi dirbtinio intelekto modeliai, tokie kaip „ChatGPT“, gali išsilaikyti daugelyje pokalbio scenarijų, jie vis tiek nepasiekia sklandaus naujos kalbinės informacijos integravimo. Kita vertus, šis naujas neuroninis tinklas priartina mus prie tikrovės, kurioje mašinos gali suprasti ir bendrauti su žmogaus niuansais ir prisitaikymu.

Sisteminio apibendrinimo supratimas

Šio pasiekimo esmė yra sistemingo apibendrinimo koncepcija. Tai leidžia žmonėms lengvai prisitaikyti ir naudoti naujai įgytus žodžius įvairiose aplinkose. Pavyzdžiui, kai suprantame terminą „fotobomba“, instinktyviai žinome, kaip jį naudoti įvairiose situacijose, nesvarbu, ar tai būtų „fotobombardavimas du kartus“, ar „fotobombardavimas mastelio keitimo skambučio metu“. Panašiai suprasdami sakinio struktūrą, pvz., „katė vejasi šunį“, galime lengvai suvokti jos atvirkštinę reikšmę: „šuo vejasi katę“.

Tačiau šis vidinis žmogaus gebėjimas buvo sudėtinga AI riba. Tradiciniai neuroniniai tinklai, kurie buvo dirbtinio intelekto tyrimų pagrindas, natūraliai neturi šio įgūdžio. Jie grumiasi su naujo žodžio įtraukimu, nebent jie buvo plačiai apmokyti su keliais to žodžio pavyzdžiais kontekste. Šis apribojimas dešimtmečius buvo diskusijų objektas tarp dirbtinio intelekto tyrinėtojų, paskatinusių diskusijas apie neuroninių tinklų, kaip tikro žmogaus pažinimo procesų atspindžio, gyvybingumą.

Išsamus tyrimas

Norėdami giliau įsigilinti į neuroninių tinklų galimybes ir jų kalbos apibendrinimo galimybes, a išsamus tyrimas buvo atlikta. Tyrimai neapsiribojo mašinomis; 25 žmonės dalyvavo sudėtingai, o tai buvo AI veikimo etalonas.

Eksperimente buvo naudojama pseudo kalba, sukurtas žodžių rinkinys, kuris dalyviams buvo nepažįstamas. Tai užtikrino, kad dalyviai iš tikrųjų išmoko šiuos terminus pirmą kartą, o tai suteikė švarų lapą apibendrinimui. Šią pseudokalbą sudarė dvi skirtingos žodžių kategorijos. Kategorijoje „Primityvioji“ buvo tokie žodžiai kaip „dax“, „wif“ ir „lug“, kurie simbolizavo pagrindinius veiksmus, panašius į „praleisti“ arba „šokti“. Kita vertus, abstraktesni „funkciniai“ žodžiai, tokie kaip „blicket“, „kiki“ ir „fep“, nustatė šių primityvių terminų taikymo ir derinimo taisykles, todėl susidaro tokios sekos kaip „peršokti tris kartus“. arba „praleisti atgal“.

Į mokymo procesą buvo įtrauktas ir vizualinis elementas. Kiekvienas primityvus žodis buvo susietas su konkrečios spalvos apskritimu. Pavyzdžiui, raudonas apskritimas gali reikšti „dax“, o mėlynas – „lug“. Tada dalyviams buvo parodyti primityvių ir funkcinių žodžių deriniai, kartu su spalvotų apskritimų modeliais, kurie vaizdavo funkcijų taikymo primityvams rezultatus. Pavyzdys galėtų būti frazės „dax fep“ suporavimas su trimis raudonais apskritimais, iliustruojančiais, kad „fep“ yra abstrakti taisyklė, leidžianti veiksmą pakartoti tris kartus.

Siekiant įvertinti dalyvių supratimą ir sistemingo apibendrinimo gebėjimus, jiems buvo pateikti sudėtingi primityvių ir funkcinių žodžių deriniai. Tada jiems buvo pavesta nustatyti teisingą apskritimų spalvą ir skaičių, toliau juos išdėstyti atitinkama seka.

Pasekmės ir ekspertų nuomonės

Šio tyrimo rezultatai nėra tik dar vienas prieaugis AI tyrimų metraščiuose; jie reiškia paradigmos pokytį. Neuroninio tinklo veikimas, kuris glaudžiai atspindėjo į žmogų panašų sistemingą apibendrinimą, sukėlė jaudulį ir intrigą tarp mokslininkų ir pramonės ekspertų.

Dr. Paulas Smolenskis, žinomas kognityvinis mokslininkas, Johnso Hopkinso universiteto kalbų specializacija, gyrė tai kaip „proverį gebėjime mokyti tinklus būti sistemingus“. Jo pareiškimas pabrėžia šio pasiekimo mastą. Jei neuroninius tinklus galima išmokyti sistemingai apibendrinti, jie gali pakeisti daugybę programų, pradedant pokalbių robotais ir baigiant virtualiais asistentais ir ne tik.

Tačiau ši plėtra yra daugiau nei tik technologinė pažanga. Tai paliečia ilgalaikes diskusijas AI bendruomenėje: ar neuroniniai tinklai tikrai gali būti tikslus žmogaus pažinimo modelis? Beveik keturis dešimtmečius šis klausimas AI tyrėjus nesutaria. Nors vieni tikėjo neuroninių tinklų galimybe imituoti žmogaus mąstymo procesus, kiti liko skeptiški dėl jiems būdingų apribojimų, ypač kalbos apibendrinimo srityje.

Šis tyrimas, kurio rezultatai yra daug žadantys, persveria svarstykles optimizmo naudai. Kaip pažymėjo Niujorko universiteto kognityvinių skaičiavimų mokslininkas Brendenas Lake'as ir tyrimo bendraautoris, praeityje neuroniniai tinklai galėjo susidurti su problemomis, tačiau laikantis tinkamo požiūrio jie iš tiesų gali būti suformuoti taip, kad atspindėtų žmogaus pažinimo aspektus.

Besiūlės žmogaus ir mašinos sinergijos ateities link

Dirbtinio intelekto kelionė nuo jo atsiradimo etapų iki dabartinio meistriškumo buvo pažymėta nuolatine evoliucija ir proveržiais. Šis naujausias pasiekimas lavinant neuroninius tinklus sistemingai apibendrinti kalbą yra dar vienas neriboto AI potencialo įrodymas. Šiuo metu labai svarbu pripažinti platesnes tokių pažangų pasekmes. Artėjame prie ateities, kurioje mašinos ne tik supranta mūsų žodžius, bet ir suvokia niuansus bei kontekstus, skatinant sklandesnę ir intuityvesnę žmogaus ir mašinos sąveiką.