Neironu tīkli panāk cilvēkam līdzīgu valodas vispārināšanu

Mākslīgā intelekta (AI) pasaulē, kas pastāvīgi attīstās, zinātnieki nesen ir paziņojuši par nozīmīgu pavērsienu. Viņi ir izveidojuši neironu tīklu, kas demonstrē cilvēkam līdzīgu valodas vispārināšanas prasmi. Šī novatoriskā attīstība nav tikai solis, bet milzīgs lēciens, lai pārvarētu plaisu starp cilvēka izziņu un AI iespējām.

Kad mēs virzāmies tālāk uz AI sfēru, šo sistēmu spēja saprast un lietot valodu dažādos kontekstos, līdzīgi kā cilvēkiem, kļūst par vissvarīgāko. Šis nesenais sasniegums sniedz daudzsološu ieskatu nākotnē, kurā cilvēka un mašīnas mijiedarbība šķiet organiskāka un intuitīvāka nekā jebkad agrāk.

Salīdzinājums ar esošajiem modeļiem

AI pasaulei nav sveši modeļi, kas spēj apstrādāt valodu un reaģēt uz to. Tomēr šīs nesenās attīstības novitāte ir tās paaugstinātā spēja vispārināt valodu. Salīdzinot ar vispāratzītiem modeļiem, piemēram, tiem, kas ir populāro tērzēšanas robotu pamatā, šis jaunais neironu tīkls parādīja izcilu spēju salocīt tikko apgūtos vārdus esošajā leksikā un izmantot tos nepazīstamā kontekstā.

Lai gan mūsdienu labākie AI modeļi, piemēram, ChatGPT, var noturēties daudzos sarunu scenārijos, tie joprojām ir nepietiekami, ja runa ir par jaunas lingvistiskās informācijas nemanāmu integrāciju. Šis jaunais neironu tīkls, no otras puses, tuvina mūs realitātei, kurā mašīnas var saprast un sazināties ar cilvēka niansēm un pielāgošanās spēju.

Izpratne par sistemātisku vispārināšanu

Šī sasnieguma pamatā ir sistemātiskas vispārināšanas jēdziens. Tas ļauj cilvēkiem bez piepūles pielāgoties un lietot jauniegūtos vārdus dažādos apstākļos. Piemēram, kad mēs saprotam terminu “fotobumba”, mēs instinktīvi zinām, kā to lietot dažādās situācijās, neatkarīgi no tā, vai tā ir “fotobombardēšana divreiz” vai “fotobombardēšana tālummaiņas zvana laikā”. Līdzīgi, izprotot teikuma struktūru, piemēram, “kaķis dzenā suni”, mēs varam viegli uztvert tā apgriezto: “suns dzenā kaķi”.

Tomēr šī cilvēka spēja ir bijusi sarežģīta AI robeža. Tradicionālajiem neironu tīkliem, kas ir bijuši mākslīgā intelekta pētījumu mugurkauls, šīs prasmes dabiski nepiemīt. Viņi cīnās ar jauna vārda iekļaušanu, ja vien viņi nav plaši apmācīti ar vairākiem šī vārda paraugiem kontekstā. Šis ierobežojums ir bijis AI pētnieku diskusiju priekšmets gadu desmitiem, izraisot diskusijas par neironu tīklu dzīvotspēju kā patiesu cilvēka kognitīvo procesu atspoguļojumu.

Detalizēts pētījums

Lai dziļāk izpētītu neironu tīklu iespējas un to valodas vispārināšanas iespējas, a visaptverošs pētījums tika veikta. Pētījums neaprobežojās tikai ar mašīnām; Bija sarežģīti iesaistīti 25 cilvēki, kas kalpoja par AI veiktspējas etalonu.

Eksperimentā tika izmantota pseido valoda, konstruēts vārdu kopums, kas dalībniekiem nebija pazīstams. Tas nodrošināja, ka dalībnieki patiešām pirmo reizi apgūst šos terminus, nodrošinot tīru lapu vispārinājuma pārbaudei. Šī pseidovaloda ietvēra divas atšķirīgas vārdu kategorijas. Kategorijā “primitīvā” bija tādi vārdi kā “dax”, “wif” un “lug”, kas simbolizēja pamata darbības, kas līdzinās “izlaišanai” vai “lēkšanai”. No otras puses, abstraktāki “funkciju” vārdi, piemēram, “blicket”, “kiki” un “fep”, noteica šo primitīvo terminu piemērošanas un kombinācijas noteikumus, kas noveda pie tādām sekvencēm kā “lēkt trīs reizes”. vai "izlaist atpakaļ".

Apmācības procesā tika ieviests arī vizuāls elements. Katrs primitīvais vārds bija saistīts ar noteiktas krāsas apli. Piemēram, sarkans aplis var apzīmēt "dax", bet zils apzīmēt "lug". Pēc tam dalībniekiem tika parādītas primitīvu un funkciju vārdu kombinācijas, kurām pievienoti krāsainu apļu modeļi, kas attēloja funkciju piemērošanas rezultātus primitīviem. Piemērs varētu būt frāzes “dax fep” savienošana pārī ar trim sarkaniem apļiem, kas ilustrē, ka “fep” ir abstrakts noteikums, lai darbību atkārtotu trīsreiz.

Lai novērtētu dalībnieku izpratni un sistemātiskās vispārināšanas spējas, viņiem tika piedāvātas sarežģītas primitīvo un funkciju vārdu kombinācijas. Pēc tam viņiem tika uzdots noteikt pareizo apļu krāsu un skaitu, tālāk sakārtojot tos atbilstošā secībā.

Sekas un ekspertu atzinumi

Šī pētījuma rezultāti nav tikai vēl viens pieaugums AI pētījumu gadagrāmatās; tie atspoguļo paradigmas maiņu. Neironu tīkla veiktspēja, kas cieši atspoguļoja cilvēkam līdzīgu sistemātisku vispārināšanu, ir izraisījusi satraukumu un intrigu zinātnieku un nozares ekspertu vidū.

Dr. Pols Smoļenskis, slavens izziņas zinātnieks, kura specializācija ir valoda Džona Hopkinsa universitātē, atzinīgi novērtēja to kā "izrāvienu spējā apmācīt tīklus sistemātiskus". Viņa paziņojums uzsver šī sasnieguma vērienu. Ja neironu tīklus var apmācīt sistemātiski vispārināt, tie potenciāli var mainīt daudzas lietojumprogrammas, sākot no tērzēšanas robotiem līdz virtuālajiem palīgiem un ne tikai.

Tomēr šī attīstība ir vairāk nekā tikai tehnoloģisks sasniegums. Tas skar ilgstošās debates AI kopienā: vai neironu tīkli patiešām var kalpot kā precīzs cilvēka izziņas modelis? Gandrīz četras desmitgades šis jautājums ir izraisījis AI pētnieku nesaskaņas. Lai gan daži ticēja neironu tīklu potenciālam līdzināties cilvēkiem līdzīgiem domāšanas procesiem, citi palika skeptiski to raksturīgo ierobežojumu dēļ, īpaši valodas vispārināšanas jomā.

Šis pētījums ar daudzsološajiem rezultātiem nobīda svarus par labu optimismam. Kā norādīja Brendens Leiks, Ņujorkas universitātes kognitīvās skaitļošanas zinātnieks un pētījuma līdzautors, neironu tīkli, iespējams, agrāk ir cīnījušies, taču ar pareizo pieeju tos patiešām var veidot tā, lai tie atspoguļotu cilvēka izziņas aspektus.

Ceļā uz bezšuvju cilvēka un mašīnas sinerģijas nākotni

AI ceļojums no tā topošajiem posmiem līdz pašreizējai varonībai ir iezīmējies ar nepārtrauktu attīstību un sasniegumiem. Šis nesenais sasniegums neironu tīklu apmācībā, lai sistemātiski vispārinātu valodu, ir vēl viens apliecinājums AI neierobežotajam potenciālam. Pašreizējā situācijā ir svarīgi apzināties šādu sasniegumu plašākas sekas. Mēs tuvojamies nākotnei, kurā mašīnas ne tikai saprot mūsu vārdus, bet arī uztver nianses un kontekstu, veicinot viengabalaināku un intuitīvāku cilvēka un mašīnas mijiedarbību.