Denken als een mens: Kan AI analoge redenering ontwikkelen?

Wanneer mensen met iets nieuws geconfronteerd worden, grijpen ze instinctief naar vergelijkingen. Een kind dat leert over atomen, hoort misschien dat elektronen om de nucleus “draaien zoals planeten om de zon draaien”. Een ondernemer kan zijn startup beschrijven als “Uber voor hondentrimsalons”. Een wetenschapper kan een niet-specialistisch publiek vertellen dat de hersenen informatie verwerken “zoals een computer”.

Deze mentale sprong – het zien van hoe één ding op een ander lijkt in zijn diepere structuur – wordt analoge redenering genoemd. En het kan het ingrediënt zijn dat het verschil maakt tussen menselijke intelligentie en AI in zijn huidige vorm. Als we ooit Artificial General Intelligence willen ontwikkelen – de Heilige Graal van AI die tot nu toe ontoegankelijk is gebleven – moeten we uitvinden of het mogelijk is voor machines om analoge redenering te leren. De inzet kan niet hoger zijn. Als het antwoord “Nee” is, zullen zelfs de meest geavanceerde AI-systemen voor altijd niets meer zijn dan verheven rekenmachines. Ze zullen niet in staat zijn om problemen op te lossen die meer vereisen dan een herschikking van de data waarop ze zijn getraind.

De architectuur van begrip

Analoge redenering werkt op het niveau van structurele, in plaats van oppervlakkige, overeenkomsten. Wat maakt bijvoorbeeld harten en waterpompen vergelijkbaar? Zeker niet hun fysieke uiterlijk. Het is het feit dat ze beide dezelfde functie uitvoeren, namelijk vloeistof door een systeem circuleren. En het is precies deze mogelijkheid om relaties die typisch zijn in één context over te brengen naar een andere context, die menselijk leren, creativiteit en probleemoplossing zo uniek maakt.

Er is geen tekort aan voorbeelden uit de praktijk. Neem August Kekulé, de briljante Duitse chemicus, die een hint over de structuur van benzeen kreeg in de vorm van een droom waarin hij een slang zag die zijn eigen staart beet. Vandaag de dag passen programmeurs lessen toe die ze hebben geleerd over het organiseren van een keuken bij het structureren van code, en leraren leggen elektrische stroom uit door deze te vergelijken met water dat door buizen stroomt.

Huidige AI-systemen vinden deze algemene cognitieve vaardigheid echter moeilijk. Wanneer ze worden gevraagd, zijn moderne grote taalmodellen (LLM’s) maar al te graag bereid om uit te leggen waarom “tijd geld is”, of om verbale redeneerpuzzels op te lossen. Maar groeiend bewijs suggereert dat ze vaak betrokken zijn bij geavanceerd patroonherkenning, in plaats van echte structurele mapping. Wanneer onderzoekers deze modellen voorstellen met nieuwe analoge problemen die afwijken van hun trainingsdata, daalt de prestatie vaak. Dit komt omdat LLM’s uitstekend zijn in het reproduceren van analogieën die ze eerder hebben gezien, maar falen wanneer ze worden gevraagd om nieuwe verbindingen te maken.

Geen analoge redenering, geen AGI

Het is duidelijk dat analoge redenering desine qua non is van AGI. Zonder het, blijven AI-systemen broos, onvermogend om kennis die relevant is in één domein te gebruiken om problemen in een ander domein op te lossen. Stel je bijvoorbeeld een zelfrijdende auto voor die heeft geleerd om zonnige Californische straten te navigeren, maar niet kan extrapoleren dat leren om te rijden op sneeuw te hanteren. Het AI-systeem van de auto is een dure patroonherkenner, niet een systeem dat in staat is tot echte intelligentie. Echte intelligentie zou de cognitieve flexibiliteit vereisen om te erkennen dat rijden op ijzige wegen structureel vergelijkbaar is met andere gladde oppervlak-scenario’s, zelfs als de details verschillen.

Hetzelfde principe geldt voor domeinen buiten autonome voertuigen. Analogische denken drijft ook vooruitgang in de wetenschap, medische diagnose, juridische redenering en creatieve ondernemingen. AI-systemen zonder deze capaciteit lijken op een geleerde die een hele bibliotheek heeft gememoriseerd, maar die kennis niet kan synthetiseren over disciplines heen. Indrukwekkend, zeker, maar alleen op een smal beperkt niveau.

De analoge geest bouwen

Wat zou het dus kosten om AI-systemen te ontwikkelen die in staat zijn tot menselijke analoge redenering? Op basis van opkomend onderzoek en de fundamentele aard van analoge denken, lijken verschillende kritieke voorwaarden en technieken noodzakelijk te zijn.

Structuurrijk en gevarieerd trainingsdata

De eerste vereiste is dat AI-systemen getraind worden op data die verder gaat dan oppervlakkige tekstpatronen. Het internet, met zijn enorme repository van wetenschappelijke papers, technische documentatie, creatieve werken en expliciterende inhoud, is een goed startpunt. Maar niet elke internetdata zal doen. Wat nodig is, is structurele diversiteit. Met andere woorden, om AI-systemen te leiden naar het leren van abstracte patronen, zouden ontwikkelaars moeten beginnen met het blootstellen van deze systemen aan contrasten vanaf de eerste dag van training. Hun trainingsdata zouden architectonische blauwdrukken kunnen bevatten naast muzikale partituren, wiskundige bewijzen samen met poëzie, of juridische argumenten naast recepten voor koken. Aangezien elk domein verschillende soorten relationele structuren belichaamt, zou een AGI-in-wording profiteren van deze oefening.

Nog belangrijker is dat deze data structurele relaties moet behouden en benadrukken, in plaats van alleen statistische correlaties. Kennisgraphen, causale diagrammen en expliciet in kaart gebrachte relaties tussen concepten kunnen helpen AI-systemen leren “structuren te zien” in plaats van associaties mechanisch te memoriseren. Denk hierbij aan het leren van AI niet alleen wat dingen zijn, maar hoe ze principieel met elkaar in verband staan.

Testen buiten de trainingsset

Om er zeker van te zijn dat AI-systemen leren om analogisch te redeneren, en niet alleen hun nabootsingvaardigheden verbeteren, hebben we tools nodig die hun vermogen om structuur op situaties te projecteren die ze nog nooit eerder hebben gezien, bewust testen. Dit houdt in dat testproblemen worden geconstrueerd die intentioneel ongelijk zijn aan alles wat waarschijnlijk in de trainingsdata zal verschijnen – wat onderzoekers “tegenfeitelijke” taken noemen.

Bijvoorbeeld, in plaats van een AI te vragen om standaardanalogieën te voltooien zoals “puppy is voor hond als kitten is voor ____”, kunnen we het voorstellen met problemen die gebruikmaken van uitgevonden concepten of vragen om relaties tussen domeinen te karteren die het nog nooit eerder heeft gezien. Kan het erkennen dat de relatie tussen ingrediënten en een recept evenwijdig loopt aan de relatie tussen bewijs en een juridisch argument, zelfs als het die specifieke vergelijking nog nooit eerder heeft gezien? Dergelijke tests zouden onthullen of het systeem onderliggende structuren begrijpt of alleen herinnert wat het eerder heeft gezien.

Metenen wat ertoe doet

Het goede nieuws voor AI-ontwikkelaars is dat er decennia aan cognitief onderzoek zijn gewijd aan hoe mensen analogieën verwerken. Ze kunnen dit onderzoek gebruiken om robuuste benchmarks voor analoge redenering te ontwikkelen. Echter, deze benchmarks moeten verder gaan dan alleen het tellen van correcte antwoorden op analogietests. Wat echt nodig is, zijn metrics die vaststellen of AI-systemen in staat zijn om te identificeren welke relaties relevant zijn om in kaart te brengen, terwijl ze oppervlakkige overeenkomsten negeren en consistentie behouden in hun mapping.

Dit kan betekenen dat scoresystemen worden ontwikkeld die het identificeren van hogere-orde-relaties belonen. Bijvoorbeeld, een AI zal een hogere score krijgen als het niet alleen kan herkennen dat atomen en zonnestelsels allebei omwentelingen betreffen, maar ook de causale relaties die die omwentelingen reguleren. Een andere competentie om te evalueren zou zijn of AI in staat is om spontaan geschikte analogieën te genereren om nieuwe concepten uit te leggen, niet alleen om vooraf gestructureerde analogieproblemen op te lossen.

Scaffolding door middel van prompting

Recent onderzoek suggereert dat de mogelijkheid van AI om analogisch te denken voor een groot deel afhankelijk is van hoe het wordt gevraagd om dit te doen. Analoge prompting – het expliciet leiden van modellen door het proces van structurele mapping – kan meer geavanceerd redeneren opleveren dan het simpelweg voorstellen van problemen. Dit kan betekenen dat eerst wordt gevraagd om relaties in een brondomein te identificeren, en vervolgens expliciet wordt gevraagd om die relaties over te brengen naar een doeldomein.

Deze techniek kan twee doelen dienen: het verbeteren van de analoge capaciteiten van huidige AI-systemen en het genereren van trainingsdata voor toekomstige modellen. Door succesvolle voorbeelden van geleide analoge redenering op te nemen, kunnen voorbeelden worden gecreëerd die kunnen leren aan latere systemen om deze processen meer natuurlijk te doorlopen.

Hybride architectuur

Het bereiken van menselijke analoge redenering kan het overstijgen van pure neurale netwerkbenaderingen vereisen. Hybride systemen die patroonherkenning combineren met symbolische redenering – het expliciet representeren en manipuleren van structurele relaties – kunnen het ontbrekende stukje bieden. Terwijl neurale netwerken uitstekend zijn in het leren van impliciete patronen, kunnen symbolische systemen de structurele consistentie en logische mapping afdwingen die analoge redenering vereist.

Hybride architectuur is nog in de kinderschoenen, maar onderzoekers zijn actief bezig met het onderzoeken van hun potentieel. Sommigen bepleiten het combineren van neurale netwerken met symbolische redenering die tot verbeterde analoge capaciteiten kan leiden. Anderen promoten hybride modellen die zijn ontworpen om AI-modellen te helpen hun neiging om te fantaseren en oppervlakkig analogisch te denken, te overwinnen.

Waarheen nu?

Afhangend van wie je het vraagt, is analoge redenering ofwel al aanwezig ofwel zijn AI’s gewoon beter geworden in hun nabootsing. Wat de waarheid ook is, het is duidelijk dat, als de droom van AGI ooit werkelijkheid wordt, het meer zal vereisen dan alleen grotere modellen of meer data. Het zal ook fundamentele innovaties vereisen in hoe we onze AI-systemen structureren, trainen en evalueren.

Terwijl de transformatieve capaciteiten van AI zich ontvouwen, komt analoge redenering te staan voor zowel een kritieke benchmark voor prestaties als een nuchtere herinnering aan de kloof tussen de huidige capaciteiten van AI en echte menselijke cognitie. Wanneer een AI-systeem kan zien dat democratie voor burgers is wat een orkest is voor musici – het herkennen van diepe structurele relaties over coördinatie, vertegenwoordiging en emergente harmonie, in plaats van alleen oppervlakkige kenmerken – zal het een cruciale drempel naar echte intelligentie hebben overschreden.