Kan GPT Reprodusere Menneskelig Beslutningstaking og Intuisjon?

I de senere år har neurale nettverk som GPT-3 gjort betydelig fremgang, og produserer tekst som er nesten umulig å skille fra menneskeskrevet innhold. Overraskende nok er GPT-3 også dyktig i å løse utfordringer som matematikkproblemer og programmeringsoppgaver. Dette bemerkelsesverdige fremgang fører til spørsmålet: besitter GPT-3 menneskelignende kognitive evner?

I et forsøk på å besvare dette intrigerende spørsmålet, utsatte forskere ved Max Planck-instituttet for biologisk kybernetikk GPT-3 for en rekke psykologiske tester som vurderte ulike aspekter av generell intelligens.

Forskningen ble publisert i PNAS.

Avdekning av Linda-problemet: Et glimt inn i kognitiv psykologi

Marcel Binz og Eric Schulz, forskere ved Max Planck-instituttet, undersøkte GPT-3s evner i beslutningstaking, informasjonssøk, årsaksrelatert resonnement og dens evne til å spørre om sin opprinnelige intuisjon. De brukte klassiske kognitive psykologiske tester, inkludert det velkjente Linda-problemet, som introduserer en fiktiv kvinne ved navn Linda, som er lidenskapelig opptatt av sosial rettferdighet og motsetter seg kjernekraft. Deltakerne blir deretter bedt om å bestemme om Linda er en banktjener, eller om hun er en banktjener og samtidig aktiv i feministbevegelsen.

GPT-3s respons var slående lik den til mennesker, da den gjorde den samme intuitive feilen ved å velge det andre alternativet, til tross for at det var mindre sannsynlig fra et probabilistisk standpunkt. Dette resultatet tyder på at GPT-3s beslutningstaking kan være påvirket av dens trening på menneskespråk og responser på oppfordringer.

Aktiv Interaksjon: Veien til å oppnå menneskelignende intelligens?

For å eliminere muligheten for at GPT-3 bare reproducerer en memorisert løsning, konstruerte forskerne nye oppgaver med lignende utfordringer. Deres funn viste at GPT-3 utførte nesten like godt som mennesker i beslutningstaking, men hadde vanskeligheter med å søke etter spesifik informasjon og årsaksrelatert resonnement.

Forskerne mener at GPT-3s passive mottak av informasjon fra tekstene kan være den primære årsaken til denne diskrepansen, da aktiv interaksjon med verden er avgjørende for å oppnå full kompleksitet i menneskelig kognisjon. De sier at når brukerne stadig engasjerer seg med modeller som GPT-3, kan fremtidige nettverk lære av disse interaksjonene og progressivt utvikle mer menneskelignende intelligens.

“Dette fenomenet kan forklares av det faktum at GPT-3 allerede kan være kjent med denne nøyaktige oppgaven; den kan skje å vite hva mennesker vanligvis svarer på dette spørsmålet,” sier Binz.

Undersøkelsen av GPT-3s kognitive evner gir verdifulle innsikter i potensialet og begrensningene til neurale nettverk. Mens GPT-3 har vist imponerende menneskelignende beslutningstaking, sliter den fortsatt med visse aspekter av menneskelig kognisjon, som informasjonssøk og årsaksrelatert resonnement. Ettersom AI fortsatt utvikler seg og lærer av brukerinteraksjoner, vil det være fascinerende å observere om fremtidige nettverk kan oppnå ekte menneskelignende intelligens.