Myślenie jak człowiek: Czy sztuczna inteligencja może rozwinąć rozumowanie analogiczne?

Gdy ludzie spotykają się z czymś nowym, instynktownie szukają porównań. Dziecko uczące się o atomach może usłyszeć, że elektrony krążą wokół jądra „jak planety wokół słońca”. Przedsiębiorca może przedstawić swoją firmę jako „Uber dla groomerów zwierząt”. Naukowiec może powiedzieć nie-specjalistom, że mózg przetwarza informacje „jak komputer”.

Ten skok myślowy – widzenie, jak jedna rzecz przypomina inną w swojej głębszej strukturze – nazywa się rozumowaniem analogicznym. I może to być składnik, który oddziela ludzką inteligencję od sztucznej inteligencji w jej obecnej formie. Jeśli mamy kiedykolwiek rozwinąć Sztuczną Inteligencję Ogólną – Świętego Graala sztucznej inteligencji, który okazał się dotąd nieuchwytny – musimy ustalić, czy jest to w ogóle możliwe, aby maszyny nauczyły się myśleć analogicznie. Stawka nie może być wyższa. Jeśli odpowiedź brzmi „nie”, nawet najbardziej zaawansowane systemy sztucznej inteligencji pozostaną na zawsze niczym więcej niż uroczymi kalkulatorami. Nie będą w stanie rozwiązać problemów, które wymagają więcej niż tylko przestawienia danych, na których zostały wyszkolone.

Architektura zrozumienia

Rozumowanie analogiczne działa na poziomie strukturalnych, a nie powierzchniowych, podobieństw. Na przykład, co sprawia, że serca i pompy wody są podobne? Zdecydowanie nie ich wygląd zewnętrzny. Jest to fakt, że obie wykonują dokładnie tę samą funkcję, a mianowicie krążenie płynu przez system. I to właśnie ta zdolność do mapowania relacji typowych w jednym kontekście na inny kontekst sprawia, że ludzkie uczenie się, kreatywność i rozwiązywanie problemów są tak unikalne.

Nie brakuje prawdziwych przykładów. Weźmy Augusta Kekulé, genialnego niemieckiego chemika, który otrzymał wskazówkę o strukturze benzenu w postaci snu, w którym zobaczył węża kąsającego własny ogon. Dziś programiści stosują lekcje z organizacji kuchni przy strukturyzowaniu kodu, a nauczyciele wyjaśniają prąd elektryczny, porównując go do wody płynącej przez rury.

Obecne systemy sztucznej inteligencji mają jednak duże trudności z tym powszechnym umiejętnością poznawczą. Gdy zostaną poproszone, nowoczesne duże modele językowe (LLM) są zbyt chętne, aby wyjaśnić, dlaczego „czas to pieniądz” lub aby ukończyć werbalne zagadki rozumowania. Ale rosnące dowody sugerują, że często angażują się w wyrafinowane dopasowywanie wzorców, a nie prawdziwe mapowanie strukturalne. Gdy badacze przedstawiają tym modelom nowe analogiczne problemy, które odbiegają od ich danych szkoleniowych, ich wydajność często spada. Jest to dlatego, że LLM są doskonałe w odtwarzaniu analogii, które widziały wcześniej, ale zawodzą, gdy proszone są o wytworzenie nowych połączeń.

Bez rozumowania analogicznego, nie ma AGI

Oczywiście, rozumowanie analogiczne jestconditio sine qua non AGI. Bez niego systemy sztucznej inteligencji pozostają kruche, niezdolne do adaptacji wiedzy, która jest istotna w jednej dziedzinie, aby rozwiązać problemy w innej. Na przykład, wyobraźmy sobie samochód bezzałogowy, który nauczył się nawigować po słonecznych ulicach Kalifornii, ale nie może ekstrapolować tego uczenia się, aby poradzić sobie z warunkami śnieżnymi. System sztucznej inteligencji samochodu jest drogim dopasowaniem wzorców, a nie systemem zdolnym do prawdziwej inteligencji. Prawdziwa inteligencja wymagałaby poznawczej elastyczności, aby rozpoznać, że jazda po lodzie jest strukturalnie porównywalna do innych śliskich powierzchni, nawet jeśli szczegóły się różnią.

Ten sam zasada stosuje się w dziedzinach poza pojazdami autonomicznymi, oczywiście. Myślenie analogiczne napędza również postęp w nauce, diagnozie medycznej, rozumowaniu prawnym i twórczych przedsięwzięciach. Systemy sztucznej inteligencji bez tej zdolności przypominają uczonego, który zapamiętał całą bibliotekę, ale nie może syntetyzować tej wiedzy między dziedzinami. Impresyjnie, tak, ale tylko w wąsko ograniczony sposób.

Budowanie myślenia analogicznego

Więc, co byłoby potrzebne, aby rozwinąć systemy sztucznej inteligencji zdolne do myślenia analogicznego podobnego do ludzkiego? Na podstawie powstających badań i fundamentalnej natury myślenia analogicznego, kilka krytycznych warunków i technik wydaje się koniecznych.

Strukturalnie bogate i różnorodne dane szkoleniowe

Pierwszym wymogiem jest to, aby systemy sztucznej inteligencji były szkolone na danych, które wykraczają poza powierzchniowe wzorce tekstowe. Internet, ze swoim ogromnym repozytorium artykułów naukowych, dokumentacji technicznej, dzieł twórczych i treści wyjaśniającej, jest dobrym punktem startowym. Ale nie każde dane internetowe będą działać. Co jest wymagane, to różnorodność strukturalna. Innymi słowy, aby skierować systemy sztucznej inteligencji ku uczeniu się rozpoznawania abstrakcyjnych wzorców, deweloperzy powinni zacząć narażać je na kontrasty od pierwszego dnia szkolenia. Ich dane szkoleniowe mogą zawierać plany architektoniczne obok partytur muzycznych, dowody matematyczne wraz z poezją lub argumenty prawne obok przepisów kuchennych. Ponieważ każda dziedzina uosabia różne typy relacji strukturalnych, system sztucznej inteligencji mógłby skorzystać z tego rodzaju ćwiczeń.

Co więcej, te dane muszą zachować i podkreślić relacje strukturalne, a nie tylko korelacje statystyczne. Graphy wiedzy, diagramy przyczynowe i jawnie odwzorowane relacje między pojęciami mogą pomóc systemom sztucznej inteligencji nauczyć się „widzieć” strukturę, a nie mechanicznie zapamiętywać skojarzenia. Wyobraź sobie, że nauczysz sztuczną inteligencję nie tylko tego, co są rzeczy, ale jak one się do siebie odnoszą w zasadniczy sposób.

Testowanie poza zestawem szkoleniowym

Aby upewnić się, że systemy sztucznej inteligencji uczą się rozumować analogicznie, a nie tylko udoskonalają swoje umiejętności naśladownictwa, potrzebujemy narzędzi, które celowo sprawdzają ich zdolność do mapowania struktury na sytuacje, które nie zostały wcześniej spotkane. To wymaga konstruowania zadań testowych, które są zamierzonego niepodobne do czegokolwiek, co może pojawić się w danych szkoleniowych – co badacze nazywają zadania „kontrfaktualne”.

Na przykład, zamiast prosić sztuczną inteligencję o uzupełnienie standardowych analogii, takich jak „szczeniak jest do psa jak kotek jest do ____”, możemy przedstawić jej problemy z wymyślonymi pojęciami lub poprosić ją o mapowanie relacji między dziedzinami, które nigdy nie były połączone. Czy może rozpoznać, że relacja między składnikami a przepisem jest równoległa do relacji między dowodami a argumentem prawnym, nawet jeśli nigdy nie spotkała tego konkretnego porównania? Takie testy ujawnią, czy system rozumie struktury podstawowe, czy tylko przypomina podobne przykłady.

Mierzenie tego, co się liczy

Dobra wiadomość dla deweloperów sztucznej inteligencji jest taka, że istnieje kilkadziesiąt lat badań z dziedziny nauk kognitywnych, które zajmują się tym, jak ludzie przetwarzają analogie. Mogą wykorzystać te badania, aby opracować solidne punkty odniesienia dla rozumowania analogicznego. Jednak te punkty odniesienia muszą wykraczać poza proste liczenie poprawnych odpowiedzi na testy analogii. Co jest naprawdę potrzebne, to miary, które ujmują, czy systemy sztucznej inteligencji mogą identyfikować, które relacje są istotne do mapowania, ignorując powierzchniowe podobieństwa i utrzymując spójność w swoich mapowaniach.

Może to obejmować systemy oceniania, które nagradzają identyfikowanie relacji wyższego rzędu. Na przykład, sztuczna inteligencja uzyska wyższą ocenę, jeśli będzie mogła nie tylko rozpoznać, że atomy i układy słoneczne obejmują orbity, ale także zrozumieć relacje przyczynowe, które rządzą tymi orbitami. Inną kompetencją do oceny może być, czy sztuczna inteligencja może spontanicznie generować odpowiednie analogie, aby wyjaśnić nowe pojęcia, a nie tylko uzupełniać wstępnie ustrukturyzowane problemy analogii.

Szkieletowanie przez podpowiadanie

Ostatnie badania sugerują, że zdolność sztucznej inteligencji do myślenia analogicznego zależy w dużej mierze od tego, jak jest proszona o to. Podpowiadanie analogiczne – jawne kierowanie modelami przez proces mapowania strukturalnego – może wywołać bardziej zaawansowane rozumowanie niż proste przedstawienie problemów. Może to obejmować najpierw poproszenie systemu o identyfikację relacji w dziedzinie źródłowej, a następnie jawne poproszenie o mapowanie tych relacji na dziedzinę docelową.

Ta technika może służyć podwójnemu celowi: poprawie bieżących zdolności analogicznych systemów sztucznej inteligencji oraz generowaniu danych szkoleniowych dla przyszłych modeli. Poprzez rejestrowanie udanych przypadków skierowanego rozumowania analogicznego, można utworzyć przykłady, które mogą nauczyć następne systemy angażować się w ten proces w sposób bardziej naturalny.

Hybrydowe architektury

Osiągnięcie myślenia analogicznego podobnego do ludzkiego może wymagać wyjścia poza czyste podejścia sieci neuronowych. Hybrydowe systemy, które łączą rozpoznawanie wzorców z rozumowaniem symbolicznym – jawnym reprezentowaniem i manipulowaniem relacjami strukturalnymi – mogą dostarczyć brakującego elementu. Chociaż sieci neuronowe są doskonałe w uczeniu się niejawnych wzorców, systemy symboliczne mogą egzekwować spójność strukturalną i logiczne mapowanie, które rozumowanie analogiczne wymaga.

Hybrydowe architektury są jeszcze w powijakach, ale badacze aktywnie eksplorują ich potencjał. Niektórzy argumentują za łączeniem sieci neuronowych z rozumowaniem symbolicznym, co może prowadzić do udoskonalonej analogicznej zdolności. Inni promują hybrydowe modele zbudowane w celu rozwiązania tendencji modeli sztucznej inteligencji do fabrykowania i myślenia analogicznego w płytki sposób.

Gdzie dalej?

W zależności od tego, kogo zapytasz, rozumowanie analogiczne jest albo już emergentne, albo sztuczna inteligencja staje się po prostu bardziej zaawansowana w swoim naśladownictwie. Niezależnie od tego, która pozycja jest bliższa prawdy, jest jasne, że jeśli marzenie o AGI ma się ziścić, będzie to wymagało czegoś więcej niż tylko większych modeli lub więcej danych. Będzie to wymagało pewnych fundamentalnych innowacji w tym, jak strukturyzujemy, szkolimy i oceniamy nasze systemy sztucznej inteligencji.

Podczas gdy transformacyjne możliwości sztucznej inteligencji się rozwijają, rozumowanie analogiczne staje się zarówno krytycznym punktem odniesienia dla wydajności, jak i poważnym przypomnieniem o przepaści między bieżącymi możliwościami sztucznej inteligencji a prawdziwą ludzką kognicją. Gdy system sztucznej inteligencji będzie mógł zobaczyć, że demokracja jest dla obywateli tym, czym orkiestra jest dla muzyków – rozpoznając nie cechy powierzchniowe, ale głębokie relacje strukturalne dotyczące koordynacji, reprezentacji i emergentnej harmonii – przekroczył będzie ważny próg w kierunku prawdziwej inteligencji.