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 niespecjalistom, 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 ogólną sztuczną inteligencję (AGI) – 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 wyrafinowanymi kalkulatorami. Nie będą w stanie rozwiązać problemów, które wymagają więcej niż tylko przeorganizowania 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 jedne i drugie pełnią dokładnie tę samą funkcję, czyli wprawiają płyn w obieg w układzie. 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 tą powszechną zdolnością poznawczą. Na odpowiednie polecenie nowoczesne duże modele językowe (LLM) chętnie wyjaśniają, dlaczego „czas to pieniądz” lub rozwiązują słowne zadania wymagające rozumowania. Ale coraz liczniejsze 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 treningowych, ich skuteczność często gwałtownie spada. Dzieje się tak dlatego, że modele 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 jest warunkiem niezbędnym AGI. Bez niego systemy sztucznej inteligencji pozostają zawodne w nowych sytuacjach i nie potrafią wykorzystać wiedzy przydatnej w jednej dziedzinie do rozwiązywania problemów w innej. Na przykład, wyobraźmy sobie samochód autonomiczny, który nauczył się nawigować po słonecznych ulicach Kalifornii, ale nie może przenieść zdobytej wiedzy, aby poradzić sobie z warunkami śnieżnymi. System sztucznej inteligencji samochodu jest kosztownym mechanizmem dopasowywania wzorców, a nie systemem zdolnym do prawdziwej inteligencji. Prawdziwa inteligencja wymagałaby poznawczej elastyczności, aby rozpoznać, że jazda po lodzie jest strukturalnie podobna do jazdy po innych śliskich nawierzchniach, nawet jeśli szczegóły się różnią.

Ta sama zasada dotyczy oczywiście również dziedzin innych niż pojazdy autonomiczne. 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. To imponujące, ale tylko w bardzo ograniczonym zakresie.

Budowanie myślenia analogicznego

Więc, co byłoby potrzebne, aby rozwinąć systemy sztucznej inteligencji zdolne do myślenia analogicznego podobnego do ludzkiego? W świetle rozwijających się badań i fundamentalnego charakteru myślenia analogicznego kilka kluczowych warunków i technik wydaje się niezbędnych.

Bogate strukturalnie i różnorodne dane treningowe

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 objaśniających, jest dobrym punktem startowym. Nie wystarczą jednak dowolne dane z internetu. Potrzebna jest różnorodność strukturalna. Innymi słowy, aby skierować systemy sztucznej inteligencji ku uczeniu się rozpoznawania abstrakcyjnych wzorców, deweloperzy powinni przedstawiać im kontrastujące przykłady już od pierwszego dnia treningu. Ich dane treningowe 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, przyszły system AGI mógłby skorzystać z tego rodzaju ćwiczeń.

Co więcej, te dane muszą zachować i podkreślić relacje strukturalne, a nie tylko korelacje statystyczne. Grafy 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, czym są rzeczy, lecz także zasad, według których są ze sobą powiązane.

Testowanie poza zbiorem treningowym

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, których wcześniej nie napotkały. To wymaga konstruowania zadań testowych, które celowo różnią się od wszystkiego, co mogło pojawić się w danych treningowych – czyli tego, co badacze nazywają zadaniami „kontrfaktualnymi”.

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, których wcześniej nigdy nie widziała ze sobą powiązanych. 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 sobie 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 samo liczenie poprawnych odpowiedzi w testach 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 zdolność sztucznej inteligencji do spontanicznego tworzenia trafnych analogii, aby wyjaśnić nowe pojęcia, a nie tylko uzupełniać wstępnie ustrukturyzowane problemy analogii.

Wspomaganie rozumowania za pomocą poleceń

Ostatnie badania sugerują, że zdolność sztucznej inteligencji do myślenia analogicznego zależy w dużej mierze od sposobu formułowania polecenia. Polecenia wspomagające rozumowanie analogiczne – jawne kierowanie modelami przez proces mapowania strukturalnego – mogą wywołać bardziej zaawansowane rozumowanie niż samo przedstawienie problemu bez wskazówek. 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 treningowych dla przyszłych modeli. Rejestrowanie udanych przypadków tak ukierunkowanego rozumowania analogicznego pozwala tworzyć przykłady, dzięki którym kolejne systemy mogą nauczyć się przeprowadzać ten proces w bardziej naturalny sposób.

Architektury hybrydowe

Osiągnięcie myślenia analogicznego podobnego do ludzkiego może wymagać wyjścia poza podejścia oparte wyłącznie na sieciach 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, których wymaga rozumowanie analogiczne.

Architektury hybrydowe są jeszcze w powijakach, ale badacze aktywnie badają ich potencjał. Niektórzy argumentują za łączeniem sieci neuronowych z rozumowaniem symbolicznym, co może zwiększać zdolność do rozumowania analogicznego. Inni promują modele hybrydowe mające przeciwdziałać skłonności modeli sztucznej inteligencji do zmyślania informacji i powierzchownego rozumowania analogicznego.

Gdzie dalej?

W zależności od tego, kogo zapytasz, rozumowanie analogiczne albo już wyłania się w systemach AI, albo sztuczna inteligencja staje się po prostu bardziej zaawansowana w swoim naśladownictwie. Niezależnie od tego, które stanowisko jest bliższe prawdy, jest jasne, że jeśli marzenie o AGI ma się ziścić, będzie to wymagało czegoś więcej niż tylko większych modeli lub większej ilości 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 – przekroczy ważny próg w kierunku prawdziwej inteligencji.