คิดเหมือนมนุษย์: AI พัฒนาการให้เหตุผลเชิงอุปมาได้หรือไม่?

เมื่อมนุษย์เผชิญกับสิ่งใหม่ๆ พวกเขาจะมองหาความคล้ายคลึงโดยธรรมชาติ เด็กที่เรียนรู้เกี่ยวกับอะตอมอาจได้ยินว่า อิเล็กตรอนโคจรรอบนิวเคลียส “เหมือนดาวเคราะห์โคจรรอบดวงอาทิตย์” นักธุรกิจอาจนำเสนอธุรกิจของตนเองว่าเป็น “Uber สำหรับบริการเสริมสวยสัตว์เลี้ยง” นักวิทยาศาสตร์อาจอธิบายให้ผู้ฟังที่ไม่ใช่ผู้เชี่ยวชาญว่า สมองประมวลผลข้อมูล “เหมือนคอมพิวเตอร์”

การกระโดดความคิดนี้ – การเห็นว่าสิ่งหนึ่งคล้ายคลึงกับสิ่งอื่นในโครงสร้างที่ลึกกว่า – เรียกว่าการให้เหตุผลเชิงอุปมา และอาจเป็นองค์ประกอบที่แยกความฉลาดของมนุษย์ออกจาก AI ในรูปแบบปัจจุบัน หากวันหนึ่งเราต้องการพัฒนาปัญญาประดิษฐ์ทั่วไป (AGI) ซึ่งเป็นจอกศักดิ์สิทธิ์ของ AI ที่ยังไม่อาจบรรลุได้ เราต้องค้นหาว่าเครื่องจักรสามารถเรียนรู้ที่จะคิดเชิงอุปมาได้จริงหรือไม่ ไม่มีอะไรสำคัญไปกว่าคำถามนี้ หากคำตอบคือ “ไม่” แล้วแม้แต่ระบบ AI ที่ซับซ้อนที่สุดก็จะเป็นเพียงเครื่องคำนวณที่ถูกยกย่องเกินจริงตลอดไป ไม่สามารถแก้ปัญหาที่ต้องการมากกว่าการเรียงสับเปลี่ยนข้อมูลที่ได้รับการฝึกฝน

สถาปัตยกรรมของความเข้าใจ

การให้เหตุผลเชิงอุปมาทำงานที่ระดับของความคล้ายคลึงกันทางโครงสร้าง มากกว่าความคล้ายคลึงกันทางพื้นผิว ตัวอย่างเช่น สิ่งที่ทำให้หัวใจและปั๊มน้ำคล้ายคลึงกันแน่นอน ไม่ใช่ลักษณะทางกายภาพของพวกมัน แต่เป็นเพราะทั้งสองทำหน้าที่เดียวกัน คือ การทำให้ของเหลวไหลเวียนผ่านระบบ และเป็นความสามารถในการทำแผนที่ความสัมพันธ์ที่พบในบริบทหนึ่งไปยังอีกบริบทหนึ่งที่ทำให้การเรียนรู้ การสร้างสรรค์ และการแก้ปัญหา ของมนุษย์เป็นเอกลักษณ์

มีตัวอย่างในโลกแห่งความเป็นจริงมากมาย เช่น ออกัสต์ เคคูเลอ นักเคมีชาวเยอรมันผู้ปราดเปรื่อง ที่ได้รับคำแนะนำเกี่ยวกับโครงสร้างของเบนซีนในรูปแบบของ ความฝันที่เขาเห็นงูกัดหางของตัวเอง วันนี้ นักเขียนโปรแกรมใช้บทเรียนจากการจัดระเบียบห้องครัวในการเขียนโค้ด และครูอธิบายกระแสไฟฟ้าโดยเปรียบเทียบกับน้ำไหลผ่านท่อ

ระบบ AI ปัจจุบันพบว่าทักษะการให้เหตุผลเชิงอุปมานี้ยากมาก เมื่อถูกส่งคำถาม โมเดลภาษาขนาดใหญ่ (LLM) มีความสุขที่จะอธิบายว่า “เวลา คือ เงิน” หรือเพื่อแก้ปัญหาเหตุผลเชิงคำพูด แต่ หลักฐานที่เพิ่มขึ้น ชี้ให้เห็นว่าพวกมันมักจะทำการจับคู่รูปแบบที่ซับซ้อนมากกว่าการทำแผนที่โครงสร้างที่แท้จริง เมื่อนักวิจัยนำเสนอระบบเหล่านี้ด้วยปัญหาเชิงอุปมาใหม่ที่แตกต่างจากข้อมูลฝึกอบรม ประสิทธิภาพมักลดฮวบ เพราะ LLM เก่งในการทำซ้ำอุปมาที่พวกมันเคยเห็นมาก่อน แต่ล้มเหลวเมื่อถูกขอให้สร้างการเชื่อมต่อใหม่

ไม่มีการให้เหตุผลเชิงอุปมา ไม่มี AGI

เห็นได้ชัดว่า การให้เหตุผลเชิงอุปมาเป็น เงื่อนไขที่ขาดไม่ได้ ของ AGI หากไม่มีมัน ระบบ AI จะยังคงอ่อนแอ ไม่สามารถปรับความรู้ที่เกี่ยวข้องในโดเมนหนึ่งเพื่อแก้ปัญหาในอีกโดเมนหนึ่ง ตัวอย่างเช่น ลองนึกถึงรถยนต์ไร้คนขับที่ได้เรียนรู้ที่จะขับรถในถนนแคลิฟอร์เนียที่มีแดดจ้า แต่ไม่สามารถขยายการเรียนรู้นั้นเพื่อจัดการกับสภาพถนนหิมะได้ ระบบ AI ของรถยนต์เป็นเพียงเครื่องจับคู่รูปแบบราคาแพง ไม่ใช่ระบบที่มีความฉลาดแท้จริง ความฉลาดที่แท้จริงต้องการความยืดหยุ่นในการรับรู้ว่าการขับรถบนถนนที่มีน้ำแข็งปกคลุมมีโครงสร้างคล้ายกับการขับรถบนพื้นผิวลื่นในสถานการณ์อื่นๆ แม้ว่ารายละเอียดจะแตกต่างกัน

หลักการเดียวกันนี้ใช้ได้กับด้านอื่นนอกเหนือจากรถยนต์ไร้คนขับด้วย การคิดเชิงอุปมายังขับเคลื่อนความก้าวหน้าในวิทยาศาสตร์ การวินิจฉัยทางการแพทย์ การให้เหตุผลทางกฎหมาย และงานสร้างสรรค์ ระบบ AI ที่ไม่มีความสามารถนี้เปรียบเสมือนนักปราชญ์ที่จดจำหนังสือทั้งห้องสมุดได้ แต่ไม่สามารถสังเคราะห์ความรู้ข้ามสาขา น่าประทับใจก็จริง แต่ในขอบเขตที่จำกัดมากเท่านั้น

การสร้างจิตใจเชิงอุปมา

ดังนั้น สิ่งใดที่จำเป็นในการพัฒนาระบบ AI ที่สามารถให้เหตุผลเชิงอุปมาเหมือนมนุษย์? ตามการวิจัยที่เกิดขึ้นใหม่และลักษณะพื้นฐานของการให้เหตุผลเชิงอุปมา เงื่อนไขและเทคนิคสำคัญหลายประการดูเหมือนจะจำเป็น

ข้อมูลฝึกอบรมที่มีความสมบูรณ์และหลากหลายทางโครงสร้าง

ข้อกำหนดแรกคือระบบ AI ต้องได้รับการฝึกอบรมจากข้อมูลที่ไปไกลกว่าเพียงรูปแบบข้อความพื้นผิว อินเทอร์เน็ตพร้อมกับคลังข้อมูลขนาดใหญ่ของเอกสารทางวิทยาศาสตร์ เอกสารทางเทคนิค ผลงานสร้างสรรค์ และเนื้อหาอธิบายเป็นจุดเริ่มต้นที่ดี แต่ไม่ใช่ข้อมูลอินเทอร์เน็ตใดๆ ก็ตามที่จะทำได้ สิ่งที่ต้องการคือ ความหลากหลายทางโครงสร้าง ในอีกคำหนึ่ง เพื่อนำระบบ AI ไปสู่การเรียนรู้การรู้จำรูปแบบที่เป็นนามธรรม ผู้พัฒนาควรเริ่มให้พวกมันเห็นตัวอย่างที่แตกต่างกันเพื่อเปรียบเทียบตั้งแต่วันแรกของการฝึกอบรม ข้อมูลฝึกอบรมของพวกเขาอาจมีแบบแปลนสถาปัตยกรรมควบคู่กับโน้ตเพลง บทพิสูจน์ทางคณิตศาสตร์ควบคู่กับบทกวี หรือข้อโต้แย้งทางกฎหมายร่วมกับสูตรอาหาร เนื่องจากแต่ละโดเมนมีโครงสร้างความสัมพันธ์ที่แตกต่างกัน ระบบ AGI ในอนาคตอาจได้รับประโยชน์จากการฝึกเช่นนี้

ที่สำคัญกว่านั้น ข้อมูลต้องเก็บรักษาและเน้นความสัมพันธ์ทางโครงสร้าง ไม่ใช่เพียงสหสัมพันธ์ทางสถิติ กราฟความรู้ แผนภาพเหตุและผล และความสัมพันธ์ระหว่างแนวคิดที่แสดงไว้อย่างชัดเจนอาจช่วยให้ AI เรียนรู้ที่จะ “เห็น” โครงสร้าง แทนการจดจำความเชื่อมโยงอย่างเป็นกลไก ลองนึกถึงการสอน AI ไม่เพียงว่าสิ่งต่างๆ คืออะไร แต่ยังสอนหลักการที่ทำให้สิ่งเหล่านั้นสัมพันธ์กันด้วย

การทดสอบนอกชุดฝึกอบรม

เพื่อให้แน่ใจว่าระบบ AI เรียนรู้ที่จะให้เหตุผลเชิงอุปมา และไม่เพียงแต่ปรับปรุงความสามารถในการเลียนแบบเท่านั้น เราต้องการเครื่องมือที่ตรวจสอบความสามารถของพวกมันในการทำแผนที่โครงสร้างไปยังสถานการณ์ที่พวกมันไม่เคยพบมาก่อน สิ่งนี้ต้องมีการสร้างปัญหาการทดสอบที่ตั้งใจให้แตกต่างจากสิ่งที่อาจปรากฏในข้อมูลฝึกอบรม – สิ่งที่นักวิจัยเรียกว่า งาน “สมมติที่ขัดกับข้อเท็จจริง”

ตัวอย่างเช่น แทนที่จะขอให้ AI เสร็จสิ้นอุปมามาตรฐาน เช่น “ลูกหมาสัมพันธ์กับหมาเช่นเดียวกับลูกแมวสัมพันธ์กับ ____” เราอาจนำเสนอปัญหาโดยใช้แนวคิดที่คิดค้นขึ้นหรือขอให้พวกมันทำแผนที่ความสัมพันธ์ระหว่างโดเมนที่พวกมันไม่เคยเห็นเชื่อมต่อกันมาก่อน พวกมันสามารถรับรู้ได้หรือไม่ว่าความสัมพันธ์ระหว่างส่วนผสมและสูตรอาหารคล้ายกับความสัมพันธ์ระหว่างหลักฐานและข้อโต้แย้งทางกฎหมาย แม้ว่าพวกมันจะไม่เคยพบการเปรียบเทียบนี้มาก่อนก็ตาม การทดสอบเหล่านี้จะแสดงให้เห็นว่าระบบมีความเข้าใจโครงสร้างที่แท้จริงหรือเพียงแค่นึกถึงตัวอย่างที่คล้ายคลึงกัน

การวัดสิ่งที่สำคัญ

ข่าวดีสำหรับนักพัฒนาคือมีงานวิจัยด้านวิทยาศาสตร์การรู้คิดที่ศึกษาว่ามนุษย์ประมวลผลอุปมาอย่างไรมานานหลายทศวรรษแล้ว พวกเขาสามารถใช้การวิจัยนี้เพื่อสร้างมาตรฐานที่แข็งแกร่งสำหรับการให้เหตุผลเชิงอุปมา อย่างไรก็ตาม มาตรฐานเหล่านี้ต้องไปไกลกว่าการนับคำตอบที่ถูกต้องในแบบทดสอบอุปมาเท่านั้น สิ่งที่ต้องการจริงๆ คือตัวชี้วัดที่สะท้อนว่าระบบ AI สามารถระบุความสัมพันธ์ที่เกี่ยวข้องในการทำแผนที่ ในขณะเดียวกันก็เพิกเฉยต่อความคล้ายคลึงกันทางพื้นผิวและรักษาความสอดคล้องในการทำแผนที่

อาจใช้ระบบให้คะแนนที่ให้รางวัลกับการระบุความสัมพันธ์ระดับสูง ตัวอย่างเช่น AI จะได้คะแนนสูงขึ้นหากไม่เพียงรับรู้ว่าทั้งอะตอมและระบบสุริยะมีการโคจร แต่ยังเข้าใจความสัมพันธ์เชิงเหตุและผลที่กำกับวงโคจรเหล่านั้นด้วย อีกความสามารถที่อาจประเมินคือ AI สร้างอุปมาที่เหมาะสมเพื่ออธิบายแนวคิดใหม่ได้เองหรือไม่ แทนที่จะเพียงเติมคำตอบในโจทย์อุปมาที่จัดโครงสร้างไว้ล่วงหน้า

การช่วยพยุงการคิดด้วยพรอมป์ต์

การวิจัยล่าสุดชี้ให้เห็นว่าความสามารถของ AI ในการคิดเชิงอุปมาขึ้นอยู่กับวิธีการที่พวกมันถูกขอให้ทำเช่นนั้น การใช้พรอมป์ต์ชี้นำการคิดเชิงอุปมา – การนำทางแบบชี้นำผ่านกระบวนการทำแผนที่โครงสร้าง – สามารถกระตุ้นให้เกิดการให้เหตุผลที่ซับซ้อนกว่าการเสนอปัญหาโดยไม่มีคำชี้นำ สิ่งนี้อาจเกี่ยวข้องกับการขอให้ระบบระบุความสัมพันธ์ในโดเมนแหล่งแรกก่อน แล้วขอให้พวกมันทำแผนที่ความสัมพันธ์เหล่านั้นไปยังโดเมนเป้าหมาย

เทคนิคนี้อาจทำหน้าที่สองประการ: การปรับปรุงความสามารถเชิงอุปมาของ AI ปัจจุบัน ในขณะเดียวกันก็สร้างข้อมูลฝึกอบรมสำหรับแบบจำลองในอนาคต โดยการบันทึกกรณีการให้เหตุผลเชิงอุปมาที่ได้รับคำชี้นำและประสบความสำเร็จ ตัวอย่างสามารถสร้างขึ้นเพื่อสอนระบบในอนาคตให้เข้าร่วมกระบวนการนี้ในลักษณะที่เป็นธรรมชาติ

สถาปัตยกรรมไฮบริด

การบรรลุการให้เหตุผลเชิงอุปมาที่คล้ายกับมนุษย์อาจต้องไปไกลกว่าการใช้แนวทางเครือข่ายประสาทเท่านั้น ระบบไฮบริดที่รวมการรู้จำรูปแบบกับการให้เหตุผลเชิงสัญลักษณ์ – โดยการแสดงและจัดการความสัมพันธ์ทางโครงสร้างอย่างชัดเจน – อาจเป็นชิ้นส่วนที่หายไป ส่วนเครือข่ายประสาทสามารถเรียนรู้รูปแบบที่ซ่อนอยู่ได้ แต่ระบบสัญลักษณ์สามารถบังคับให้เกิดความสอดคล้องทางโครงสร้างและทำแผนที่เชิงตรรกะที่การให้เหตุผลเชิงอุปมาต้องการ

สถาปัตยกรรมไฮบริดยังคงอยู่ในช่วงต้น แต่นักวิจัยกำลังสำรวจศักยภาพของมันอย่างแข็งขัน บางคน เสนอแนะการผสมผสานเครือข่ายประสาทกับการให้เหตุผลเชิงสัญลักษณ์ ที่อาจนำไปสู่ความสามารถเชิงอุปมาที่ดีขึ้น นักวิจัยคนอื่นๆ สนับสนุน โมเดลไฮบริดที่ออกแบบมาเพื่อแก้แนวโน้มของ AI ที่แต่งข้อมูลขึ้นเองและให้เหตุผลเชิงอุปมาอย่างผิวเผิน

ไปที่ไหนต่อไป?

ขึ้นอยู่กับว่าคุณถามใคร การให้เหตุผลเชิงอุปมาอาจเริ่มเกิดขึ้นแล้ว หรือ AI เพียงแต่เลียนแบบได้ซับซ้อนขึ้น ไม่ว่ามุมมองใดจะใกล้ความจริงกว่า มันชัดเจนว่าหากความฝันของ AGI จะเป็นจริง มันจะใช้มากกว่าเพียงโมเดลที่ใหญ่ขึ้นหรือข้อมูลมากขึ้น มันจะใช้นวัตกรรมพื้นฐานในการออกแบบ การฝึกอบรม และการประเมินระบบ AI ของเรา

เมื่อความสามารถในการเปลี่ยนแปลงของ AI ขยายตัว การให้เหตุผลเชิงอุปมาจะแสดงถึงทั้งเกณฑ์วัดประสิทธิภาพที่สำคัญและความเตือนใจที่ทำให้เข้าใจถึงช่องว่างระหว่างความสามารถของ AI ปัจจุบันและการรู้คิดของมนุษย์ที่แท้จริง เมื่อระบบ AI สามารถมองเห็นว่าความสัมพันธ์ระหว่างประชาธิปไตยกับพลเมืองเทียบได้กับความสัมพันธ์ระหว่างวงออร์เคสตรากับนักดนตรี – โดยรับรู้ไม่ใช่ลักษณะพื้นผิว แต่ความสัมพันธ์ทางโครงสร้างที่ลึกซึ้งเกี่ยวกับการประสานงาน การเป็นตัวแทน และความกลมกลืนที่เกิดขึ้นจากปฏิสัมพันธ์ – มันจะข้ามขอบเขตที่สำคัญต่อความฉลาดที่แท้จริง