การคิดเหมือนมนุษย์: AI สามารถพัฒนาการให้เหตุผลเชิงอุปมานได้หรือไม่?

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

การกระโดดความคิดนี้ – การเห็นว่าสิ่งหนึ่งคล้ายคลึงกับสิ่งอื่นในโครงสร้างที่ลึกกว่า – เรียกว่าการให้เหตุผลเชิงอุปมาน และอาจเป็นส่วนผสมที่ทำให้ความฉลาดของมนุษย์ต่างจาก AI ในรูปแบบปัจจุบัน หากเราต้องการพัฒนาความฉลาดทั่วไปของ AI – เป้าหมายสูงสุดของ AI ที่ยังไม่ได้รับการพิสูจน์ – เราต้องค้นหาว่ามันเป็นไปได้หรือไม่ที่เครื่องจักรจะเรียนรู้ที่จะคิดเชิงอุปมาน สิ่งนี้มีความสำคัญสูง หากคำตอบคือ “ไม่” แล้วแม้แต่ระบบ AI ที่ซับซ้อนที่สุดก็จะยังคงเป็นเพียงเครื่องคำนวณที่ยิ่งใหญ่เท่านั้น ไม่สามารถแก้ปัญหาที่ต้องการมากกว่าการเรียงสับเปลี่ยนข้อมูลที่ได้รับการฝึกฝน

สถาปัตยกรรมของความเข้าใจ

การให้เหตุผลเชิงอุปมานทำงานที่ระดับของความคล้ายคลึงกันทางโครงสร้าง มากกว่าความคล้ายคลึงกันทางพื้นผิว ตัวอย่างเช่น สิ่งที่ทำให้หัวใจและปั๊มน้ำคล้ายคลึงกันแน่นอน ไม่ใช่ลักษณะทางกายภาพของพวกมัน แต่เป็นเพราะทั้งสองทำหน้าที่เดียวกัน คือ การหมุนของเหลวผ่านระบบ และเป็นความสามารถในการทำแผนที่ความสัมพันธ์ที่พบในบริบทหนึ่งไปยังอีกบริบทหนึ่งที่ทำให้การเรียนรู้ การสร้างสรรค์ และการแก้ปัญหา củaมนุษย์เป็นเอกลักษณ์

มีตัวอย่างในโลกแห่งความเป็นจริงมากมาย เช่น ออกัสต์ เคคูเลอ นักเคมีชาวเยอรมัน ที่ได้รับคำแนะนำเกี่ยวกับโครงสร้างของเบนซีนในรูปแบบของ ความฝัน ที่เขามองเหงูกัดหางของตัวเอง วันนี้ นักเขียนโปรแกรมใช้บทเรียนจากการจัดระเบียบห้องครัวในการเขียนโค้ด และครูอธิบายกระแสไฟฟ้าโดยเปรียบเทียบกับน้ำไหลผ่านท่อ

ระบบ AI ปัจจุบันพบว่าทักษะการให้เหตุผลเชิงอุปมานนี้ยากมาก เมื่อถูกส่งคำถาม ระบบภาษาที่มีขนาดใหญ่ (LLM) มีความสุขที่จะอธิบายว่า “เวลา คือ เงิน” หรือเพื่อแก้ปัญหาเหตุผลเชิงคำพูด แต่ หลักฐานที่เพิ่มขึ้น ชี้ให้เห็นว่าพวกมันมักจะทำการค้นหารูปแบบที่ซับซ้อนมากกว่าการทำแผนที่โครงสร้างที่แท้จริง เมื่อนักวิจัยนำเสนอระบบเหล่านี้ด้วยปัญหาเชิงอุปมานใหม่ที่แตกต่างจากข้อมูลฝึกอบรม การทำงานมักจะลดลง เนื่องจาก LLM excels ในการทำซ้ำอุปมานที่พวกมันเคยเห็นมาก่อน แต่ล้มเหลวเมื่อถูกขอให้สร้างการเชื่อมต่อใหม่

ไม่มีการให้เหตุผลเชิงอุปมาน ไม่มี AGI

เห็นได้ชัดว่า การให้เหตุผลเชิงอุปมานเป็นสิ่งจำเป็น ของ AGI หากไม่มีมัน ระบบ AI จะยังคงอ่อนแอ ไม่สามารถปรับความรู้ที่เกี่ยวข้องในโดเมนหนึ่งเพื่อแก้ปัญหาในอีกโดเมนหนึ่ง ตัวอย่างเช่น ลองนึกถึงรถยนต์ไร้คนขับที่ได้เรียนรู้ที่จะขับรถในถนนแคลิฟอร์เนียที่มีแดดจ้า แต่ไม่สามารถขยายการเรียนรู้นั้นเพื่อจัดการกับสภาพถนนหิมะได้ ระบบ AI ของรถยนต์เป็นเพียงเครื่องทำซ้ำรูปแบบที่มีราคาแพง ไม่ใช่ระบบที่มีความฉลาดแท้จริง ความฉลาดที่แท้จริงต้องการความยืดหยุ่นในการรับรู้ว่าการขับรถบนถนนลื่นคล้ายกับการขับรถบนพื้นผิวลื่นในสถานการณ์อื่นๆ แม้ว่ารายละเอียดจะแตกต่างกัน

การสร้างจิตใจเชิงอุปมาน

ดังนั้น สิ่งใดที่จำเป็นในการพัฒนาระบบ AI ที่สามารถให้เหตุผลเชิงอุปมานเหมือนมนุษย์? ตามการวิจัยที่เกิดขึ้นใหม่และลักษณะพื้นฐานของการให้เหตุผลเชิงอุปมาน สภาพและเทคนิคที่สำคัญหลายอย่างดูเหมือนจะเป็นไปได้

ข้อมูลฝึกอบรมที่มีโครงสร้างและหลากหลาย

ข้อกำหนดแรกคือระบบ AI ต้องได้รับการฝึกอบรมจากข้อมูลที่ไปไกลกว่าเพียงรูปแบบข้อความพื้นผิว อินเทอร์เน็ตพร้อมกับคลังข้อมูลขนาดใหญ่ของเอกสารทางวิทยาศาสตร์ เอกสารทางเทคนิค ผลงานสร้างสรรค์ และเนื้อหาอธิบายเป็นจุดเริ่มต้นที่ดี แต่ไม่ใช่ข้อมูลอินเทอร์เน็ตใดๆ ก็ตามที่จะทำได้ สิ่งที่ต้องการคือ ความหลากหลายทางโครงสร้าง ในอีกคำหนึ่ง เพื่อนำระบบ AI ไปสู่การเรียนรู้การรับรู้รูปแบบที่เป็นนามธรรม ผู้พัฒนาควรเริ่มสัมผัสให้พวกมันเข้ากับการเปรียบเทียบตั้งแต่วันแรกของการฝึกอบรม ข้อมูลฝึกอบรมของพวกเขาอาจมีแผนผังสถาปัตยกรรมร่วมกับเพลง โพธีทางคณิตศาสตร์ร่วมกับกวีนิพนธ์ หรือข้อโต้แย้งทางกฎหมายร่วมกับสูตรอาหาร เนื่องจากแต่ละโดเมนมีโครงสร้างความสัมพันธ์ที่แตกต่างกัน ระบบ AI ที่จะกลายเป็น AGI ในอนาคตจะได้รับประโยชน์จากการตั้งรูปแบบนี้

การทดสอบนอกชุดฝึกอบรม

เพื่อให้แน่ใจว่าระบบ AI เรียนรู้ที่จะให้เหตุผลเชิงอุปมาน และไม่เพียงแต่ปรับปรุงความสามารถในการเลียนแบบเท่านั้น เราต้องการเครื่องมือที่ตรวจสอบความสามารถของพวกมันในการทำแผนที่โครงสร้างไปยังสถานการณ์ที่พวกมันไม่เคยพบมาก่อน สิ่งนี้ต้องมีการสร้างปัญหาการทดสอบที่ตั้งใจให้แตกต่างจากสิ่งที่อาจปรากฏในข้อมูลฝึกอบรม – สิ่งที่นักวิจัยเรียกว่า งาน “counterfactual”

ตัวอย่างเช่น แทนที่จะขอให้ AI เสร็จสิ้นอุปมานมาตรฐาน เช่น “ลูกหมาเป็นกับหมาเหมือนลูกแมวเป็นกับ ____” เราอาจนำเสนอปัญหาโดยใช้แนวคิดที่คิดค้นขึ้นหรือขอให้พวกมันทำแผนที่ความสัมพันธ์ระหว่างโดเมนที่พวกมันไม่เคยเห็นเชื่อมต่อกันมาก่อน พวกมันสามารถรับรู้ได้หรือไม่ว่าความสัมพันธ์ระหว่างส่วนผสมและสูตรอาหารคล้ายกับความสัมพันธ์ระหว่างหลักฐานและข้อโต้แย้งทางกฎหมาย แม้ว่าพวกมันจะไม่เคยพบการเปรียบเทียบนี้มาก่อนก็ตาม การทดสอบเหล่านี้จะแสดงให้เห็นว่าระบบมีความเข้าใจโครงสร้างที่แท้จริงหรือเพียงแค่นึกถึงตัวอย่างที่คล้ายคลึงกัน

การวัดสิ่งที่สำคัญ

ข่าวดีสำหรับนักพัฒนาคือมีการวิจัยทางวิทยาศาสตร์เกี่ยวกับการรับรู้อุปมานของมนุษย์มานานหลายทศวรรษแล้ว พวกเขาสามารถใช้การวิจัยนี้เพื่อสร้างมาตรฐานที่แข็งแกร่งสำหรับการให้เหตุผลเชิงอุปมาน อย่างไรก็ตาม มาตรฐานเหล่านี้ต้องไปไกลกว่าการนับคำตอบที่ถูกต้องในแบบทดสอบอุปมานเท่านั้น สิ่งที่ต้องการจริงๆ คือมาตรการที่จับได้ว่าระบบ AI สามารถระบุความสัมพันธ์ที่เกี่ยวข้องในการทำแผนที่ ในขณะเดียวกันก็เพิกเฉยต่อความคล้ายคลึงกันทางพื้นผิวและรักษาความสอดคล้องในการทำแผนที่

การสร้างโครงสร้างผ่านการกระตุ้น

การวิจัยล่าสุดชี้ให้เห็นว่าความสามารถของ AI ในการคิดเชิงอุปมานขึ้นอยู่กับวิธีการที่พวกมันถูกขอให้ทำเช่นนั้น การกระตุ้นเชิงอุปมาน – การนำทางแบบชี้นำผ่านกระบวนการทำแผนที่โครงสร้าง – สามารถกระตุ้นให้เกิดการให้เหตุผลที่ซับซ้อนกว่าการนำเสนอปัญหาโดยตรง สิ่งนี้อาจเกี่ยวข้องกับการขอให้ระบบระบุความสัมพันธ์ในโดเมนแหล่งแรกก่อน แล้วขอให้พวกมันทำแผนที่ความสัมพันธ์เหล่านั้นไปยังโดเมนเป้าหมาย

เทคนิคนี้สามารถมีจุดประสงค์หลายประการ: การปรับปรุงความสามารถเชิงอุปมานของ AI ปัจจุบัน ในขณะเดียวกันก็สร้างข้อมูลฝึกอบรมสำหรับแบบจำลองในอนาคต โดยการบันทึกกรณีการให้เหตุผลเชิงอุปมานที่ประสบความสำเร็จ ตัวอย่างสามารถสร้างขึ้นเพื่อสอนระบบในอนาคตให้เข้าร่วมกระบวนการนี้ในลักษณะที่เป็นธรรมชาติ

สถาปัตยกรรมไฮบริด

การบรรลุการให้เหตุผลเชิงอุปมานที่คล้ายกับมนุษย์อาจต้องไปไกลกว่าการใช้แนวทางเครือข่ายประสาทเท่านั้น ระบบไฮบริดที่รวมการรับรู้รูปแบบกับการให้เหตุผลเชิงสัญลักษณ์ – โดยการแสดงและจัดการความสัมพันธ์ทางโครงสร้างอย่างชัดเจน – อาจเป็นชิ้นส่วนที่หายไป ส่วนเครือข่ายประสาทสามารถเรียนรู้รูปแบบที่ซ่อนอยู่ได้ แต่ระบบสัญลักษณ์สามารถบังคับให้เกิดความสอดคล้องทางโครงสร้างและทำแผนที่เชิงตรรกะที่การให้เหตุผลเชิงอุปมานต้องการ

สถาปัตยกรรมไฮบริดยังคงอยู่ในช่วงต้น แต่นักวิจัยกำลังสำรวจศักยภาพของมันอย่างแข็งขัน บางคน เสนอแนะการผสมผสานเครือข่ายประสาทกับการให้เหตุผลเชิงสัญลักษณ์ ที่อาจนำไปสู่ความสามารถเชิงอุปมานที่ดีขึ้น

ไปที่ไหนต่อไป?

ขึ้นอยู่กับว่าคุณถามใคร การให้เหตุผลเชิงอุปมานอาจเป็นที่เกิดขึ้นแล้วหรือ AI เพียงแค่ดูเหมือนจะซับซ้อนมากขึ้น ในทั้งสองกรณี มันชัดเจนว่าหากความฝันของ AGI จะเป็นจริง มันจะใช้มากกว่าเพียงโมเดลที่ใหญ่ขึ้นหรือข้อมูลมากขึ้น มันจะใช้นวัตกรรมพื้นฐานในการออกแบบ การฝึกอบรม และการประเมินระบบ AI ของเรา

เมื่อความสามารถในการเปลี่ยนแปลงของ AI 展开ไป การให้เหตุผลเชิงอุปมานจะแสดงถึงทั้งมาตรฐานการแสดงผลที่สำคัญและความเตือนใจที่ทำให้เข้าใจถึงช่องว่างระหว่างความสามารถของ AI ปัจจุบันและความฉลาดที่แท้จริงของมนุษย์ เมื่อระบบ AI สามารถมองเห็นว่าประชาธิปไตยเป็นของพลเมืองเหมือนกับวงออร์เคสตราเป็นของนักดนตรี – โดยรับรู้ไม่ใช่ลักษณะพื้นผิว แต่ความสัมพันธ์ทางโครงสร้างที่ลึกซึ้งเกี่ยวกับการประสานงาน การแสดงถึง และความสามัคคีที่เกิดขึ้น – มันจะข้ามขอบเขตที่สำคัญต่อความฉลาดที่แท้จริง