İnsan Gibi Düşünmek: Yapay Zeka Analojik Akıl Yürütme Yeteneğini Geliştirebilir mi?

İnsanlar yeni bir şeyle karşılaştıklarında içgüdüsel olarak karşılaştırmalara yönelirler. Atomlar hakkında bilgi edinen bir çocuk, elektronların çekirdeğin etrafında "gezegenlerin güneşin etrafında döndüğü gibi" döndüğünü duyabilir. Bir girişimci, yeni girişimini şu şekilde tanıtabilir: “Evcil hayvan bakımı için Uber.” Bir bilim insanı, uzman olmayan bir kitleye beynin bilgiyi "bir bilgisayar gibi" işlediğini söyleyebilir.

Bu zihinsel sıçrama – bir şeyin başka bir şeye daha derin yapısında nasıl benzediğini görmek – analojik akıl yürütme olarak adlandırılır. Ve bu, belki de şu bileşen olabilir: insan zekasını yapay zekadan ayırır Mevcut haliyle. Eğer bir gün Yapay Genel Zeka geliştireceksek... Yapay Zekanın Kutsal Kasesi Şimdiye kadar ulaşılması güç olan bir sorun var: Makinelerin analog olarak düşünmeyi öğrenmesinin mümkün olup olmadığını anlamalıyız. Riskler son derece yüksek. Eğer cevap "Hayır" ise, en gelişmiş yapay zeka sistemleri bile sonsuza dek sadece gelişmiş hesap makinelerinden ibaret kalacaktır. Eğitim aldıkları verilerin yeniden düzenlenmesinden daha fazlasını gerektiren problemleri çözemeyeceklerdir.

Anlamanın mimarisi

Analojik akıl yürütme, yüzeysel benzerliklerden ziyade yapısal benzerlikler düzeyinde işler. Örneğin, kalpleri ve su pompalarını benzer kılan nedir? Elbette fiziksel görünümleri değil. İkisinin de aynı işlevi, yani bir sistem içinde sıvıyı dolaştırmayı yerine getirmeleri gerçeğidir. Ve insan öğrenmesini, yaratıcılığını ve problem çözme yeteneğini bu kadar eşsiz kılan da tam olarak bu, bir bağlamda tipik olan ilişkileri başka bir bağlama uyarlama yeteneğidir.

Gerçek dünyadan örneklerin sayısı oldukça fazla. Örneğin, benzenin yapısı hakkında bir ipucunu bir molekül aracılığıyla alan dahi Alman kimyager August Kekulé'yi ele alalım. Rüyasında bir yılanın kendi kuyruğunu ısırdığını gördü.Günümüzde programcılar, kod yapısını oluştururken mutfak düzenleme deneyimlerinden dersler çıkarıyor ve öğretmenler elektrik akımını borulardan akan suya benzeterek açıklıyor.

Ancak günümüz yapay zeka sistemleri bu yaygın bilişsel beceriyi çok zor bulmaktadır. Modern büyük dil modelleri (LLM'ler), istendiğinde "zaman paradır" sözünün nedenini açıklamaktan veya sözel mantık bulmacalarını çözmekten büyük keyif alırlar. Ancak montaj kanıtı Bu durum, modellerin gerçek yapısal eşleştirme yerine genellikle karmaşık örüntü eşleştirmesiyle meşgul olduklarını düşündürmektedir. Araştırmacılar bu modellere eğitim verilerinden sapma gösteren yeni analojik problemler sunduklarında, performans genellikle düşmektedir. Bunun nedeni, LLM'lerin daha önce gördükleri analojileri yeniden üretmede mükemmel olmaları, ancak yeni bağlantılar kurmaları istendiğinde tökezlemeleridir.

Analojik akıl yürütme yok, yapay genel zeka yok.

Açıkça, Analojik akıl yürütme şudur: olmazsa olmaz şey AGI'ninOnsuz, yapay zeka sistemleri kırılgan kalır ve bir alanda geçerli olan bilgiyi başka bir alandaki sorunları çözmek için uyarlayamaz. Örneğin, güneşli Kaliforniya sokaklarında gezinmeyi öğrenmiş ancak bu öğrenmeyi karlı koşullarla başa çıkmak için kullanamayan bir otonom aracı düşünün. Aracın yapay zeka sistemi, gerçek zekâya sahip bir sistem değil, pahalı bir kalıp eşleştirme sistemidir. Gerçek zekâ, buzlu yollarda sürüşün, ayrıntılar farklı olsa bile, diğer kaygan yüzey senaryolarıyla yapısal olarak karşılaştırılabilir olduğunu fark edebilecek bilişsel esnekliği gerektirir.

Aynı prensip, elbette, otonom araçların ötesindeki alanlarda da geçerlidir. Analojik düşünme, bilimde, tıbbi teşhiste, hukuki muhakemede ve yaratıcı çalışmalarda da ilerlemeyi yönlendirir. Bu kapasiteden yoksun yapay zeka sistemleri, tüm bir kütüphaneyi ezberlemiş ancak bu bilgiyi farklı disiplinler arasında sentezleyemeyen bir bilim insanına benzer. Etkileyici, elbette, ancak yalnızca dar bir şekilde sınırlı.

Analojik zihni inşa etmek

Peki, insan benzeri analojik akıl yürütme yeteneğine sahip yapay zeka sistemleri geliştirmek için neler gerekir? Yeni araştırmalar ve analojik düşünmenin temel doğası göz önüne alındığında, birkaç kritik koşul ve tekniğin gerekli olduğu görülmektedir.

Yapısal olarak zengin ve çeşitli eğitim verileri

İlk şart, yapay zeka sistemlerinin yüzeysel metin kalıplarının ötesine geçen verilerle eğitilmesidir. Bilimsel makaleler, teknik dokümanlar, yaratıcı eserler ve açıklayıcı içeriklerden oluşan geniş bir veri tabanına sahip internet, iyi bir başlangıç ​​noktasıdır. Ancak her internet verisi yeterli olmaz. Gereken şey şudur: yapısal çeşitlilikBaşka bir deyişle, yapay zekâ sistemlerini soyut kalıpları tanımayı öğrenmeye yönlendirmek için geliştiriciler, eğitimlerinin ilk gününden itibaren onları zıtlıklarla tanıştırmaya başlamalıdır. Eğitim verileri, mimari planların yanı sıra müzik notalarını, matematiksel ispatların yanı sıra şiirleri veya hukuki argümanların yanında yemek tariflerini içerebilir. Her alan farklı türde ilişkisel yapılar içerdiğinden, geleceğin yapay genel zekâsı bu tür bir uygulamadan fayda sağlayacaktır.

Daha da önemlisi, bu verilerin yalnızca istatistiksel korelasyonları değil, yapısal ilişkileri de koruması ve vurgulaması gerekiyor. Bilgi grafikleriNedensel diyagramlar ve kavramlar arasındaki açıkça haritalandırılmış ilişkiler, yapay zeka sistemlerinin mekanik olarak bağlantıları ezberlemek yerine yapıyı "görmeyi" öğrenmelerine yardımcı olabilir. Bunu, yapay zekaya sadece şeylerin ne olduğunu değil, aynı zamanda ilkeli yollarla birbirleriyle nasıl ilişkili olduklarını öğretmek olarak düşünün.

Eğitim veri setinin ötesinde test etme

Yapay zekâ sistemlerinin yalnızca taklit yeteneklerini geliştirmekle kalmayıp, analojik olarak akıl yürütmeyi öğrenmelerini sağlamak için, daha önce hiç karşılaşmadıkları durumlara yapısal harita oluşturma yeteneklerini kasıtlı olarak test eden araçlara ihtiyacımız var. Bu, eğitim verilerinde ortaya çıkması muhtemel her şeyden kasıtlı olarak farklı test problemleri oluşturmayı gerektirir; araştırmacıların "analiz" olarak adlandırdığı şey budur. “karşıolgusal” görevler.

Örneğin, bir yapay zekadan "yavru köpek köpeğe ne kadar benziyorsa, yavru kedi de şuna o kadar benzer" gibi standart benzetmeleri tamamlamasını istemek yerine, ona icat edilmiş kavramlar kullanan problemler sunabilir veya daha önce hiç bağlantılı görmediği alanlar arasındaki ilişkileri haritalamasını isteyebiliriz. Malzemeler ve bir tarif arasındaki ilişkinin, kanıt ve yasal bir argüman arasındaki ilişkiye paralel olduğunu, bu özel karşılaştırmayla hiç karşılaşmamış olsa bile, anlayabilir mi? Bu tür testler, sistemin altta yatan yapıları kavrayıp kavramadığını veya sadece benzer örnekleri hatırlayıp hatırlamadığını ortaya çıkaracaktır.

Önemli olanı ölçmek

Yapay zeka geliştiricileri için iyi haber şu ki, insanların analojileri nasıl işlediğiyle ilgili onlarca yıllık bilişsel bilim araştırması mevcut. Bu araştırmayı, analojik akıl yürütme için sağlam ölçütler geliştirmek için kullanabilirler. Ancak bu ölçütler, analoji testlerindeki doğru cevapları saymaktan daha fazlasını içermelidir. Gerçekten ihtiyaç duyulan şey, yapay zeka sistemlerinin yüzeysel benzerlikleri göz ardı ederek ve eşleştirmelerinde tutarlılığı koruyarak hangi ilişkilerin haritalama için uygun olduğunu belirleyip belirleyemediğini ölçen metriklerdir.

Bu, daha üst düzey ilişkileri belirlemeyi ödüllendiren puanlama sistemlerini içerebilir. Örneğin, bir yapay zeka, yalnızca atomların ve güneş sistemlerinin yörünge hareketini içerdiğini tanımakla kalmayıp, bu yörüngeleri yöneten nedensel ilişkileri de anlayabilirse daha yüksek puan alacaktır. Değerlendirilebilecek bir diğer yetenek ise, yapay zekanın yalnızca önceden yapılandırılmış analoji problemlerini tamamlamakla kalmayıp, yeni kavramları açıklamak için uygun analojileri kendiliğinden üretebilme yeteneği olabilir.

Yönlendirme yoluyla iskele oluşturma

Son araştırmalar, yapay zekanın analojik düşünme yeteneğinin büyük ölçüde bu yeteneğin nasıl istendiğine bağlı olduğunu göstermektedir. Analojik yönlendirme – Modelleri yapısal eşleme sürecinde açıkça yönlendirmek – sorunları doğrudan sunmaktan daha karmaşık bir akıl yürütmeyi ortaya çıkarabilir. Bu, öncelikle sistemden kaynak alandaki ilişkileri belirlemesini, ardından da bu ilişkileri hedef alana eşlemesini açıkça istemeyi içerebilir.

Bu teknik iki amaca hizmet edebilir: mevcut yapay zeka sistemlerinin analojik yeteneklerini geliştirmek ve aynı zamanda gelecekteki modeller için eğitim verisi üretmek. Yönlendirilmiş analojik akıl yürütmenin başarılı örneklerini kaydederek, sonraki sistemlere bu süreci daha doğal bir şekilde gerçekleştirmeyi öğretebilecek örnekler oluşturulabilir.

Hibrit mimariler

İnsan benzeri analojik akıl yürütmeyi başarmak, saf sinir ağı yaklaşımlarının ötesine geçmeyi gerektirebilir. Desen tanımayı sembolik akıl yürütmeyle birleştiren – yapısal ilişkileri açıkça temsil eden ve manipüle eden – hibrit sistemler eksik parçayı sağlayabilir. Sinir ağları örtük desenleri öğrenmede mükemmel olsa da, sembolik sistemler analojik akıl yürütmenin gerektirdiği yapısal tutarlılığı ve mantıksal eşleştirmeyi sağlayabilir.

Hibrit mimariler henüz başlangıç ​​aşamasında olsa da, araştırmacılar potansiyellerini aktif olarak araştırıyorlar. Örneğin, bazıları, Sinir ağlarını sembolik akıl yürütmeyle birleştirmenin gerekliliğini savunmak Bu durum, analojik yeteneklerin gelişmesine yol açabilir. Diğerleri desteklemek Yapay zekâ modellerinin yüzeysel bir şekilde analoji yoluyla düşünme ve uydurma eğilimini ele almak için geliştirilen hibrit modeller.

Sıradaki nerede?

Kime sorduğunuza bağlı olarak, analojik akıl yürütme ya zaten ortaya çıkmakta ya da yapay zekâlar taklit yeteneklerinde daha da gelişmiş hale gelmektedir. Hangi görüş gerçeğe daha yakın olursa olsun, yapay genel zekâ (AGI) hayalinin gerçekleşmesi için sadece daha büyük modeller veya daha fazla veri yeterli olmayacaktır. Ayrıca, yapay zekâ sistemlerimizi nasıl yapılandırdığımız, eğittiğimiz ve değerlendirdiğimiz konusunda bazı temel yeniliklere de ihtiyaç duyacaktır.

Yapay zekanın dönüştürücü yetenekleri ortaya çıktıkça, analojik akıl yürütme hem performans için kritik bir ölçüt hem de yapay zekanın mevcut yetenekleri ile gerçek insan bilişi arasındaki uçurumun düşündürücü bir hatırlatıcısı haline geliyor. Bir yapay zeka sistemi, demokrasinin vatandaşlar için bir orkestranın müzisyenler için olduğu gibi olduğunu – yüzeysel özellikler değil, koordinasyon, temsil ve ortaya çıkan uyumla ilgili derin yapısal ilişkileri – anlayabildiğinde, gerçek zekaya doğru çok önemli bir eşiği aşmış olacaktır.