Мислення як у людини: чи може ШІ навчитися мислити за аналогією?

Коли людина стикається з чимось новим, вона інстинктивно шукає порівняння. Дитина, яка вивчає атоми, може почути, що електрони обертаються навколо ядра “як планети обертаються навколо Сонця”. Підприємець може представити свій стартап як “Uber для догляду за тваринами”. Учений може пояснити неспеціалістам, що мозок обробляє інформацію “як комп’ютер”.

Цей розумовий стрибок – побачити, як одна річ схожа на іншу в своїй глибинній структурі – називається мисленням за аналогією. І це може бути інгредієнтом, який відокремлює людський інтелект від штучного інтелекту у його поточній формі. Якщо ми хочемо коли-небудь розробити штучний загальний інтелект – Святий Грааль штучного інтелекту, який досі виявився недосяжним, – нам потрібно з’ясувати, чи можуть машини навчитися мислити за аналогією. Ставки не можуть бути вищими. Якщо відповідь “Ні”, то навіть найскладніші системи штучного інтелекту назавжди залишаться нічим більше, ніж ускладненими калькуляторами. Вони будуть не в змозі вирішувати проблеми, які вимагають більшого, ніж просте перегрупування даних, на яких вони були навчені.

Архітектура розуміння

Мислення за аналогією працює на рівні структурних, а не поверхневих, схожостей. Наприклад, що робить серце й водяний насос подібними? Звичайно, не їхній фізичний вигляд. Це те, що обидва виконують одну й ту ж функцію, а саме циркуляцію рідини через систему. І саме ця здатність відображати відносини, типові для однієї області, на іншу область, робить людське навчання, творчість і розв’язання проблем так унікальними.

Є багато реальних прикладів. Візьмімо, наприклад, Августа Кекуле, видатного німецького хіміка, який отримав підказку про структуру бензену у вигляді сну, в якому він бачив змію, що кусає свій хвіст. Сьогодні програмісти застосовують уроки організації кухні при структуризації коду, а вчителі пояснюють електричний струм, порівнюючи його з водою, що тече через труби.

Однак сучасним системам штучного інтелекту ця звична когнітивна здатність дається дуже важко. Коли їх запитують, сучасні великі мовні моделі (LLM) охоче пояснюють, чому “час – це гроші” або виконують словесні завдання на міркування. Але дедалі численніші докази дають підстави припускати, що вони часто займаються складним підбором шаблонів, а не справжнім структурним відображенням. Коли дослідники пропонують цим моделям нові завдання на аналогії, які відхиляються від їхніх навчальних даних, їхня результативність часто різко падає. Це відбувається тому, що LLM добре повторюють аналогії, які вони бачили раніше, але спотикаються, коли їм пропонують створити нові зв’язки.

Немає мислення за аналогією, немає штучного загального інтелекту

Очевидно, що мислення за аналогією є необхідною умовою штучного загального інтелекту. Без нього системи штучного інтелекту залишаються крихкими, не в змозі застосовувати знання, корисні в одній галузі, для вирішення проблем в іншій. Наприклад, уявіть собі автономний автомобіль, який навчився їздити сонячними вулицями Каліфорнії, але не може перенести засвоєне на їзду в снігових умовах. Система штучного інтелекту автомобіля – це дорогий механізм зіставлення шаблонів, а не система, здатна до справжнього інтелекту. Справжній інтелект вимагав би когнітивної гнучкості для розпізнавання того, що їзда обледенілими дорогами структурно подібна до їзди іншими слизькими поверхнями, навіть якщо подробиці відрізняються.

Той же принцип застосовується в галузях, що виходять за рамки автономних транспортних засобів, звичайно. Мислення за аналогією також сприяє прогресу в науці, медичній діагностиці, юридичному мисленні та творчих заняттях. Системи штучного інтелекту без цієї здатності схожі на ученого, який запам’ятав цілу бібліотеку, але не може синтезувати це знання між дисциплінами. Вражаюче, звичайно, але лише у вузькому сенсі.

Будування мислення за аналогією

Що потрібно, щоб розробити системи штучного інтелекту, здатні до людського мислення за аналогією? На основі новітніх досліджень і фундаментальної природи мислення за аналогією кілька ключових умов і методів видаються необхідними.

Структурно багаті й різноманітні навчальні дані

Першою вимогою є те, що системи штучного інтелекту повинні бути навчені на даних, які виходять за рамки поверхневих текстових шаблонів. Інтернет з його величезним репозиторієм наукових статей, технічної документації, творчих робіт і пояснювального контенту – це хороша точка відправлення. Але не будь-які інтернет-дані підходять. Що потрібно, це структурна різноманітність. Іншими словами, щоб допомогти системам штучного інтелекту навчитися розпізнавати абстрактні шаблони, розробники повинні почати знайомити їх з контрастами з першого дня навчання. Їхні навчальні дані можуть включати архітектурні плани поряд з музичними партитурами, математичні доведення разом з поезією або юридичні аргументи поряд з рецептами. Оскільки кожна галузь утілює різні типи структур взаємозв’язків, майбутній загальний штучний інтелект міг би отримати користь від таких вправ.

Важливіше те, що ці дані мають зберігати й підкреслювати структурні зв’язки, а не лише статистичні кореляції. Графи знань, причинно-наслідкові діаграми та явно відображені зв’язки між поняттями могли б допомогти системам штучного інтелекту навчитися «бачити» структуру, а не механічно запам’ятовувати асоціації. Уявіть, що ви навчаєте ШІ не лише того, чим є речі, а й принципів, за якими вони пов’язані між собою.

Тестування за межами навчального набору

Щоб переконатися, що системи штучного інтелекту вчаться мислити за аналогією, а не просто покращують свої імітаційні здібності, нам потрібні інструменти, які навмисно перевіряють їхню здатність відображати структуру на ситуації, які вони ніколи не зустрічали раніше. Це передбачає створення тестових завдань, які є навмисно несхожими на все, що може з’явитися в навчальних даних – те, що дослідники називають “контрфактичними завданнями”.

Наприклад, замість того, щоб просити систему штучного інтелекту завершити стандартні аналогії, такі як “цуценя відноситься до собаки так, як кошеня до ____”, ми можемо представити їй завдання, які використовують вигадані концепції або попросити її відобразити відносини між областями, які вона ніколи не бачила зв’язаними. Чи може вона визначити, що відносини між інгредієнтами і рецептом паралельні відносинам між доказами і юридичним аргументом, навіть якщо вона ніколи не зустрічала такого порівняння? Такі тести покажуть, чи система розуміє глибинні структури або просто запам’ятовує подібні приклади.

Вимірювання того, що має значення

Хороша новина для розробників штучного інтелекту полягає в тому, що є десятиліття досліджень когнітивної науки, які займаються саме тим, як люди обробляють аналогії. Вони можуть використовувати ці дослідження для розробки надійних критеріїв для мислення за аналогією. Однак ці критерії повинні виходити за рамки простого підрахунку правильних відповідей на аналогічні тести. Що справді потрібно, це метрики, які відображають здатність систем штучного інтелекту визначати, які відносини є актуальними для відображення, одночасно ігноруючи поверхневі схожості і підтримуючи послідовність у своїх відображеннях.

Це може включати системи оцінювання, які винагороджують виявлення зв’язків вищого порядку. Наприклад, система штучного інтелекту буде оцінюватися вище, якщо вона може не тільки визначити, що і атоми, і сонячні системи включають орбіти, але також зрозуміти причинно-наслідкові відносини, які керують цими орбітами. Інша компетенція, яку можна оцінювати, полягає в тому, чи система штучного інтелекту може спонтанно генерувати відповідні аналогії для пояснення нових концепцій, а не просто завершувати попередньо структуровані аналогічні завдання.

Підтримка міркування за допомогою запитів

Останні дослідження свідчать про те, що здатність штучного інтелекту мислити за аналогією значною мірою залежить від того, як його просять це зробити. Запити, що спрямовують мислення за аналогією – явне спрямування моделей у процесі структурного зіставлення – можуть викликати складніше міркування, ніж просте подання завдань без підказок. Це може включати прохання до системи штучного інтелекту визначити зв’язки у вихідній галузі, а потім явне прохання про відображення цих відносин на цільову область.

Ця техніка може служити подвійній меті: покращенню здатності сучасних систем штучного інтелекту мислити за аналогією, а також створенню навчальних даних для майбутніх моделей. Записуючи успішні випадки керованого мислення за аналогією, можна створити приклади, які можуть навчити наступні системи займатися цим процесом природніше.

Гібридні архітектури

Досягнення людського мислення за аналогією може потребувати виходу за межі підходів, заснованих лише на нейронних мережах. Гібридні системи, які поєднують розпізнавання шаблонів із символічним мисленням – явним представленням і маніпуляцією структурними відносинами – можуть забезпечити відсутню ланку. Хоча нейронні мережі добре вчаться імпліцитним шаблонам, символічні системи можуть забезпечити структурну послідовність і логічне відображення, яке вимагається мисленням за аналогією.

Гібридні архітектури ще в своїй зародковій стадії, але дослідники активно досліджують їхній потенціал. Деякі, наприклад, обстоюють поєднання нейронних мереж із символічним мисленням, яке може привести до покращення аналогічних здібностей. Інші пропагують гібридні моделі, побудовані для вирішення тенденції моделей штучного інтелекту до вигадування інформації та поверхневого мислення за аналогією.

Де далі?

Залежно від того, кого ви запитаєте, здатність мислити за аналогією вже починає виникати в системах ШІ або системи штучного інтелекту просто стають більш складними у своїй імітації. Яка б позиція не була ближчою до істини, ясно, що якщо мрія про штучний загальний інтелект має бути реалізована, це буде потребувати більше, ніж просто більших моделей або більшої кількості даних. Це також буде потребувати деяких фундаментальних інновацій у тому, як ми структуруємо, тренуємо і оцінюємо наші системи штучного інтелекту.

Як трансформативні можливості штучного інтелекту розгортаються, мислення за аналогією представляє собою як критичний критерій продуктивності, так і тверезе нагадування про розрив між поточними можливостями штучного інтелекту і справжнім людським мисленням. Коли система штучного інтелекту зможе побачити, що демократія для громадян така ж, як оркестр для музикантів – розпізнаючи не поверхневі ознаки, а глибинні структурні зв’язки координації, представництва й гармонії, що виникає завдяки взаємодії – вона перетне критичний поріг до справжнього інтелекту.