Думати як людина: чи може штучний інтелект розвинути аналогічне мислення?

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 аналогічним мисленням. 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 вирішити, чи можливо для машин вивчити аналогічне мислення. 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 більше, ніж просто зміна даних, на яких вони були навчені.

Архітектура розуміння

Аналогічне мислення працює на рівні структурних, а не поверхневих, схожостей. Наприклад, що робить серце і 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. Взять, 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.

Поточні системи штучного інтелекту, однак, знаходять цю звичайну когнітивну здатність дуже важкою. Коли їх запитують, сучасні великі моделі мови (LLM) з задоволенням пояснюють, чому “час – це гроші” або виконують вербальні завдання з розуміння. Але наростаючі докази свідчать про те, що вони часто займаються складним підбором шаблонів, а не справжнім структурним відображенням. Коли дослідники представляють ці моделі новими аналогічними завданнями, які відхиляються від їхніх навчальних даних, продуктивність часто падає. Це відбувається тому, що LLM добре повторюють аналогії, які вони бачили раніше, але спотикаються, коли їм пропонують створити нові зв’язки.

Немає аналогічного мислення, немає штучного загального інтелекту

Очевидно, що аналогічне мислення єсине ква нон штучного загального інтелекту. Без нього системи штучного інтелекту залишаються крихкими, не в змозі адаптувати знання, яке є актуальним в одній області, для вирішення проблем в іншій. Наприклад, уявіть собі самохідний автомобіль, який навчився рухатися по сонячним вулицям Каліфорнії, але не може екстраполювати це навчання для руху по сніговим умовам. Система штучного інтелекту автомобіля – це дорогий підбір шаблонів, а не система, здатна до справжнього інтелекту. Справжній інтелект вимагав би когнітивної гнучкості для визнання того, що рух по льодових дорогах структурно порівнюється з іншими слизькими поверхнями, навіть якщо подробиці відрізняються.

Той же принцип застосовується в галузях, що виходять за рамки автономних транспортних засобів, звичайно. Аналогічне мислення 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 тільки в вузькому сенсі.

Будування аналогічного мислення

Що потрібно, щоб розробити системи штучного інтелекту, здатні до людського аналогічного мислення? На основі новітніх досліджень і фундаментальної природи аналогічного мислення several критичних умов і технік здаються необхідними.

Структурно багате і різноманітне навчальне дані

Першим вимогам 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 спрямувати системи штучного інтелекту до вивчення розпізнавання абстрактних шаблонів, 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 область втілює різні типи відносинних структур, система штучного інтелекту, яка повинна стати штучним загальним інтелектом, буде користуватися від цього типу вправ.

Тестування за межами навчального набору

Щоб переконатися, що системи штучного інтелекту вчаться аналогічному мисленню, а не просто покращують свої імітаційні здібності, нам потрібно 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 “щеня – це собака, як котеня – це ____”, ми можемо представити їй завдання, які використовують вигадані концепції або просимо її відображати 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 аналогічного мислення. Однак ці критерії повинні виходити за рамки простого підрахунку правильних відповідей на аналогічні тести. Що справді потрібно, це метрики, які захоплюють 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 ідентифікацію вищих відносин. 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.

Сcaffolding через підказки

Останні дослідження свідчать про те, що здатність штучного інтелекту мислити аналогічно залежить у великому ступені від того, як його просять це зробити. Аналогічна підказка – явне керівництво моделями через процес структурного відображення – може викликати більш складне мислення, ніж просте представлення завдань. Це може включати запитання системи штучного інтелекту про ідентифікацію відносин в джерельній області, а потім явне прохання про відображення цих відносин на цільову область.

Ця техніка може служити подвійній меті: покращення поточних систем штучного інтелекту аналогічних здібностей, а також генерації навчальних даних для майбутніх моделей. Записуючи успішні випадки підказування аналогічного мислення, можна створити приклади, які можуть навчити наступні системи займатися цим процесом більш природнім чином.

Гібридні архітектури

Досягнення людського аналогічного мислення може потребувати виходу за рамки чистих підходів нейронних мереж. Гібридні системи, які поєднують розпізнавання шаблонів із символічним мисленням – явним представленням і маніпуляцією структурними відносинами – можуть надати відсутній шматок. Хоча нейронні мережі добре вчаться імпліцитним шаблонам, символічні системи можуть забезпечити структурну послідовність і логічне відображення, яке вимагається аналогічним мисленням.

Гібридні архітектури ще в своїй зародковій стадії, але дослідники активно досліджують їхній потенціал. Деякі, наприклад, аргументують за 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 фабрикації і мілкого аналогічного мислення.

Де далі?

Залежно від того, кого ви запитаєте, аналогічне мислення вже є емергентним або системи штучного інтелекту просто стають більш складними у своїй імітації. Хто б не був ближче до істини, ясно, що якщо мрія про штучний загальний інтелект має бути реалізована, це буде потребувати більше, ніж просто більших моделей або більше 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, аналогічне мислення представляє собою як критичний критерій продуктивності, так і стримуючу 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 – визнаючи не поверхневі ознаки, а глибинні структурні відносини про координацію, представництво і емергентну гармонію – вона перетне критичний поріг до справжнього інтелекту.