Tư duy như con người: Liệu AI có thể phát triển lý luận tương tự?

Khi đối mặt với điều gì đó mới, con người bản năng tìm kiếm sự so sánh. Một đứa trẻ học về nguyên tử có thể nghe rằng các electron quay quanh hạt nhân “giống như các hành tinh quay quanh mặt trời.” Một doanh nhân có thể giới thiệu startup của mình là “Uber cho người chải chuốt thú cưng.” Một nhà khoa học có thể nói với một khán giả không chuyên rằng não bộ xử lý thông tin “giống như một máy tính.”

Bước nhảy tâm lý này – nhìn thấy cách một thứ giống với một thứ khác trong cấu trúc sâu sắc hơn – được gọi là lý luận tương tự. Và nó có thể là thành phần phân biệt trí thông minh của con người với AI trong hình thức hiện tại. Nếu chúng ta muốn phát triển Trí tuệ nhân tạo tổng quát – Đấng cứu thế của AI mà cho đến nay vẫn chưa được chứng minh – chúng ta phải tìm hiểu xem liệu có thể cho máy móc học cách suy nghĩ tương tự hay không. Đặt cược không thể cao hơn. Nếu câu trả lời là “Không,” thì ngay cả những hệ thống AI tinh vi nhất sẽ mãi mãi chỉ là máy tính được nâng cấp. Chúng sẽ không thể giải quyết các vấn đề đòi hỏi hơn là sắp xếp lại dữ liệu mà chúng đã được đào tạo.

Cấu trúc của sự hiểu biết

Lý luận tương tự hoạt động ở mức độ tương đồng về cấu trúc, chứ không phải về bề mặt. Ví dụ, điều gì làm cho tim và máy bơm nước tương tự? Chắc chắn không phải là vẻ ngoài của chúng. Đó là thực tế cả hai thực hiện cùng một chức năng, đó là lưu thông chất lỏng qua một hệ thống. Và chính khả năng ánh xạ mối quan hệ điển hình trong một ngữ cảnh sang một ngữ cảnh khác khiến cho việc học, sáng tạo và giải quyết vấn đề của con người trở nên độc đáo.

Không có sự thiếu hụt các ví dụ trong thế giới thực. Hãy xem xét August Kekulé, nhà hóa học người Đức tài năng, người đã nhận được một gợi ý về cấu trúc của benzen dưới dạng một giấc mơ nơi anh nhìn thấy một con rắn cắn vào đuôi của chính nó. Ngày nay, các lập trình viên áp dụng các bài học từ việc tổ chức một nhà bếp khi cấu trúc mã, và các giáo viên giải thích dòng điện bằng cách so sánh nó với nước chảy qua các đường ống.

Tuy nhiên, các hệ thống AI hiện tại lại tìm thấy kỹ năng nhận thức phổ biến này rất khó. Khi được yêu cầu, các mô hình ngôn ngữ lớn hiện đại (LLM) rất sẵn lòng giải thích tại sao “thời gian là tiền bạc,” hoặc hoàn thành các câu đố lý luận bằng lời. Nhưng bằng chứng ngày càng tăng cho thấy chúng thường tham gia vào việc ghép mẫu tinh vi, chứ không phải ánh xạ cấu trúc thực sự. Khi các nhà nghiên cứu trình bày các mô hình này với các vấn đề tương tự mới mà khác với dữ liệu đào tạo của chúng, hiệu suất thường giảm mạnh. Điều này là do LLM giỏi trong việc tái tạo các tương tự mà chúng đã thấy trước đó nhưng thất bại khi được yêu cầu tạo ra các kết nối mới.

Không có lý luận tương tự, không có AGI

Rõ ràng, lý luận tương tự làsine qua non của AGI. Nếu không có nó, các hệ thống AI vẫn giòn, không thể thích nghi kiến thức có liên quan trong một lĩnh vực để giải quyết vấn đề trong một lĩnh vực khác. Ví dụ, hãy tưởng tượng một chiếc xe tự lái đã học cách điều hướng trên đường phố California đầy nắng nhưng không thể suy luận rằng việc học đó để xử lý điều kiện tuyết. Hệ thống AI của chiếc xe là một trình匹配 mẫu đắt tiền, không phải là một hệ thống có khả năng thông minh thực sự. Sự thông minh thực sự sẽ đòi hỏi sự linh hoạt nhận thức để nhận ra rằng việc lái xe trên đường trơn trượt là tương tự về cấu trúc với các tình huống bề mặt trơn trượt khác, ngay cả khi các chi tiết khác nhau.

Cùng một nguyên tắc áp dụng cho các lĩnh vực ngoài xe tự lái,当然. Tư duy tương tự cũng thúc đẩy tiến bộ trong khoa học, chẩn đoán y tế, lý luận pháp lý và các nỗ lực sáng tạo. Các hệ thống AI không có khả năng này giống như một học giả đã ghi nhớ toàn bộ thư viện nhưng không thể tổng hợp kiến thức đó trên các lĩnh vực. Ấn tượng, chắc chắn, nhưng chỉ trong một cách hạn chế.

Xây dựng tâm trí tương tự

Vậy, điều gì sẽ cần thiết để phát triển các hệ thống AI có khả năng lý luận tương tự như con người? Dựa trên nghiên cứu mới nổi và bản chất cơ bản của tư duy tương tự, một số điều kiện và kỹ thuật quan trọng dường như là cần thiết.

Dữ liệu đào tạo phong phú và đa dạng về cấu trúc

Yêu cầu đầu tiên là có các hệ thống AI được đào tạo trên dữ liệu vượt ra ngoài các mẫu văn bản bề mặt. Internet, với kho lưu trữ khổng lồ các bài báo khoa học, tài liệu kỹ thuật, tác phẩm sáng tạo và nội dung giải thích, là một điểm khởi đầu tốt. Nhưng không phải bất kỳ dữ liệu internet nào cũng sẽ làm được. Điều cần thiết là sự đa dạng về cấu trúc. Nói cách khác, để hướng dẫn các hệ thống AI học cách nhận ra các mẫu trừu tượng, các nhà phát triển nên bắt đầu phơi bày chúng với các sự tương phản từ ngày đầu tiên của đào tạo. Dữ liệu đào tạo của chúng có thể bao gồm các bản thiết kế kiến trúc cùng với các bản nhạc, các chứng minh toán học cùng với thơ ca, hoặc các lập luận pháp lý cùng với công thức nấu ăn.

Quan trọng hơn, dữ liệu này cần phải bảo tồn và làm nổi bật các mối quan hệ cấu trúc, không chỉ là mối quan hệ thống kê. Biểu đồ kiến thức, sơ đồ nguyên nhân và các mối quan hệ được ánh xạ rõ ràng giữa các khái niệm có thể giúp các hệ thống AI học cách “nhìn thấy” cấu trúc thay vì ghi nhớ các mối quan hệ một cách cơ học. Hãy nghĩ về nó như dạy AI không chỉ những thứ gì là gì, mà còn cách chúng liên quan đến nhau theo những cách nguyên tắc.

Thử nghiệm vượt ra ngoài tập dữ liệu đào tạo

Để đảm bảo rằng các hệ thống AI đang học cách suy nghĩ tương tự, và không chỉ cải thiện kỹ năng bắt chước của chúng, chúng ta cần các công cụ có chủ đích kiểm tra khả năng ánh xạ cấu trúc của chúng vào các tình huống mà chúng chưa từng gặp trước đây. Điều này bao gồm việc xây dựng các vấn đề kiểm tra có chủ đích khác với bất cứ thứ gì có thể xuất hiện trong dữ liệu đào tạo – những gì các nhà nghiên cứu gọi là nhiệm vụ “ngược lại”.

Ví dụ, thay vì yêu cầu một AI hoàn thành các tương tự tiêu chuẩn như “chú chó con là gì so với chú chó như thế nào với mèo con là gì với ____,” chúng ta có thể trình bày cho nó các vấn đề sử dụng các khái niệm được phát minh hoặc yêu cầu nó ánh xạ mối quan hệ giữa các lĩnh vực mà nó chưa từng thấy kết nối. Liệu nó có thể nhận ra rằng mối quan hệ giữa các thành phần và một công thức tương tự như mối quan hệ giữa bằng chứng và một lập luận pháp lý, ngay cả khi nó chưa từng gặp so sánh cụ thể đó? Các thử nghiệm như vậy sẽ tiết lộ liệu hệ thống có nắm được các cấu trúc cơ bản hay chỉ nhớ lại các ví dụ tương tự.

Đo lường những gì quan trọng

Tin tốt cho các nhà phát triển AI là có nhiều thập kỷ nghiên cứu khoa học nhận thức liên quan cụ thể đến cách con người xử lý các tương tự. Họ có thể sử dụng nghiên cứu này để phát triển các tiêu chuẩn mạnh mẽ cho lý luận tương tự. Tuy nhiên, các tiêu chuẩn này phải vượt ra ngoài việc chỉ đếm các câu trả lời đúng trên các thử nghiệm tương tự. Điều thực sự cần thiết là các phép đo có thể nắm bắt được liệu các hệ thống AI có thể xác định được những mối quan hệ nào là liên quan để ánh xạ, trong khi bỏ qua các sự tương đồng bề mặt và duy trì sự nhất quán trên các ánh xạ của chúng.

Điều này có thể liên quan đến việc ghi điểm cho các hệ thống có thể nhận ra các mối quan hệ cấp cao hơn. Ví dụ, một AI sẽ ghi điểm cao hơn nếu nó không chỉ có thể nhận ra rằng cả nguyên tử và hệ thống mặt trời đều liên quan đến việc quay quanh, mà còn hiểu được các mối quan hệ nguyên nhân chi phối các quỹ đạo đó. Một khả năng khác để đánh giá có thể là liệu AI có thể tự tạo ra các tương tự phù hợp để giải thích các khái niệm mới, không chỉ hoàn thành các vấn đề tương tự đã được cấu trúc.

Hỗ trợ thông qua lời nhắc

Nghiên cứu gần đây cho thấy rằng khả năng suy nghĩ tương tự của AI phụ thuộc vào một mức độ lớn vào cách nó được yêu cầu làm như vậy. Lời nhắc tương tự – hướng dẫn rõ ràng các mô hình qua quá trình ánh xạ cấu trúc – có thể tạo ra lý luận tinh vi hơn so với việc chỉ trình bày các vấn đề một cách lạnh lùng. Điều này có thể liên quan đến việc đầu tiên yêu cầu hệ thống xác định mối quan hệ trong một lĩnh vực nguồn, sau đó yêu cầu nó ánh xạ các mối quan hệ đó sang một lĩnh vực đích.

Kỹ thuật này có thể phục vụ hai mục đích: cải thiện khả năng suy nghĩ tương tự của các hệ thống AI hiện tại đồng thời tạo ra dữ liệu đào tạo cho các mô hình tương lai. Bằng cách ghi lại các trường hợp thành công của lý luận tương tự được hướng dẫn, các ví dụ có thể được tạo ra để dạy các hệ thống tiếp theo tham gia vào quá trình này một cách tự nhiên hơn.

Cấu trúc lai

Để đạt được khả năng suy nghĩ tương tự như con người, có thể cần phải đi vượt ra ngoài các phương pháp mạng nơ-ron thuần túy. Các hệ thống lai kết hợp nhận dạng mẫu với lý luận biểu tượng – đại diện và xử lý rõ ràng các mối quan hệ cấu trúc – có thể cung cấp phần còn thiếu. Trong khi các mạng nơ-ron giỏi trong việc học các mẫu ngầm, các hệ thống biểu tượng có thể thực thi sự nhất quán về cấu trúc và ánh xạ logic mà lý luận tương tự đòi hỏi.

Cấu trúc lai vẫn còn trong giai đoạn sơ sinh, nhưng các nhà nghiên cứu đang tích cực khám phá tiềm năng của chúng. Một số, ví dụ, đề xuất kết hợp mạng nơ-ron với lý luận biểu tượng có thể dẫn đến khả năng tương tự được tăng cường. Những người khác khuyến khích các mô hình lai được xây dựng để giải quyết xu hướng của các mô hình AI để tưởng tượng và suy nghĩ tương tự một cách nông cạn.

Đâu là bước tiếp theo?

Tùy thuộc vào ai bạn hỏi, lý luận tương tự có thể đã xuất hiện hoặc AIs chỉ đang trở nên tinh vi hơn trong việc bắt chước. Dù vị trí nào gần với sự thật, rõ ràng là nếu giấc mơ về AGI được thực hiện, nó sẽ đòi hỏi hơn là chỉ các mô hình lớn hơn hoặc nhiều dữ liệu hơn. Nó cũng sẽ đòi hỏi một số đổi mới cơ bản trong cách chúng ta cấu trúc, đào tạo và đánh giá các hệ thống AI của mình.

Khi các khả năng chuyển đổi của AI mở ra, lý luận tương tự đại diện cho cả một điểm chuẩn quan trọng về hiệu suất và một lời nhắc nhở nghiêm túc về khoảng cách giữa khả năng hiện tại của AI và nhận thức của con người thực sự. Khi một hệ thống AI có thể nhìn thấy rằng dân chủ là với công dân như một dàn nhạc là với các nhạc sĩ – nhận ra không phải là các tính năng bề mặt mà là các mối quan hệ cấu trúc sâu sắc về phối hợp, đại diện và hòa hợp xuất hiện – nó sẽ đã vượt qua một ngưỡng quan trọng hướng tới trí thông minh thực sự.