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

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

Bước nhảy này trong tư duy – nhìn thấy cách một thứ giống với một thứ khác trong cấu trúc sâu sắc – được gọi là lý luận tương tự. Và nó có thể là thành phần quan trọng giúp phân biệt trí tuệ con người với AI trong hình thức hiện tại. Nếu chúng ta muốn phát triển Trí tuệ Nhân tạo Tổng quát – mục tiêu cuối cùng của AI mà đến nay vẫn chưa đạt được – chúng ta phải tìm hiểu xem liệu có thể dạy máy móc 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 phức tạp nhất cũng sẽ mãi mãi chỉ là máy tính được nâng cấp. Chúng sẽ không thể giải quyết các vấn đề đòi hỏi hơn là việc sắp xếp lại dữ liệu đã được đào tạo.

Cấu trúc của sự hiểu biết

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

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

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

Không có lý luận tương tự, không có AGI

Rõ ràng, lý luận tương tự là điều kiện cần thiết của AGI. Không có nó, các hệ thống AI vẫn giòn và không thể thích nghi với 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 nắng nhưng không thể suy luận rằng việc lái xe trên đường tuyết có thể tương tự như lái xe trên bề mặt trơn khác. Hệ thống AI của xe là một bộ tìm kiếm mẫu tốn kém, không phải là một hệ thống có khả năng thực sự thông minh. Trí tuệ thực sự sẽ đòi hỏi sự linh hoạt nhận thức để nhận ra rằng lái xe trên đường băng là tương tự về cấu trúc với các tình huống bề mặt trơn khác, ngay cả khi chi tiết khác nhau.

Cùng một nguyên tắc áp dụng cho các lĩnh vực ngoài xe tự lái. 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 giữa các lĩnh vực. Ấn tượng, chắc chắn, nhưng chỉ trong một cách hạn chế.

Xây dựng tâm trí tương tự

Vậy, điều gì sẽ giúp 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 các hệ thống AI phải được đào tạo trên dữ liệu vượt ra ngoài mẫu văn bản bề mặt. Internet, với kho lưu trữ lớn 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 đủ. Điều cần thiết là phong phú về cấu trúc. Nói cách khác, để hướng dẫn các hệ thống AI học cách nhận ra mẫu trừu tượng, các nhà phát triển nên bắt đầu phơi bày chúng với sự tương phản từ ngày đầu đào tạo. Dữ liệu đào tạo của họ có thể bao gồm bản thiết kế kiến trúc cùng với bản nhạc, chứng minh toán học cùng với thơ ca, hoặc luận điểm pháp lý cùng với công thức nấu ăn.

Quan trọng hơn, dữ liệu này cần bảo tồn và làm nổi bật mối quan hệ cấu trúc, không chỉ là mối quan hệ thống kê. Đồ thị kiến thức, sơ đồ nguyên nhân và 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 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 lý luận 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 sang 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 phản thực tế”.

Ví dụ, thay vì yêu cầu AI hoàn thành các tương đồng chuẩn như “chú chó con là gì so với chú chó như thế nào đối với ___”, chúng ta có thể trình bày cho chúng các vấn đề sử dụng các khái niệm được phát minh hoặc yêu cầu chúng ánh xạ mối quan hệ giữa các lĩnh vực mà chúng chưa từng thấy kết nối. Liệu nó có thể nhận ra rằng mối quan hệ giữa các thành phần và một công thức nấu ăn song song với mối quan hệ giữa bằng chứng và một luận điểm pháp lý, ngay cả khi nó chưa từng gặp so sánh cụ thể đó? Những thử nghiệm như vậy sẽ tiết lộ liệu hệ thống có nắm được 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 hàng thập kỷ nghiên cứu khoa học nhận thức về cách con người xử lý các tương đồng. Họ có thể sử dụng nghiên cứu này để phát triển các tiêu chuẩn mạnh mẽ cho lý luận tương tự. Tuy nhiên, những tiêu chuẩn này phải vượt ra ngoài việc chỉ đếm các câu trả lời đúng trên các bài kiểm tra tương đồng. Điều thực sự cần thiết là các chỉ số đo lường liệu các hệ thống AI có thể xác định được mối quan hệ nào là相关 để ánh xạ, trong khi bỏ qua 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 xây dựng các hệ thống chấm điểm thưởng cho việc xác định mối quan hệ cấp cao. Ví dụ, một AI sẽ đạt điểm cao hơn nếu nó không chỉ nhận ra rằng cả nguyên tử và hệ thống mặt trời đều liên quan đến việc quay quanh, mà còn hiểu được mối quan hệ nguyên nhân chi phối những quỹ đạo đó. Một khả năng khác cần đánh giá có thể là liệu AI có thể tự phát sinh các tương đồng phù hợp để giải thích các khái niệm mới, không chỉ hoàn thành các vấn đề tương đồng đã được cấu trúc.

Hỗ trợ thông qua việc yêu cầu

Nghiên cứu gần đây cho thấy rằng khả năng suy nghĩ tương tự của AI phụ thuộc rất nhiều vào cách nó được yêu cầu làm như vậy. Yêu cầu tương đồng – hướng dẫn mô hình qua quá trình ánh xạ cấu trúc một cách rõ ràng – có thể kích thích lý luận tinh vi hơn so với việc chỉ trình bày vấn đề một cách lạnh lùng. Điều này có thể liên quan đến việc trước tiên yêu cầu hệ thống xác định mối quan hệ trong một lĩnh vực nguồn, sau đó yêu cầu nó ánh xạ những mối quan hệ đó sang một lĩnh vực mục tiêu.

Kỹ thuật này có thể phục vụ hai mục đích: cải thiện khả năng lý luận 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 đồng 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

Đạt được khả năng lý luận tương tự như con người có thể đòi hỏi 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 thao tác mối quan hệ cấu trúc một cách rõ ràng – có thể cung cấp phần còn thiếu. Trong khi mạng nơ-ron giỏi trong việc học các mẫu ngầm, các hệ thống biểu tượng có thể áp đặt 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 khai, nhưng các nhà nghiên cứu đang tích cực khám phá tiềm năng của chúng. Một số cho rằng nên kết hợp mạng nơ-ron với lý luận biểu tượng có thể dẫn đến khả năng tương đồng được cải thiện. Những người khác khuyến khích các mô hình lai được xây dựng để giải quyết xu hướng của các mô hình AI nghĩ tương tự một cách nông.

Đâu là bước tiếp theo?

Tùy thuộc vào quan điểm của bạn, lý luận tương tự có thể đã xuất hiện hoặc AI 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 hiện thực hóa, 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 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 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 tuệ thực sự.