Ny AI-metode viser mer menneskelignende kognisjon
TheDigitalArtist/Pixabay
Den menneskelige hjerne er overlegen kunstig intelligens (AI) maskinlæring i sin evne til å forstå nye kombinasjoner og bruke dem for å forstå relatert bruk av kjente komponenter. Forskere jobber med å bygge bro over dette gapet.
EN studere publisert i Natur avduker meta-læring for komposisjonalitet (MLC), en ny AI-teknikk som gir nevrale nettverk med mer menneskelignende språkgeneraliseringsevne – en milepæl når det gjelder å forfølge kunstig generell intelligens (AGI).
"Vi viste hvordan MLC gjør det mulig for et standard nevralt nettverk som er optimalisert for komposisjonsferdighetene til å etterligne eller overgå menneskelig systematisk generalisering i en side-ved-side-sammenligning," skrev studieforfatterne Brenden Lake, Ph.D., assisterende professor i psykologi og datavitenskap ved New York University, og Marco Baroni, Ph.D., en forskningsprofessor ved Catalan Institution for Research and Advanced Studies (ICREA) i Barcelona, Spania.
Den menneskelige hjernen tjener som inspirasjon for den nevrale nettverksarkitekturen til AI maskinlæring. Tilkoblingsmodeller og PDP-modeller (parallell distributed processing) er en klasse av beregningsmodeller som ofte brukes til å modellere menneskelig atferd,
kognisjon, oppfatning, hukommelse lagring og gjenfinning, og læringsprosesser. Konneksjonistiske tilnærminger er relatert til nevrale nettverk som består av mange kunstige nevroner (noder), og prosessering skjer med forplantning av aktivering fra en kunstig nevron til en annen via forbindelsen mellom noder.Det er en langvarig tro på at kunstige nevrale nettverk ikke har den menneskelige hjernens evne til å forstå og skape nye kombinasjoner fra kjente komponenter. For eksempel, når den menneskelige hjernen forstår konseptet med ordet "balanse", kan den fleksibelt og intelligent bruke det i andre kombinasjoner som f.eks. «balanse på en stram lina», «balansere budsjettet» eller «balanse mellom arbeid og privatliv». I motsetning er AI ikke så fleksibel som den menneskelige hjernen mht generalisering.
Forskerne skrev,
Kraften til menneskelig språk og tanke oppstår fra systematisk komposisjonalitet - den algebraiske evnen til å forstå og produsere nye kombinasjoner fra kjente komponenter.
Kan et kunstig nevralt nettverk ha denne menneskelignende evnen? Den amerikanske filosofen Jerry Fodor (1935-2017) og Zenon Pylyshyn (1937-2022), den avdøde professoren emeritus i kognitiv psykologi ved Rutgers University, hevdet 35 år før i 1988 utgivelse av Konneksjonisme og kognitiv arkitektur: En kritisk analyse at på det kognitive nivået er det ikke mulig å ha en konneksjonistisk arkitektur og kombinatorisk representasjonssystem, og at sinnet og hjernens arkitektur ikke er konneksjonistisk på det kognitive nivå.
Lake og Baroni skrev,
Her løser vi Fodor og Pylyshyns utfordring med suksess ved å gi bevis for at nevrale nettverk kan oppnå menneskelignende systematikk når de er optimert for komposisjonsferdighetene deres.
Forskerne optimaliserer standard nevrale nettverksarkitektur for dens komposisjonsevner. Læringsprosessen består av et nevralt nettverk som kontinuerlig forbedrer ferdighetene sine over en serie episoder hvor AI-modellen får et nytt ord og blir bedt om å anvende det komposisjonelt.
Meta-læring for komposisjonsmetoden bruker en standard sekvens-til-sekvens (seq2seq) transformator bestående av en koder som behandler inndata og en dekoder som mottar meldinger fra koderen og sender ut en sekvens. Seq2seq er en maskinlæringsmodell for kunstig intelligens som ble utviklet for maskinoversettelse.
Ilya Sutskever, Oriol Vinyals og Quoc V. Le introduserte seq2seq i deres Google-artikkel fra 2014 Sekvens til sekvenslæring med nevrale nettverk. Bruken av seq2seq-modeller har utvidet seg til andre formål med naturlig språkbehandling (NLP), for eksempel bildeteksting, tekstoppsummering og samtalemodeller. NLP er et tverrfaglig felt som kombinerer informatikk, lingvistikk og kunstig intelligens for å gjøre det mulig for datamaskiner å tolke, behandle og generere menneskelig språk.
"Våre resultater viser hvordan en standard nevralt nettverksarkitektur, optimalisert for sin komposisjon ferdigheter, kan etterligne menneskelig systematisk generalisering i en head-to-head sammenligning,» forskerne konkluderte.
Copyright © 2023 Cami Rosso. Alle rettigheter forbeholdt.
Etter hvert som grensene mellom ekte og falske visker ut, jager amerikanerne i økende grad ideen om autentisitet. Det første trinnet kan være å vurdere selverkjennelse, sannhet og andre byggesteiner på veien til personlig vekst.