Inteligența artificială Ce învață AI despre inteligența umană - Spectrul științei
Științe cognitive: ceea ce învață AI despre inteligența noastră
În 1996, sistemul Deep Blue AI l-a învins pe campionul mondial la șah Garry Kasparov. 20 de ani mai târziu, AlphaGo a învins unul dintre cei mai buni jucători Go din lume, sud-coreeanul Lee Sedol. Astăzi, AI pot distinge cancerul de piele malign de cel benign, pot parca mașini și controla dronele militare. În viitor, ne vor ține companie sub formă de roboți de uz casnic și de îngrijire. Acest lucru ridică multe întrebări: la ce poate fi utilizată inteligența artificială? Sistemele vor fi mai inteligente decât noi? Trebuie să imite abilitățile umane pentru a face acest lucru? Și ce putem învăța din asta despre inteligența umană?
Dacă doriți să recreați inteligența umană, trebuie să definiți ce este de fapt. Aceasta include multe abilități diferite: utilizarea instrumentelor, planificarea acțiunilor, dezvoltarea teoriilor, a fi creativ, înțelegerea limbajului și câteva altele. Acestea sunt încorporate în abilități de bază în rețea: percepție senzorială, evaluare emoțională, control al acțiunii.
Multe dintre aceste abilități ni se par naturale. Tindem să atașăm inteligența unor abilități speciale, cum ar fi o înțelegere mai profundă a matematicii. O comparație cu sistemele de IA arată totuși cât de complexe sunt de fapt abilitățile noastre presupuse banale. În istoria AI, s-a presupus de două ori că sistemele de IA ar avea în curând astfel de abilități de zi cu zi: o dată cu primul val de rețele neuronale în anii 1970 și a doua oară cu valul de sisteme expert la sfârșitul anilor 1980 și începutul Anii 1990. Ambele euforii au dus la o „iarnă AI” - o fază de așteptări dezamăgite și reduse.
În acest moment, sistemele de inteligență artificială încă gândesc complet diferit față de oameni, la fel cum avioanele zboară diferit față de păsări, chiar dacă urmează aceleași principii fizice generale de bază
Inteligența umană și AI de astăzi - cu învățarea profundă ca metodă de bază - au arhitecturi radical diferite. Creierul și AI-urile organizează și procesează ambele informații despre mediu, dar nu în același mod: acestea diferă, de exemplu, în numărul de niveluri de procesare, în rețeaua lor, în mecanismele de învățare și în modul în care percepția, cunoștințele și acțiunea interacționează între ele. Chiar dacă actuala IA produce instrumente foarte puternice, ea poate, prin urmare, să contribuie puțin la înțelegerea inteligenței umane: sistemele de IA pot produce, de asemenea, gândire inteligentă, dar în acest moment ei încă gândesc complet diferit de oameni; la fel cum avioanele zboară diferit decât păsările, chiar dacă urmează aceleași principii fizice generale de bază. În plus, AI este departe de a dezvolta perspective umane.
Bazele AI de astăzi
Cea mai cunoscută formă de IA în prezent se bazează pe metoda „învățării profunde”. Este nevoie de un număr foarte mare de exemple ca date de intrare, care constau din date de intrare și de urmărire, de exemplu imagini și etichete asociate, cum ar fi »pisică« sau »cancer de piele«. Din aceasta, ea învață modele statistice și astfel construiește o structură de rețea complexă cu ajutorul căreia poate calcula predicții pentru noile date de intrare, cum ar fi eticheta adecvată pentru o imagine. Învățarea constă în procesarea diferențelor dintre stările de consecință adevărate prezise și observate pentru a schimba structura rețelei și ponderile nodurilor de rețea în așa fel încât eroarea de predicție să fie cât mai mică posibil. Sistemul AI învață din feedback pentru a conecta exemplele cu predicțiile corecte.
De regulă, un sistem AI are o bază de date mult mai mare disponibilă pentru o sarcină specifică decât oamenii. În timp ce cei mai buni jucători de șah pot reveni la zeci de mii de jocuri de șah sau Go, AI poate fi alimentat cu ușurință cu milioane de jocuri. Acest lucru permite sistemelor de învățare profundă să descopere regularități statistice dificil sau imposibil de accesat de oameni. Cu toate acestea, până acum acest lucru a funcționat doar pentru sarcini limitate, clar definite.
Ce înseamnă exact asta? În șah există un număr finit de pătrate, piese și reguli care determină în mod clar starea jocului și care mutări sunt posibile în continuare. Ori de câte ori un AI a rezolvat anterior o sarcină mai bine decât oamenii, aceasta a fost sarcini clar definite. Prin urmare, s-ar putea presupune că sistemele AI pot, în principiu, să facă față mai bine decât oamenii cu orice sarcină individuală finită, precis definită, pentru care există suficiente exemple de învățare.
Dar ce se întâmplă atunci când sarcinile nu sunt clar definite? Ce se întâmplă dacă sarcina trebuie învățată mai întâi și regulile jocului sau obiectivele se schimbă în timp? Suntem noi oameni superiori unei IA în principiu și dincolo de captare, de îndată ce condițiile cadru sunt neclare și sarcinile, regulile sau obiectivele sunt schimbabile?
Un șofer de mașină, de exemplu, trebuie să respecte situația traficului și să circule în același timp printr-un șantier complex, în toate condițiile meteorologice și luminoase. Mașinile cu conducere autonomă se pot descurca cu asta? Sistemele speciale pentru recunoașterea obiectelor, oamenilor, fețelor și situațiilor de trafic sunt în prezent în dezvoltare rapidă. Se speră că, dacă sunt cuplate împreună, mașina viitorului ar putea provoca mai puține accidente în traficul rutier normal decât șoferul mediu. Dar acest lucru nu necesită doar sisteme speciale funcționale, ci și un bun simț general care poate coordona sistemele speciale și identifica erori majore. Exact aici oamenii și sistemele AI actuale diferă în trei moduri.
1. Inteligența artificială nu este robustă
Sistemele AI pot fi predispuse la erori neobișnuit de grave. Dacă un AI a fost instruit cu multe exemple pentru a recunoaște fotografiile cu mașini și fotografiile unui struț, atunci poate, în principiu, să facă o diferențiere foarte bună între ele. Cu toate acestea, pot apărea erori sistematice: este posibil să schimbăm imaginea unei mașini atât de minim încât noi, oamenii, nu percepem schimbarea, dar AI o consideră greșită ca un struț. În principiu, un sistem AI poate fi făcut mai robust, lăsându-l să afle că aceste exemple diferite pentru mașini trebuie, de asemenea, să fie clasificate ca atare. Dar problema de bază rămâne: sistemul AI a învățat doar o generalizare statistică - folosind un număr mare de șuruburi de reglare într-o rețea neuronală artificială.
Spre deosebire de aceasta, creierul uman are, de asemenea, capacitatea de a construi modele mentale ale experienței noastre și de a trage astfel în mod sistematic concluzii de anvergură dincolo de impresiile senzoriale actuale care permit chiar explicații. O formă de structură explicativă este, de asemenea, cunoscută sub numele de model generativ. Se bazează pe o multitudine de experiențe și, cu ajutorul său, creierul nostru generează o ipoteză internă dintr-o anumită percepție senzorială, de exemplu despre direcția în care circulă mașina în prezent și ce alte obiecte acoperă. Astfel de ipoteze sunt mult mai robuste decât sistemele orientate spre clasificare pe care se bazează învățarea profundă. Oamenii nu clasifică greșit niciodată o mașină ca struț, deoarece avem disponibile diverse strategii de modelare mai generale pentru a preveni astfel de erori grave.
2. Predicțiile AI cu învățare profundă sunt dificil de explicat
Sistemele AI învață să facă predicții corecte ajustând șuruburile setate - adică greutățile cu care procesează informațiile. Acest lucru le permite să recunoască tiparele din date. Regulile statistice rezultate sunt distribuite pe întreaga rețea; cu greu putem sau nu înțelegem deloc regulile și cu siguranță nu le putem adapta direct. Sistemul nu este instruit pentru a face predicții ușor de înțeles, chiar dacă abordări mai noi funcționează asupra acestuia: puteți programa sistemul AI pentru a face vizibile modelele de pixeli relevante pe care se bazează o clasificare. Dar aceste tipare de pixeli pot fi rareori atribuite unei caracteristici din lumea externă pe care o putem înțelege. Un exemplu din recunoașterea feței: modelele pixelilor corespund unei fețe de linie abstractă sau mai degrabă unui alt model de contrast sistematic care diferă de clasele noastre de caracteristici? Asta rămâne deschisă.
Până în prezent, sistemele de IA s-au bazat pe regularități statistice învățate, fără a le înregistra la un nivel meta și a le face accesibile astfel încât să le putem înțelege. Chiar dacă un sistem AI a învățat acest lucru, îi lipsește totuși o înțelegere a relațiilor cauzale relevante. Deoarece descrie doar relațiile dintre datele de intrare și ieșire, nu cauza și efectul. Acesta este motivul pentru care rețelele neuronale artificiale nu au putut până acum să dezvolte ele însele cunoștințe simple despre lume.
3. Inteligența artificială este mai puțin flexibilă
Învățarea profundă se bazează doar pe algoritmi de învățare care evaluează pe baza asemănării. Noi, oamenii, avem disponibile multe strategii de învățare diferite. Putem învăța dintr-o singură experiență, cum ar fi arderea degetelor. Învățăm observându-i pe ceilalți sau mimând comportamentul lor. Putem înregistra imediat caracteristici esențiale, de exemplu relațiile de cauză și efect și, în acest fel, putem prezice consecințe și planifica acțiuni. Putem ignora asemănări superficiale, precum cea dintre delfini și pești. Cunoștințele noastre teoretice ne scutesc de a face o greșeală: delfinul nu este un pește, ci un mamifer. Așadar, combinăm diferite strategii de învățare și cunoștințe pentru a evita greșelile.
O caracteristică a cunoașterii umane este că, pe de o parte, ne putem adapta la situații noi, pe de altă parte, putem evalua aceeași situație într-un fel sau altul. Flexibilitatea cognitivă - și nu performanța cognitivă ridicată - este o caracteristică centrală a inteligenței umane. Ideea de bază că inteligența artificială trebuie pur și simplu să imite performanța umană individuală pentru a reproduce și a înțelege cogniția umană pare naivă. Pentru ca acest lucru să aibă succes, trebuie să integreze diferite forme de învățare și interacțiuni între module individuale de învățare în arhitectura rețelei sale.
Cele trei niveluri ale sistemelor inteligente
Nu există absolut asemănări între inteligența umană și cea artificială? Neurologul britanic David Marr descrie sisteme inteligente pe trei niveluri. Primul nivel de calcul se referă la ceea ce poate face procesarea informațiilor, de exemplu recunoașterea unui obiect pe baza anumitor caracteristici. Aici, descoperirile fundamentale ale IA pot fi transferate la cunoașterea umană, deoarece principiile generale ale procesării informațiilor se aplică tuturor sistemelor, fie că sunt oameni, animale sau computere.
La nivel algoritmic, este vorba despre calea către soluție, de exemplu, modul în care caracteristicile individuale sunt combinate și procesate pentru a identifica un obiect. Cu toate acestea, pot exista mulți algoritmi diferiți care rezolvă aceeași problemă de calcul. Pentru a deduce oamenii din IA, se aleg cei care reprezintă cel mai bine arhitectura sa cognitivă.
La nivelul implementării, algoritmul este implementat („implementat”) fie biologic în creier, fie tehnic într-un sistem electronic. Pentru a putea compara oamenii și AI, rețeaua artificială din computer trebuie să corespundă rețelei neuronale din creier. Totuși, acesta din urmă include multe procese biochimice, parțial neînțelese, pe care rețeaua neuronală artificială nu le mapează. Acest lucru nu înseamnă că punctele comune dispar complet, dar există riscul ca acestea să rămână relativ abstracte. Concluziile AI despre procesarea neuronală a oamenilor au fost posibile până acum doar într-o măsură foarte limitată.
Biologie versus fizică
Oamenii aduc o arhitectură cognitivă care este ancorată biologic în creier. Mecanismele de bază ale autoconservării asigură respirația, temperatura corpului, aportul de calorii și multe altele. Acest lucru duce la nevoile de bază pentru hrană, somn, integritate fizică, apartenență, sexualitate și chiar curiozitate. Emoțiile noastre se bazează și pe asta. Ca ființe biologico-sociale avem senzații, sentimente și empatie. Fiecare sistem AI de astăzi nu are acest lucru: chiar dacă a fost instruit în acest sens, poate simula cel mai bine nevoile și emoțiile de bază.
Acest lucru este de obicei justificat de faptul că sistemele AI nu au experiență conștientă. Dar acest lucru este prea miop, pentru că și oamenii procesează mult inconștient. Mai degrabă, este crucial ca o IA să nu mențină un echilibru biologic pentru a se menține și, prin urmare, nu are nevoie de mecanisme de reglementare. Nevoile noastre de bază ne motivează oamenii, printre altele, să ne explorăm mediul fizic și social. În acest fel dezvoltăm un model al lumii și presupuneri despre relațiile cauză-efect.
Astfel, cognițiile noastre ancorate biologic sunt mai diverse și sunt conectate în mod diferit decât sistemele de astăzi ale AI. Nu percepem doar obiectele pasiv, ci le explorăm activ și vedem în avans ce putem face cu ele. Percepția noastră este modelată de cultura și experiențele noastre; gândurile noastre se bazează pe percepțiile și senzațiile noastre. Aceasta este o diferență radicală: Sistemele AI de astăzi sunt idioți pentru sarcini speciale sau module legate pentru sarcini complexe, dar ambele încă nu au sentimente și bun simț.
Unde ar trebui să meargă?
Dacă inteligența artificială trebuie să contribuie la o înțelegere fundamentală a inteligenței umane, atunci aceasta trebuie să fie încorporată biologic și situațional. Cu alte cuvinte: Un AI robust, flexibil bazat pe modele umane trebuie să fie un sistem de învățare motivat biologic, care este echipat cu module interconectate și care creează așteptări cu privire la mediu. Un astfel de sistem ar putea oferi o perspectivă profundă asupra cunoașterii umane - inclusiv dezvoltarea acesteia - și ar produce o inteligență artificială care merită numele său.
Cât de asemănătoare pot deveni astfel de sisteme AI pentru noi? Se poate specula doar despre asta. Baza neurobiologică a experienței noastre conștiente nu a fost încă descifrată în mod adecvat. O replică a experienței umane conștiente cu tehnologia AI de astăzi rămâne imposibilă pentru moment. La fel, se înțelege doar parțial modul în care percepțiile și deciziile, senzațiile și emoțiile sunt conectate în rețea. Dar într-o zi probabil vom dezvolta sisteme de IA care pot calcula și lua în considerare starea emoțională a unui omolog om. Ele nu se vor baza doar pe corelații, ci și pe harta relațiilor cauză și efect. Pentru aceste arhitecturi, va apărea din nou întrebarea cu privire la măsura în care pot recrea gândirea umană.
Dacă vom trăi cu roboți autonomi pe termen mediu, ceea ce nu putem distinge de oameni: speculații pure. Cu toate acestea, vor exista echipamente de lucru inteligente care se îmbină cu noi ca instrumente individualizate - așa cum fac deja smartphone-urile. În medicină, se poate aștepta ca AI să ne extindă abilitățile cognitive și că implanturile cerebrale vor compensa cel puțin parțial limitările cognitive, așa cum se întâmplă astăzi cu stimularea profundă a creierului în Parkinson. În viitorul oarecum mai departe, ar putea exista și sisteme artificiale organizate într-un mod complet diferit, care să arate o înțelegere mai profundă și cauzală a lumii. În mod ideal, astfel de sisteme îi vor sfătui pe oameni cu privire la probleme ecologice și economice, printre altele. O AI atât de puternică prezintă pericole, dar și potențialul de a rezolva problemele globale.
Sfaturi despre literatură
Butz, M.V., Kutter, E.F .: Cum vine mintea în ființă. Oxford University Press, 2017.
Newen, A., de Bruin, L., Gallagher, S. (Eds.): The Oxford Handbook of 4E Cognition. Oxford University Press, 2018.