Хората имат уникалната способност да се адаптират бързо и да прилагат новопридобитите умения в различни ситуации. Например, когато едно дете се научи да събира числа, то не само може да изпълнява конкретни задачи като „2 + 3“, но и разбира как да прилага това умение в различни ситуации. То може да изчисли колко ябълки ще има общо, ако вземе две от едно дърво и три от друго. Но могат ли и машините да мислят по този начин?
Въпросът е обект на дебати вече десетилетия. През 80-те години на XX век, влиятелните философи и учени в областта на когнитивните науки Джери Фодор и Зенон Пилишин изразиха сериозни съмнения относно способността на изкуствените невронни мрежи – основата на изкуствения интелект и машинното обучение – да осъществяват „композиционни обобщения“ (способността за обобщение и прилагане на наученото в нови ситуации).
Според тях тези системи не могат адекватно да създават сложните връзки и структури на мислене, характерни за човешкия ум. Въпреки това през последните десетилетия учените разработват начини да включат тази способност в AI системите и свързаните с тях технологии, но с променлив успех, като по този начин поддържат този дългогодишен дебат.
Изследователи от Нюйоркския университет и университета „Помпей Фабра“ в Испания са разработили техника, описана в сп. „Nature„, която подобрява способността на инструменти като ChatGPT да правят композиционни обобщения. Тази техника, наречена Meta-Learning for Composition (MLC), превъзхожда съществуващите методи и е еквивалентна, а в някои случаи и по-добра от човешките умения. MLC е методика, насочена към подобряване на уменията за композиционни обобщения на невронните мрежи, които са основата на чатботове, както и на технологиите за разпознаване на реч и обработка на естествен език.
Разработчиците на съществуващи системи, включително големи езикови модели, се надяват, че композиционните обобщения ще се появят чрез стандартните методи на обучение или разработват специални архитектури, за да постигнат тези възможности. За разлика от тях MLC показва как директното практикуване на тези умения позволява на тези системи да отключат нови възможности, отбелязват авторите.
В продължение на 35 години изследователите в областта на когнитивната наука, изкуствения интелект, лингвистиката и философията спорят дали невронните мрежи могат да постигнат композиционни обобщение, подобно на човешкото
– казва Брендън Лейк, доцент в Центъра за наука за данните и Катедрата по психология на Нюйоркския университет и един от авторите на статията.
За пръв път показахме, че обща невронна мрежа може да имитира или дори да надмине човешката способност за композиционни обобщения в директно сравнение.
Основата на метода Meta-Learning for Composition (MLC) се крие в идеята за непрекъснато оптимизиране и подобряване чрез поредица от епизоди на обучение. Всеки един от тях представлява отделно предизвикателство, което въвежда системата в нови концепции и задачи.
Като пример отново можем да вземем аритметиката. След като методът MLC е помогнал на невронната мрежа да усвои основите на операцията събиране, тя може да бъде подложена на различни тестове. Това може да включва събиране на числа с различни знаци, работа с десетични дроби или решаване на по-сложни задачи, в които събирането е ключов елемент.
Всеки от тези епизоди допринася за засилване на способността на системата да прави асоциации между вече наученото и новите ситуации, което я приближава до човешката способност да прилага умения в различни контексти и да осъществява композиционни обобщения.
Големите езикови модели като ChatGPT все още се сблъскват с предизвикателствата на композиционните обобщения, въпреки че през последните години се подобриха. Вярваме, че MLC може да подобри тези умения
– отбелязва Марко Барони, член на изследователската група по компютърна лингвистика и лингвистична теория към университета Помпей Фабра.
Целта на AI Bulgaria е да предоставя актуална и стойностна информация от света на изкуствения интелект (AI). Последвайте ни в социалните мрежи – Facebook, Instagram, X, LinkedIn и се присъединете към нашия Discord сървър!
Споделете: