Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior
Dieser Beitrag plädiert für einen Ansatz der „natürlichen rechnerischen Kognitionswissenschaft", der Fortschritte in der KI mit kognitions- und neurowissenschaftlicher Forschung integriert, um generalisierbare Theorien und Modelle zu entwickeln, die in der Lage sind, das gesamte Spektrum natürlichen Verhaltens zu erklären und dabei experimentelle Strenge zu wahren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu verstehen, wie ein Automotor funktioniert. Seit Jahrzehnten untersuchen Wissenschaftler Motoren, indem sie sie zerlegen und einzelne Kolben in einer ruhigen, klimatisierten Garage testen. Sie wussten genau, wie sich jeder Kolben bewegte, wenn er von einem bestimmten Werkzeug gestoßen wurde. Aber sie haben das Auto nie wirklich auf einer holprigen Straße, im Regen oder mit schwerer Ladung gefahren.
Dieser Artikel argumentiert, dass die Kognitionsforschung (die Untersuchung, wie unser Geist funktioniert) in dieser ruhigen Garage steckengeblieben ist. Wir haben Theorien auf Basis einfacher, künstlicher Experimente entwickelt, die nicht dem echten Leben entsprechen. Die Autoren, Wilka Carvalho und Andrew Lampinen, schlagen einen neuen Ansatz vor, der als „Natürliche Rechnergestützte Kognitionsforschung" bezeichnet wird.
Hier ist die Kernidee, aufgeschlüsselt mit einfachen Analogien:
1. Das Problem: Die „Garage" versus der „Dschungel"
Derzeit ähneln viele kognitive Experimente dem Testen eines Automotors in einer Garage.
- Der alte Weg: Forscher geben Menschen eine sehr einfache Aufgabe, wie zum Beispiel das Drücken eines Knopfes, wenn sie einen roten Punkt sehen. Es ist leicht zu kontrollieren, aber es entspricht nicht unserem tatsächlichen Leben.
- Die Realität: Das echte Leben ist ein „Dschungel". Es ist chaotisch, unvorhersehbar und voller Ablenkungen.
- Die Entdeckung: Der Artikel zeigt, dass sich das Gehirn völlig anders verhält, wenn wir von der „Garage" in den „Dschungel" wechseln.
- Beispiel: Mäuse lernen, ein Labyrinth 1.000 Mal schneller zu navigieren, wenn sie frei erkunden dürfen (wie in der Wildnis), im Vergleich dazu, wenn sie gezwungen werden, einen langweiligen, repetitiven Test im Labor abzulegen.
- Beispiel: Menschen treffen unterschiedliche moralische Entscheidungen, wenn sie nur eine Geschichte über ein Dilemma lesen, im Vergleich dazu, wenn sie sich in einer Virtual-Reality-Simulation befinden, in der sie eine Person physisch von einer Brücke stoßen müssen.
Die Lehre: Wenn Sie den Motor nur in der Garage untersuchen, werden Sie niemals verstehen, wie er mit einem Schlagloch umgeht. Um den Geist zu verstehen, müssen wir ihn in der Wildnis untersuchen.
2. Die Lösung: Lernen von „echten" Daten
Die Autoren schlagen vor, uns einen Trick von der Künstlichen Intelligenz (KI) zu leihen.
- Die KI-Revolution: Frühe KI-Modelle wurden auf winzigen, einfachen Datensätzen trainiert. Sie scheiterten, wenn ihnen Fotos aus der realen Welt gezeigt wurden. Doch kürzlich begannen KI-Modelle, die auf Milliarden von Bildern und Texten aus der realen Welt (natürliche Daten) trainiert wurden, erstaunliche Dinge zu leisten. Sie lernten, Objekte zu erkennen, mathematische Probleme zu lösen und sogar Kontext zu verstehen, nicht weil sie dafür programmiert wurden, sondern weil sie so viel Vielfalt sahen.
- Der Wandel in der Kognitionsforschung: Wir sollten dasselbe tun. Anstatt unsere Modelle auf einfachen, erfundenen Aufgaben zu trainieren, sollten wir sie auf den chaotischen, komplexen Daten des echten Lebens trainieren.
- Die Überraschung: Wenn KI aus natürlichen Daten lernt, entwickelt sie „Superkräfte", die ihr nicht explizit beigebracht wurden. Sie lernt, zu generalisieren (das Gelernte auf neue Situationen anzuwenden), viel besser. Die Autoren argumentieren, dass menschliche Gehirne wahrscheinlich auf die gleiche Weise funktionieren: Unsere Intelligenz wird durch die reichen, chaotischen Daten geformt, die wir jeden Tag erleben, und nicht nur durch die einfachen Regeln, die wir im Klassenzimmer lernen.
3. Das neue Werkzeugset: „Lebende" Benchmarks
Wie testen wir diese neuen, komplexen Ideen, ohne wissenschaftliche Strenge zu verlieren?
- Der alte Weg: Ein Forscher erstellt einen spezifischen Test, führt ihn durch und veröffentlicht das Ergebnis. Es ist wie ein einzelnes Schnappschuss.
- Der neue Weg: Die Autoren schlagen „Dynamische Meta-Benchmarks" vor. Stellen Sie sich eine riesige, lebende Bibliothek von Tests vor, die ständig wächst.
- Forscher fügen dieser Bibliothek neue, schwierigere und realistischere Herausforderungen hinzu.
- Sie testen ihre Theorien gegen die gesamte Bibliothek, nicht nur gegen einen einzelnen Test.
- Wenn eine Theorie bei einfachen Tests funktioniert, aber bei den „Dschungel"-Tests versagt, ist die Theorie unvollständig.
- Dies ermutigt Wissenschaftler, Modelle zu entwickeln, die robust genug sind, um das gesamte Spektrum menschlichen Verhaltens zu bewältigen.
4. Das Ziel: Zwei Teile einer Theorie
Der Artikel sagt nicht einfach nur „machen wir die Dinge komplizierter". Er bietet einen klaren Weg zum Verständnis:
- Der „Ausführende" (Prädiktives Modell): Zuerst bauen wir ein Computermodell, das die Aufgabe in der realen Welt tatsächlich ausführen kann (wie das Navigieren durch eine komplexe Stadt oder das Verstehen eines chaotischen Gesprächs). Es spielt keine Rolle, ob das Modell eine „Black Box" ist, solange es menschliches Verhalten genau vorhersagt.
- Der „Erklärer" (Reduktive Theorie): Sobald das Modell funktioniert, graben wir darin nach, um zu verstehen, warum es funktioniert. Wir zerlegen es in einfachere Prinzipien.
- Analogie: Denken Sie an einen Meisterkoch, der ein perfektes Mahl zubereiten kann (der „Ausführende"). Um die Wissenschaft des Kochens zu verstehen, beobachten wir ihn nicht nur; wir analysieren seine Zutaten und Techniken, um ein Kochbuch zu schreiben (der „Erklärer").
Zusammenfassung
Der Artikel ist ein Aufruf zum Handeln. Er sagt: „Hören Sie auf, den Geist in einem sterilen Labor zu testen. Fangen Sie an, ihn in der Wildnis zu testen."
Indem wir die Werkzeuge der modernen KI nutzen und Experimente entwerfen, die mehr dem echten Leben ähneln, können wir Theorien entwickeln, die tatsächlich erklären, wie Menschen denken, lernen und handeln, wenn die Einsätze real und die Umgebung chaotisch sind. Es geht darum, vom Studium des Motors in der Garage zum Fahren des Autos durch den Dschungel überzugehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.