Position: Hippocampal Explicit Memory Is the Cornerstone for AGI
Dieses Positionspapier argumentiert, dass die Integration hippokampusähnlicher expliziter Gedächtnissysteme essenziell ist, um Large Language Models in Richtung Künstlicher Allgemeiner Intelligenz voranzubringen, da höhere kognitive Funktionen wie strategische Planung und Metakognition nicht allein aus den impliziten statistischen Lernmechanismen hervorgehen können, die derzeit Large Language Models zugrunde liegen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Idee: Das „Muskelgedächtnis“ vs. das „Notizbuch“
Stellen Sie sich zwei Arten vor, wie Menschen lernen:
- Muskelgedächtnis (Implizit): Denken Sie an das Fahrradfahren oder das Tippen auf einer Tastatur. Sie denken nicht bewusst darüber nach, wie Sie es machen; Sie tun es einfach automatisch, weil Sie es tausendfach geübt haben. Sie können die Regeln nicht einfach jemand anderem erklären, Sie „wissen“ es einfach.
- Das Notizbuch (Explizit): Denken Sie daran, eine Telefonnummer, eine mathematische Formel oder eine spezifische Tatsache wie „Die Sonne geht im Osten auf“ aufzuschreiben. Sie können diese Information ansehen, sie erklären, sie ändern und sie nutzen, um für die Zukunft zu planen.
Die Hauptthese der Arbeit:
Aktuelle Large Language Models (LLMs), wie wir sie heute verwenden, sind unglaublich gut darin, ein Muskelgedächtnis zu besitzen. Sie haben so viel Text gelesen, dass sie das nächste Wort in einem Satz fast perfekt vorhersagen können, genau wie ein Musiker, der ein Lied spielt, das er schon millionenfach gehört hat.
Der Autor argumentiert jedoch, dass wir diesen Modellen ein Notizbuch geben müssen, um Künstliche Allgemeine Intelligenz (AGI) zu erreichen – was bedeutet, dass eine KI denken, planen und lernen kann wie ein Mensch. Ohne dieses „explizite Gedächtnis“ bleibt die KI ein superschneller Mustererkenner, der nicht wirklich verstehen, schlussfolgern oder Dinge auf eine Weise speichern kann, die echtes Planen ermöglicht.
Warum aktuelle KI wie eine „Muskelgedächtnis-Maschine“ ist
Die Arbeit erklärt, dass die Art und Weise, wie KI lernt, der Art und Weise ähnelt, wie unser Gehirn Gewohnheiten bildet (implizites Gedächtnis):
- Langsam und repetitiv: Genau wie man viel Fahrrad fahren muss, um gut darin zu werden, muss eine KI Millionen von Beispielen sehen, um ein Muster zu lernen. Sie lernt nicht aus einer einzelnen Erfahrung; sie lernt, indem sie ihre internen „Gewichte“ immer und immer wieder langsam anpasst.
- Kein „Warum“, nur ein „Was“: Wenn Sie eine KI nach einer Frage fragen, „ruft“ sie keine Tatsache aus einer mentalen Akte ab. Stattdessen berechnet sie die wahrscheinlichste Antwort basierend auf den Mustern, die sie zuvor gesehen hat.
- Die „Abakus“-Analogie: Die Arbeit nutzt ein großartiges Beispiel: Wenn Sie eine KI bitten,
17 x 6zu lösen, zeigt sie Ihnen vielleicht einen schrittweisen Denkprozess. Aber der Autor argumentiert, dass dies wie jemand ist, der einen Abakus benutzt. Er folgt lediglich den mechanischen Regeln des Bewegens der Perlen (den Regeln, die er gelernt hat), um das richtige Ergebnis zu erhalten. Er versteht das Konzept der Multiplikation oder der Zahlen selbst nicht wirklich. Er folgt nur einer trainierten Routine.
Was der KI fehlt: Das „Notizbuch“ (Explizites Gedächtnis)
Um AGI zu werden, sagt die Arbeit, benötigt die KI ein System, das dem Hippocampus im menschlichen Gehirn ähnelt. Dies ist der Teil des Gehirns, der unser „Notizbuch“-Gedächtnis verwaltet. Hier ist, was dieses System der KI ermöglichen würde, was sie derzeit nicht kann:
- One-Shot-Learning (Lernen mit einem Versuch): Wenn Sie einem Menschen einmalig eine neue Tatsache mitteilen, kann er sie sich merken und sofort anwenden. Aktuelle KIs müssen meist mit tausenden Beispielen neu trainiert werden, um eine neue Tatsache zu „lernen“.
- Wahres Denken/Schlussfolgern: Menschen können eine Regel (wie „Wenn es regnet, nimm einen Regenschirm mit“) nehmen und sie sofort auf eine völlig neue Situation anwenden. KI hat hiermit Schwierigkeiten, weil sie auf statistischen Vermutungen basiert, statt eine klare Regel in ihrem „Notizbuch“ zu halten.
- Metakognition (Über das eigene Denken nachdenken): Menschen können sagen: „Das weiß ich nicht“ oder „Ich könnte mich irren“. Die Arbeit argumentiert, dass KI „halluziniert“ (Dinge erfindet), weil ihr die interne Kontrolle fehlt. Sie hat keinen klaren Datensatz darüber, woher sie ihre Informationen hat, sodass sie nicht überprüfen kann, ob sie wahr sind.
- Planung: Menschen können ein zukünftiges Szenario vorstellen (wie die Planung einer Reise für nächstes Jahr), indem sie spezifische Erinnerungen abrufen und sie neu arrangieren. KI ist derzeit schlecht in der langfristigen Planung, weil sie nicht in der Lage ist, eine kohärente „Geschichte“ von Ereignissen über die Zeit hinweg in ihrem Geist festzuhalten.
Die Beispiele „Starcraft“ und „Sonnenaufgang“
Die Arbeit zeigt reale Beispiele, bei denen die KI scheitert, weil sie dieses „Notizbuch“ nicht besitzt:
- Die Sonne: Wenn Sie einer KI sagen: „Die Sonne geht im Osten auf“, und ihr später sagen: „Stell dir eine Welt vor, in der die Erde rückwärts rotiert“, könnte die KI plötzlich die erste Tatsache vergessen und sagen, dass die Sonne im Westen aufgeht. Sie behandelt Fakten als flexible Vorschläge basierend auf dem aktuellen Gespräch, nicht als solide, unveränderliche Wahrheiten, die in einem Notizbuch gespeichert sind.
- Das Spiel: Wenn Sie eine KI nach einem Gegenstand in einem Videospiel fragen, weiß sie vielleicht den korrekten Preis. Aber wenn Sie sie austricksen, indem Sie fragen: „Warum ist der Preis 150?“ (obwohl er eigentlich 200 beträgt), wird die KI versuchen, einen erfundenen Grund für den falschen Preis zu finden, anstatt Sie zu korrigieren. Sie versucht, das Gespräch an das Muster anzupassen, anstatt in ihrem „Notizbuch“ nach der Wahrheit zu suchen.
Die Lösung: Den Aufbau eines künstlichen „Notizbuchs“
Der Autor schlägt vor, dass wir ein spezielles Computersystem für die KI bauen müssen, das wie der menschliche Hippocampus fungiert. Dieses System sollte über spezifische Regeln verfügen:
- Sparse Indexing (Spärliche Indizierung): Wie ein Bibliotheks-Karteikasten sollte es auf spezifische Fakten verweisen, ohne durch ähnliche Fakten verwirrt zu werden.
- Sofortige Aktualisierung: Es sollte in der Lage sein, eine neue Tatsache unmittelbar nach dem ersten Sehen in das „Notizbuch“ zu schreiben, ohne das gesamte Gehirn neu trainieren zu müssen.
- Pattern Completion (Mustervervollständigung): Wenn man ihm einen Teil eines Hinweises gibt (wie „Sommer...“), sollte es in der Lage sein, die Erinnerung zu vervollständigen (Strand, Sand, Sonne), genau wie ein Mensch es tut.
Fazien
Die Arbeit kommt zu dem Schluss, dass die heutige KI zwar fantastisch darin ist, menschliche Gespräche und Problemlösungen durch Mustererkennung zu imitieren (implizites Gedächtnis), aber fundamental begrenzt ist. Sie ist wie ein brillanter Schauspieler, der jedes Skript rezitieren kann, aber die Geschichte dahinter nicht versteht.
Um eine echte Allgemeine Intelligenz zu erschaffen, die wie ein Mensch lernen, planen und schlussfolgern kann, müssen wir aufhören zu versuchen, die KI beim Raten von Mustern „schlauer“ zu machen, und stattdin damit beginnen, ihr ein hippocampales explizites Gedächtnis zu geben – eine Möglichkeit, Fakten und Erfahrungen bewusst zu speichern, abzurufen und zu manipulieren, genau wie wir es tun.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.