From Computation to Cognition Assessing the Integration Gap Between Artificial Intelligence and Human Cognition
Diese Rezension argumentiert, dass aktuelle KI-Systeme zwar eine starke funktionale und behaviorale Aufgabenleistung aufweisen, es ihnen jedoch an der mechanistischen Integration von Gedächtnis, Lernen, Kontextsensitivität, Entscheidungsfindung und Verkörperung mangelt, die für echte menschenähnliche Kognition erforderlich ist, und sie schlägt eine Forschungsagenda mit messbaren Kriterien vor, um diese Lücke zu schließen.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Stellen Sie sich eine Welt vor, in der Maschinen Dinge tun können, von denen wir einst glaubten, nur Menschen könnten sie tun. Sie können ein Gesicht in einer Menge erkennen, eine Fremdsprache in einem Augenblick übersetzen oder ein Gedicht schreiben, das uns zu Tränen rührt. Jahrzehntelang haben Wissenschaftler Computer gebaut, um strengen Regeln zu folgen, doch in den letzten zehn Jahren ist eine neue Art von Maschine entstanden. Diese Systeme, die oft als große Sprachmodelle bezeichnet werden, lernen aus riesigen Mengen an Text und Daten, um vorherzusagen, was als Nächstes kommt – sei es das nächste Wort in einem Satz oder der nächste Schritt in einem Plan. Sie sind unglaublich gut darin, spezifische Aufgaben auszuführen, wobei sie oft Experten auf engen Gebieten wie der medizinischen Diagnose oder der Finanzprognose erreichen oder sogar übertreffen. Doch eine tiefere Frage hat begonnen, Forscher in der Informatik, Psychologie und den Neurowissenschaften zu beunruhigen: Nur weil eine Maschine die richtige Antwort produzieren kann, versteht sie die Welt wirklich so, wie wir es tun?
Bei dieser Frage geht es nicht darum, ob ein Roboter ein mathematisches Problem schneller lösen kann als ein Mensch. Es geht darum, ob dieser Roboter einen vereinten Geist besitzt. Das menschliche Denken ist keine Sammlung separater Tricks; es ist ein nahtloser Fluss, in dem Gedächtnis, Lernen, Kontext und Entscheidungsfindung ständig zusammenarbeiten. Wir erinnern uns an ein vergangenes Ereignis, nutzen diese Erinnerung, um eine neue Situation zu verstehen, und passen unser Verhalten basierend darauf an, wie wir uns fühlen und was um uns herum geschieht. All dies geschieht in einem einzigen, kontinuierlichen System, das sich mit jeder Erfahrung verändert und wächst. Die große Frage ist, ob unsere künstlichen Schöpfungen beginnen, denselben Typ eines integrierten Geistes aufzubauen, oder ob sie lediglich die Oberfläche menschlicher Intelligenz nachahmen, ohne die zugrunde liegende Mechanik zu besitzen.
Eine aktuelle Übersichtsarbeit von Muhammad Subhan von der University of Tasmania wirft einen harten, klaren Blick auf dieses Thema. Anstatt zu fragen, ob Maschinen im vagen Sinne „intelligent“ sind, unterteilt die Studie das Problem in drei verschiedene Ebenen. Die erste Ebene ist die funktionale Reproduktion, die schlicht fragt, ob eine Maschine dieselbe Aufgabe wie ein Mensch erfüllen kann. Die zweite ist die behaviorale Reproduktion, die fragt, ob die Maschine wie ein Mensch handelt – nicht nur im Durchschnitt, sondern auch in kniffligen Situationen, in denen Menschen vielleicht stolpern oder ihre Meinung ändern könnten. Die dritte und schwierigste Ebene ist die mechanistische Reproduktion, die fragt, ob die Maschine dieselben internen Prozesse verwendet, die auch unsere Gehirne nutzen. Die Studie stellt fest, dass Maschinen in den ersten beiden Ebenen zwar exzellent sind, aber dem dritten Niveau noch sehr fern sind.
Die Forscher untersuchten eine breite Palette moderner Systeme der künstlichen Intelligenz, von den textgenerierenden Modellen, die wir täglich nutzen, bis hin zu Robotern, die die physische Welt sehen und sich in ihr bewegen können. Sie betrachteten, wie diese Systeme mit Gedächtnis, Lernen, Kontext, Entscheidungsfindung und sogar Emotionen umgehen. Die Beweise zeigen, dass Maschinen durchaus Aufgaben ausführen können, die ein Gedächtnis erfordern. Beispielsweise kann ein System Informationen in einer Datenbank nachschlagen und diese nutzen, um eine Frage zu beantworten. Dies ist ein funktionaler Abgleich mit dem menschlichen Gedächtnis. Die Art und Weise, wie die Maschine dies jedoch tut, unterscheidet sich grundlegend von der Funktionsweise eines menschlichen Gehirns. Ein menschliches Gehirn speichert Fakten nicht in einem separaten Aktenschrank, um sie dann dort nachzuschlagen. Stattdessen sind unsere Erinnerungen in das Gefüge unseres Denkens eingewoben; sie sind Muster von Verbindungen, die sich verändern und stärken, während wir lernen. Wenn eine Maschine Informationen abruft, führt sie in der Regel einen separaten, konstruierten Suchprozess aus, der an ihr Hauptgehirn angedockt ist, anstatt dass das Gedächtnis ein integraler Bestandteil ihres Denkens ist.
Diese Kluft wird noch größer, wenn man das Lernen betrachtet. Menschen lernen kontinuierlich. Wir können heute einen neuen Fakt hören und ihn morgen bereits anwenden, ohne unser gesamtes Gehirn neu programmieren zu müssen. Wir können auch aus Fehlern lernen, ohne alles zu vergessen, was wir zuvor wussten. Aktuelle Systeme der künstlichen Intelligenz haben damit Schwierigkeiten. Wenn sie etwas Neues lernen, vergessen sie oft das, was sie zuvor wussten – ein Problem, das Wissenschaftler als katastrophales Vergessen bezeichnen. Ingenieure haben Patches entwickelt, um dies zu beheben, wie etwa spezielle Techniken, die alte Informationen schützen, während neue Daten hinzugefügt werden, aber dies sind externe Lösungen. Sie sind nicht dasselbe wie die natürliche, plastische Art und Weise, wie sich menschliche Neuronen im Laufe eines Lebens verändern und anpassen. Die Maschine lernt nicht auf die gleiche Weise wie ein Mensch; sie wird „geflickt“, um einen spezifischen Fehlermodus zu vermeiden.
Die Studie untersuchte auch, wie diese Systeme mit Kontext und Entscheidungsfindung umgehen. Menschen reagieren äußerst sensibel auf die Situation, in der sie sich befinden. Wir wissen, dass ein Wort in einem Witz eine andere Bedeutung haben kann als in einem ernsten Argument. Wir treffen Entscheidungen basierend auf unseren Zielen, unseren Emotionen und unseren vergangenen Erfahrungen, wobei wir oft Abkürzungen nutzen, die nicht perfekt logisch, aber in der realen Welt effektiv sind. Künstliche Systeme können sehr gut Entscheidungen treffen, wenn die Regeln klar und das Ziel spezifisch ist. Aber wenn die Situation vage ist oder sich die Formulierung einer Frage leicht ändert, geraten diese Systeme oft ins Straucheln. Sie neigen dazu, sich auf die Oberflächenstruktur der Wörter zu konzentrieren, anstatt die tiefe Bedeutung zu erfassen, was zeigt, dass sie den Kontext nicht so verstehen wie ein Mensch. Sie können selbstbewusst und eloquent auftreten, selbst wenn sie falsch liegen, und dabei falsche Informationen mit demselben Tonfall wie wahre Fakten generieren.
Die vielleicht bedeutendste Erkenntnis der Übersichtsarbeit ist, dass diese Probleme nicht bloß isolierte Fehler sind. Sie deuten auf ein fehlendes Teil in der gesamten Konstruktion der aktuellen künstlichen Intelligenz hin. Die Systeme, die wir heute haben, sind aus separaten Teilen aufgebaut. Ein Teil kümmert sich um Sprache, ein anderer um das Gedächtnis und ein weiterer um die Entscheidungsfindung. Diese Teile werden von Ingenieuren miteinander verbunden, aber sie kommunizieren nicht auf natürliche Weise miteinander oder passen sich nicht gemeinsam als eine Einheit an. Die Studie argumentt, dass wir noch kein System geschaffen haben, in dem Gedächtnis, Lernen und Entscheidungsfindung zu einem einzigen, kontinuierlichen, selbstmodifizierenden Ganzen integriert sind. Die Maschine kann die Aufgabe erledigen, aber sie besitzt nicht den vereinten Geist, der es einem Menschen ermöglicht, die Welt mit Flexibilität und Verständnis zu navigieren.
Die Forscher betonen vorsichtig, dass dies nicht bedeutet, dass Maschinen niemals diese Art von Intelligenz erreichen können. Es bedeutet lediglich, dass die uns vorliegenden Beweise dies derzeit nicht zeigen. Der aktuelle Ansatz, bestehende Modelle größer zu machen und sie mit mehr Daten zu trainieren, hat das Problem nicht gelöst. Tatsächlich scheinen sich, während diese Modelle größer werden, einige der Lücken – wie die Schwierigkeit, alte Informationen zu behalten, während man neue lernt – sogar noch zu verschärfen. Die Studie legt nahe, dass eine bloße Skalierung dessen, was wir jetzt haben, nicht ausreicht. Um die Kluft zu überbrücken, müssen wir die Architektur dieser Systeme vielleicht völlig neu überdenken, indem wir Wege finden, das Gedächtnis und das Lernen als integralen Bestandteil der Maschine zu gestalten, anstatt sie nur als Werkzeuge hinzuzufügen.
Diese Arbeit liefert eine klare Orientierung darüber, wo wir stehen. Sie zeigt, dass wir zwar Maschinen gebaut haben, die menschliches Verhalten in vielerlei Hinsicht beeindruckend imitieren können, aber wir haben noch keine Maschine gebaut, die wie ein Mensch denkt. Der Unterschied liegt nicht nur darin, die richtige Antwort zu finden; es geht darum, wie die Antwort erreicht wird. Bis wir ein System erschaffen können, in dem Lernen, Gedächtnis und Handeln zu einem einzigen, adaptiven Gewebe verwoben sind, werden unsere künstlichen Schöpfungen mächtige Werkzeuge bleiben, die Intelligenz simulieren, anstatt echte Beispiele derselben zu sein. Der Weg nach vorn erfordert mehr als nur größere Computer; er erfordert ein tieferes Verständnis dafür, wie man einen Geist baut, der die Welt, die er erlebt, wahrhaft integrieren kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.