From Computation to Cognition Assessing the Integration Gap Between Artificial Intelligence and Human Cognition
Deze recensie betoogt dat hoewel huidige AI-systemen een sterke functionele en gedragsmatige taakprestatie vertonen, zij de mechanistische integratie van geheugen, leren, contextgevoeligheid, besluitvorming en belichaming missen die vereist is voor werkelijke mensachtige cognitie, en stelt een onderzoeksagenda voor met meetbare criteria om deze kloof te overbruggen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je een wereld voor waarin machines dingen kunnen doen die we ooit als uitsluitend menselijk beschouwden. Ze kunnen een gezicht herkennen in een menigte, een vreemde taal in een oogwenk vertalen, of een gedicht schrijven dat ons tot tranen roert. Decennialang hebben wetenschappers computers gebouwd om strikte regels te volgen, maar in de afgelopen tien jaar is er een nieuw soort machine opgekomen. Deze systemen, vaak grote taalmodellen genoemd, leren van enorme hoeveelheden tekst en data om te voorspellen wat het volgende is, of het nu het volgende woord in een zin is of de volgende stap in een plan. Ze zijn ongelooflijk goed in het uitvoeren van specifieke taken, waarbij ze vaak menselijke experts evenaren of zelfs verslaan op smalle gebieden zoals medische diagnose of financiële prognoses. Maar een diepere vraag begint onderzoekers in de computerwetenschap, psychologie en neurowetenschap te bezorgen: alleen omdat een machine het juiste antwoord kan produceren, begrijpt zij de wereld dan ook echt zoals wij dat doen?
Deze vraag gaat niet over de vraag of een robot een wiskundig probleem sneller kan oplossen dan een mens. Het gaat over de vraag of die robot een verenigde geest bezit. Het menselijk denken is geen verzameling van afzonderlijke trucjes; het is een naadloze stroom waarbij geheugen, leren, context en besluitvorming constant samenwerken. We herinneren ons een gebeurtenis uit het verleden, gebruiken die herinnering om een nieuwe situatie te begrijpen, en passen ons gedrag aan op basis van hoe we ons voelen en wat er om ons heen gebeurt. Dit alles vindt plaats in één enkel, continu systeem dat verandert en groeit met elke ervaring. De grote vraag is of onze kunstmatige creaties beginnen te bouwen aan dit zelfde soort geïntegreerde geest, of dat ze simpelweg de oppervlakte van menselijke intelligentie nabootsen zonder de onderliggende mechanica.
Een recente review door Muhammad Subhan van de Universiteit van Tasmanië werpt een harde, heldere blik op dit probleem. In plaats van te vragen of machines "slim" zijn in een vage zin, breekt de studie het probleem af in drie duidelijke niveaus. Het eerste niveau is functionele reproductie, wat simpelweg vraagt of een machine hetzelfde werk kan doen als een mens. Het tweede is gedragsmatige reproductie, wat vraagt of de machine zich als een mens gedraagt, niet alleen gemiddeld, maar ook in lastige situaties waarin mensen zouden kunnen struikelen of van mening kunnen veranderen. Het derde en moeilijkste niveau is mechanistische reproductie, wat vraagt of de machine dezelfde soort interne processen gebruikt als onze hersenen. De studie concludeert dat machines uitstekend zijn in de eerste twee niveaus, maar nog steeds heel ver verwijderd zijn van het derde.
De onderzoekers onderzochten een breed scala aan moderne kunstmatige intelligentiesystemen, van de tekstgenererende modellen die we dagelijks gebruiken tot robots die kunnen zien en bewegen in de fysieke wereld. Ze keken naar hoe deze systemen omgaan met geheugen, leren, context, besluitvorming en zelfs emotie. Het bewijs laat zien dat machines zeker taken kunnen uitvoeren die geheugen vereisen. Een systeem kan bijvoorbeeld informatie opzoeken in een database en deze gebruiken om een vraag te beantwoorden. Dit is een functionele overeenkomst met het menselijk geheugen. Echter, de manier waarop een machine dit doet, is fundamenteel anders dan hoe een menselijk brein werkt. Een menselijk brein slaat feiten niet op in een aparte archiefkast om ze vervolgens op te zoeken. In plaats daarvan zijn onze herinneringen verweven in het weefsel van ons denken; het zijn patronen van verbindingen die veranderen en sterker worden naarmate we leren. Wanneer een machine informatie ophaalt, voert deze meestal een apart, technisch geconstrueerd zoekproces uit dat aan het hoofdbrein is vastgeschroefd, in plaats van dat het geheugen een intrinsiek onderdeel is van hoe het denkt.
Deze kloof wordt nog groter wanneer we kijken naar leren. Mensen leren continu. We kunnen vandaag een nieuw feit horen en dat morgen gebruiken zonder dat we ons hele brein opnieuw hoeven te programmeren. We kunnen ook leren van fouten zonder alles wat we eerder wisten uit te wissen. Huidige systemen van kunstmatige intelligentie worstelen hiermee. Wanneer zij iets nieuws leren, vergeten ze vaak wat ze eerder wisten, een probleem dat wetenschappers catastrofaal vergeten noemen. Ingenieurs hebben patches gebouwd om dit op te lossen, zoals speciale technieken die oude informatie beschermen terwijl nieuwe data wordt toegevoegd, maar dit zijn externe oplossingen. Ze zijn niet hetzelfde als de natuurlijke, plastische manier waarop menselijke neuronen gedurende een leven veranderen en zich aanpassen. De machine leert niet op dezelfde manier als een persoon; zij wordt bijgepatched om een specifieke foutmodus te vermijden.
De studie keek ook naar hoe deze systemen omgaan met context en besluitvorming. Mensen zijn uiterst gevoelig voor de situatie waarin zij zich bevinden. We weten dat een woord in een grap iets heel anders kan betekenen dan in een serieus debat. We nemen beslissingen op basis van onze doelen, onze emoties en onze ervaringen uit het verleden, waarbij we vaak gebruikmaken van shortcuts die niet perfect logisch zijn, maar wel goed werken in de echte wereld. Kunstmatige systemen kunnen zeer goed zijn in het nemen van beslissingen wanneer de regels duidelijk zijn en het doel specifief is. Maar wanneer de situatie vaag is, of wanneer de bewoording van een vraag licht verandert, struikelen deze systemen vaak. Ze neigen zich te concentreren op de oppervlakkige vorm van de woorden in plaats van de diepe betekenis, wat aantoont dat ze de context niet echt begrijpen zoals een mens dat doet. Ze kunnen zelfverzekerd en vloeiend zijn, zelfs wanneer ze ongelijk hebben, waarbij ze valse informatie genereren met dezelfde toon als een waarheid.
Misschien wel de meest significante bevinding van de review is dat deze problemen niet slechts geïsoleerde glitches zijn. Ze wijzen op een ontbrekend stuk in het ontwerp van de huidige kunstmatige intelligentie. De systemen die we vandaag de dag hebben, zijn gebouwd uit afzonderlijke onderdelen. Eén deel handelt taal af, een ander het geheugen, en een ander de besluitvorming. Deze delen worden door ingenieurs verbonden, maar ze communiceren niet natuurlijk met elkaar of passen zich niet samen aan als een enkele eenheid. De studie betoogt dat we nog geen systeem hebben gecreëerd waarbij geheugen, leren en besluitvorming zijn geïntegreerd in één continu, zelfmodificerend geheel. De machine kan de taak uitvoeren, maar zij bezit niet de verenigde geest die een mens in staat stelt de wereld met flexibiliteit en begrip te navigeren.
De onderzoekers waarschuwen voorzichtig dat dit niet betekent dat machines nooit dit soort intelligentie kunnen bereiken. Het betekent simpelweg dat het bewijs dat we nu hebben, dit niet laat zien. De huidige aanpak om modellen groter te maken en ze op meer data te trainen, heeft het probleem niet opgelost. Sterker nog, naarmate deze modellen groter worden, lijken sommige kloven, zoals de moeilijkheid om oude informatie te onthouden terwijl men nieuwe zaken leert, juist urgenter te worden. De studie suggereert dat het simpelweg opschalen van wat we nu hebben niet genoeg is. Om de kloof te overbruggen, moeten we wellicht de architectuur van deze systemen heroverwegen, misschien door manieren te vinden om geheugen en leren intrinsiek te maken aan de machine, in plaats van ze als toegevoegde instrumenten te gebruiken.
Dit werk biedt een heldere kaart van waar we staan. Het laat zien dat we weliswaar machines hebben gebouwd die menselijk gedrag op veel indrukwekkende manieren kunnen nabootsen, maar dat we nog geen machine hebben gebouwd die als een mens denkt. Het verschil zit niet alleen in het kwestie van het juiste antwoord krijgen; het gaat erom hoe het antwoord wordt bereikt. Totdat we een systeem kunnen creëren waarbij leren, geheugen en actie zijn samengevlochten tot één enkel, adaptief weefsel, zullen onze kunstmatige creaties krachtige hulpmiddelen blijven die intelligentie simuleren, in plaats van echte voorbeelden ervan te zijn. De weg vooruit vereist meer dan alleen grotere computers; het vereist een dieper begrip van hoe je een geest bouwt die de wereld die zij ervaart werkelijk kan integreren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.