آیا هوش مصنوعی می تواند تفکر ترکیبی Compositional Thinking انسان را تقلید کند؟
خلاصه: محققان قابلیتهای شبکههای عصبی را برای ایجاد تعمیم ترکیبی compositional generalizations، مشابه نحوه ی درک و گسترش مفاهیم جدید توسط انسان ایجاد کردند و ارتقا دادند.
این تکنیک جدید که فرا یادگیری برای ترکیب (MLC) Meta-learning for Compositionalityنام دارد، شک و تردید چند دهه ای را در مورد ظرفیت شبکه های عصبی مصنوعی به چالش می کشد. MLC شامل آموزش شبکه از طریق یادگیری اپیزودیک(دوره ای) برای افزایش مهارت های تعمیم آن است.
قابل توجه است که در کارهای مختلف، MLC با عملکرد انسان مطابقت داشت یا حتی از آن پیشی گرفت. تکنیک MLC بر آموزش دوره ای شبکههای عصبی تمرکز دارد و به آنها اجازه میدهد مفاهیم جدید را بهتر تعمیم دهند.
در وظایفی که شامل ترکیب کلمات جدید است، MLC همتراز یا برتر از شرکت کنندگان انسانی انجام می شود.
با وجود پیشرفتهای موجود، مدلهای محبوبی مانند ChatGPT و GPT-4 با این نوع تعمیم ترکیبی چالشهایی دارند، اما MLC ممکن است راهحلی برای افزایش قابلیتهای آنها باشد.
توضیح:
انسان ها این توانایی را دارند که یک مفهوم جدید را بیاموزند و بلافاصله از آن برای درک کاربردهای مرتبط با آن مفهوم استفاده کنند - وقتی بچه ها نحوه «پرش کردن» را بدانند، می فهمند که «دوبار پرش در اتاق» یا «پرش با دستان به سمت بالا» به چه معناست.
(تفکر ترکیبی شامل موارد زیر است:
توانایی ساخت سیستمی از انواع- که اشیاء پردازش شده در حوزه ی موضوع را توصیف می کند.
شرح چندین موضوع- که احتمالاً در نحوه انتخاب مدیریت متفاوت است و مدل سازی انواع مختلف تعامل سوژه ها (همکاری و مقابله) را فراهم میکند
توانایی توصیف انتقال یک قطعه کد از یک موضوع به یک موضوع دیگر و تجزیه و تحلیل
و عملکرد آن
ماهیت سازنده ی ساخت اشیاء که ادغام بیشتر با آنها را با محیط محاسباتی،
تضمین می کند)
اما آیا ماشین ها قادر به این نوع تفکر هستند؟ در اواخر دهه 1980، جری فودور و زنون پیلیشین، فیلسوفان و دانشمندان علوم شناختی، اظهار داشتند که شبکههای عصبی مصنوعی - موتورهایی که هوش مصنوعی و یادگیری ماشینی را به حرکت در میآورند - قادر به ایجاد این ارتباطات که با عنوان «تعمیم ترکیبی» شناخته میشود نیستند.
با این حال، در دهههای پس از آن، دانشمندان راههایی را برای القای این ظرفیت در شبکههای عصبی و فناوریهای مرتبط اما با موفقیتهای متفاوت ایجاد کردند.
محققان دانشگاه نیویورک و دانشگاهپومپئو فابرا اسپانیا اکنون تکنیکی را توسعه داده اند - که در مجله Nature گزارش شده است- و توانایی این ابزارها مانند ChatGPT را برای تعمیم ترکیبی ارتقا می دهد. این تکنیک، فرا یادگیری برای ترکیب (MLC)، از رویکردهای موجود بهتر عمل می کند و همتراز با عملکرد انسان و در برخی موارد بهتر از آن است.
MLC بر آموزش شبکههای عصبی یعنی موتورهایی- که ChatGPT و فنآوریهای مرتبط برای تشخیص گفتار و پردازش زبان طبیعی را هدایت میکنند- متمرکز است تا از طریق تمرین در تعمیم ترکیبی بهتر شود.
توسعهدهندگان سیستمهای موجود، از جمله مدلهای زبانی بزرگ، امیدوارند که تعمیم ترکیبی از روشهای آموزشی استاندارد پدید آید، یا معماریهای با هدف خاصی را برای دستیابی به این تواناییها توسعه دهند. نویسندگان خاطرنشان میکنند که MLC، در مقابل، نشان میدهد که چگونه تمرین صریح این مهارتها به این سیستمها اجازه میدهد تا قدرتهای جدیدی بیافرینند.
برندن لیک، استادیار مرکز علوم داده و دپارتمان روانشناسی دانشگاه نیویورک میگوید: «به مدت 35 سال، محققان علوم شناختی، هوش مصنوعی، زبانشناسی و فلسفه در حال بحث بودند که آیا شبکههای عصبی میتوانند به تعمیم سیستماتیک شبیه انسان دست یابند. ما برای اولین بار نشان دادیم که یک شبکه عصبی عمومی میتواند از تعمیم سیستماتیک انسان تقلید کند یا از آن فراتر رود.
در بررسی امکان تقویت یادگیری ترکیبی در شبکه های عصبی، محققان MLC را ایجاد کردند. این، یک روش یادگیری جدید است که در آن یک شبکه عصبی به طور مداوم برای بهبود مهارت های خود به روز می شود.
در یک قسمت، MLC یک کلمه ی جدید دریافت میکند و از آن خواسته میشود که از آن به صورت ترکیبی استفاده کند - به عنوان مثال، کلمه پرش را بگیرد و سپس ترکیبهای جدیدی از کلمه مانند دوبار پرش یا دوبار به سمت راست بپرد ایجاد کند. MLC سپس یک قسمت جدید دریافت می کند که دارای یک کلمه ی متفاوت است و به همین ترتیب هر بار مهارت های آهنگسازی شبکه را بهبود می بخشد.
برای آزمایش اثربخشی MLC، لیک، یکی از مدیران ابتکار ذهن، مغز و ماشینها در دانشگاه نیویورک، و مارکو بارونی، محقق مؤسسه تحقیقات و مطالعات پیشرفته کاتالونیا و استاد گروه ترجمه و علوم زبان دانشگاه پومپئو فابرا مجموعه ای از آزمایشات را با شرکت کنندگان انسانی انجام داد که با وظایف انجام شده توسط MLC یکسان بود.
علاوه بر این، به جای یادگیری معنای واقعی کلمات - اصطلاحاتی که انسان ها قبلاً می دانستند - باید معنای اصطلاحات چرند مانند zup و dax را همانطور که توسط محققان تعریف شده است یاد بگیرند و بدانند چگونه آنها را به روش های مختلف به کار ببرند.
MLC به خوبی شرکت کنندگان انسانی و در برخی موارد بهتر از همتایان انسانی خود عمل کرد. MLC و افراد بشری بهتر از ChatGPT و GPT-4 عمل کردند، که علیرغم توانایی های کلی قابل توجه خود، مشکلاتی را در کار یادگیری نشان میدهد.
بارونی، یکی از اعضای گروه تحقیقاتی زبانشناسی محاسباتی و نظریه زبانشناسی دانشگاه پومپئو فابرا، میگوید: «مدلهای بزرگ زبان مانند ChatGPT هنوز با تعمیم ترکیبی مشکل دارند، اگرچه در سالهای اخیر بهتر شدهاند.
اما ما فکر می کنیم که MLC می تواند مهارت های ترکیبی مدل های بزرگ زبان را بیشتر بهبود بخشد.
خلاصه
تعمیم سیستماتیک شبیه انسان از طریق یک شبکه عصبی فرا یادگیری توسط برندن لیک و همکاران. طبیعت
قدرت زبان و اندیشه انسان از ترکیب بندی سیستماتیک ناشی می شود و آن، توانایی جبری برای درک و تولید ترکیب های بدیع از اجزای شناخته شده است.
فودور و پیلیشین استدلال کردند که شبکه های عصبی مصنوعی فاقد این ظرفیت هستند، بنابراین مدل های ذهنی قابل دوامی نیستند. شبکههای عصبی در سالهای پس از آن به طور قابل توجهی پیشرفت کردهاند، اما چالش سیستماتیک همچنان ادامه دارد.
در اینجا ما با ارائه شواهدی مبنی بر اینکه شبکههای عصبی- زمانی که برای مهارتهای ترکیبی خود بهینه شوند- میتوانند به درک سیستماتیکی شبیه انسان دست یابند، با موفقیت به چالش فودور و پیلیشین میپردازیم.
برای انجام این کار، ما رویکرد فرا یادگیری برای ترکیب (MLC) را برای هدایت آموزش از طریق یک جریان پویا از وظایف ترکیبی معرفی میکنیم.
برای مقایسه ی انسان و ماشین، آزمایشهای رفتاری انسانی را با استفاده از الگوی یادگیری دستورالعمل انجام دادیم.
پس از در نظر گرفتن هفت مدل مختلف، متوجه شدیم که برخلاف مدلهای نمادین احتمالی کاملاً سیستماتیک اما سفت و سخت و شبکههای عصبی کاملاً انعطافپذیر اما غیرسیستماتیک، تنها MLC به تعمیم سیستماتیک و انعطافپذیری مورد نیاز شبیه انسان دست مییابد. MLC همچنین مهارت های ترکیبی سیستم های یادگیری ماشین را در چندین معیار تعمیم سیستماتیک ارتقا می دهد.
https://neurosciencenews.com/ai-human-cognition-24988/...
آدرس مطب : اصفهان ، خیابان آمادگاه ، روبروی داروخانه سپاهان ، مجتمع اطبا ، طبقه اول
تلفن : 32223328 - 031