Den här roboten, som drivs av en AI som heter Rosie, lärde sig hur man löser detta pussel från en människa som kommunicerade med roboten med naturligt språk. Kredit: James Kirk, CC BY-ND
Framsteg inom artificiell intelligens har möjliggjort skapandet av AI:er som utför uppgifter som man tidigare trodde var möjliga för människor, som att översätta språk, köra bil, spela brädspel på världsmästarnivå och extrahera strukturen av proteiner. Men var och en av dessa AI:er har designats och uttömmande tränad för en enda uppgift och har förmågan att bara lära sig det som behövs för den specifika uppgiften.
Nya AI:er som producerar flytande text, inklusive i konversation med människor, och genererar imponerande och unik konst kan ge ett falskt intryck av ett sinne i arbete. Men även dessa är specialiserade system som utför snävt definierade uppgifter och kräver enorma mängder utbildning.
Det är fortfarande en skrämmande utmaning att kombinera flera AI:er till en som kan lära sig och utföra många olika uppgifter, än mindre fullfölja hela bredden av uppgifter som utförs av människor eller utnyttja utbudet av upplevelser som är tillgängliga för människor som minskar mängden data som annars krävs för att lära sig hur man utför dessa uppgifter. De bästa nuvarande AI:erna i detta avseende, som AlphaZero och Gato, kan hantera en mängd olika uppgifter som passar en enda form, som att spela spel. Artificiell allmän intelligens (AGI) som kan utföra en bredd av uppgifter förblir svårfångad.
I slutändan måste AGI:er kunna interagera effektivt med varandra och människor i olika fysiska miljöer och sociala sammanhang, integrera de breda variationerna av färdigheter och kunskaper som behövs för att göra det, och lära sig flexibelt och effektivt av dessa interaktioner.
Att bygga AGI handlar om att bygga konstgjorda sinnen, om än mycket förenklat jämfört med mänskliga sinnen. Och för att bygga ett artificiellt sinne måste du börja med en kognitionsmodell.
Från mänsklig till artificiell allmän intelligens
Människor har en nästan obegränsad uppsättning färdigheter och kunskaper och lär sig snabbt ny information utan att behöva omkonstrueras för att göra det. Det är tänkbart att en AGI kan byggas med ett tillvägagångssätt som skiljer sig fundamentalt från mänsklig intelligens. Men som tre mångåriga forskare inom AI och kognitionsvetenskap är vårt tillvägagångssätt att hämta inspiration och insikter från det mänskliga sinnets struktur. Vi arbetar mot AGI genom att försöka förstå det mänskliga sinnet bättre, och bättre förstå det mänskliga sinnet genom att arbeta mot AGI.
Från forskning inom neurovetenskap, kognitionsvetenskap och psykologi vet vi att den mänskliga hjärnan varken är en enorm homogen uppsättning neuroner eller en massiv uppsättning uppgiftsspecifika program som var och en löser ett enda problem. Istället är det en uppsättning regioner med olika egenskaper som stödjer de grundläggande kognitiva förmågorna som tillsammans bildar det mänskliga sinnet.
Dessa förmågor inkluderar perception och handling; korttidsminne för vad som är relevant i nuläget; långtidsminnen för färdigheter, erfarenhet och kunskap; resonemang och beslutsfattande; känslor och motivation; och lära sig nya färdigheter och kunskaper från hela skalan av vad en person uppfattar och upplever.
Istället för att fokusera på specifika förmågor isolerat, föreslog AI-pionjären Allen Newell 1990 att man skulle utveckla Unified Theories of Cognition som integrerar alla aspekter av mänskligt tänkande. Forskare har kunnat bygga program som kallas kognitiva arkitekturer som förkroppsligar sådana teorier, vilket gör det möjligt att testa och förfina dem.
Kognitiva arkitekturer är förankrade i flera vetenskapliga områden med distinkta perspektiv. Neurovetenskap fokuserar på organisationen av den mänskliga hjärnan, kognitiv psykologi på mänskligt beteende i kontrollerade experiment och artificiell intelligens på användbara förmågor.
Denna grundläggande kognitionsmodell förklarar både mänskligt tänkande och ger en plan för sann artificiell intelligens. Kredit: Andrea Stocco, CC BY-ND
Den gemensamma modellen för kognition
Vi har varit involverade i utvecklingen av tre kognitiva arkitekturer: ACT-R, Soar och Sigma. Andra forskare har också varit upptagna med alternativa tillvägagångssätt. En artikel identifierade nästan 50 aktiva kognitiva arkitekturer. Denna spridning av arkitekturer är dels en direkt återspegling av de många inblandade perspektiven, och dels en utforskning av ett brett spektrum av potentiella lösningar. Ändå, oavsett orsaken, väcker det obekväma frågor både vetenskapligt och med avseende på att hitta en sammanhängande väg till AGI.
Lyckligtvis har denna spridning fört fältet till en stor brytpunkt. Vi tre har identifierat en slående konvergens mellan arkitekturer, vilket återspeglar en kombination av neurala, beteende- och beräkningsstudier. Som svar initierade vi en gemenskapsomfattande ansträngning för att fånga denna konvergens på ett sätt som liknar standardmodellen för partikelfysik som uppstod under andra hälften av 1900-talet.
Denna gemensamma kognitionsmodell delar in mänskligt tänkande i flera moduler, med en korttidsminnesmodul i mitten av modellen. De andra modulerna – perception, handling, färdigheter och kunskap – interagerar genom det.
Lärande, snarare än att ske avsiktligt, sker automatiskt som en bieffekt av bearbetning. Du bestämmer med andra ord inte vad som lagras i långtidsminnet. Istället bestämmer arkitekturen vad man lär sig utifrån vad man än tänker på. Detta kan ge inlärning av nya fakta du utsätts för eller nya färdigheter som du försöker. Det kan också ge förbättringar av befintliga fakta och färdigheter.
Modulerna själva arbetar parallellt; till exempel att låta dig komma ihåg något medan du lyssnar och ser dig omkring i din omgivning. Varje moduls beräkningar är massivt parallella, vilket innebär att många små beräkningssteg sker samtidigt. Till exempel, när man hämtar ett relevant fakta från en stor mängd tidigare erfarenheter, kan långtidsminnesmodulen bestämma relevansen av alla kända fakta samtidigt, i ett enda steg.
Att vägleda vägen till artificiell allmän intelligens
Den gemensamma modellen bygger på den rådande samsynen inom forskning inom kognitiva arkitekturer och har potential att vägleda forskning om både naturlig och artificiell allmän intelligens. När den används för att modellera kommunikationsmönster i hjärnan, ger den gemensamma modellen mer exakta resultat än ledande modeller från neurovetenskap. Detta utökar dess förmåga att modellera människor – det enda systemet som visat sig kapabelt till allmän intelligens – bortom kognitiva överväganden till att inkludera själva hjärnans organisation.
Vi börjar se ansträngningar för att relatera befintliga kognitiva arkitekturer till den gemensamma modellen och att använda den som en baslinje för nytt arbete – till exempel en interaktiv AI utformad för att coacha människor mot bättre hälsobeteende. En av oss var med och utvecklade en AI baserad på Soar, kallad Rosie, som lär sig nya uppgifter via instruktioner på engelska från mänskliga lärare. Den lär sig 60 olika pussel och spel och kan överföra vad den lär sig från ett spel till ett annat. Den lär sig också att styra en mobil robot för uppgifter som att hämta och leverera paket och patrullera byggnader.
Rosie är bara ett exempel på hur man bygger en AI som närmar sig AGI via en kognitiv arkitektur som är väl karaktäriserad av Common Model. I det här fallet lär sig AI automatiskt nya färdigheter och kunskaper under allmänna resonemang som kombinerar naturlig språkinstruktion från människor och en minimal mängd erfarenhet – med andra ord en AI som fungerar mer som ett mänskligt sinne än dagens AI:er, som lär sig via brute datorkraft och enorma mängder data.
Ur ett bredare AGI-perspektiv ser vi till den gemensamma modellen både som en vägledning för att utveckla sådana arkitekturer och AI:er, och som ett sätt att integrera insikterna från dessa försök till en konsensus som i slutändan leder till AGI.
Konstgjorda neurala nätverk modellerade på riktiga hjärnor kan utföra kognitiva uppgifter
Tillhandahålls av The Conversation
Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.
Citat:Korspollinering bland neurovetenskap, psykologi och AI-forskning ger en grundläggande förståelse för tänkande (2022, 26 juli)hämtad 26 juli 2022 från https://techxplore.com/news/2022-07-cross-pollination-neuroscience-psychology-ai -avkastning.html
Detta dokument är föremål för upphovsrätt. Bortsett från all rättvis handel i syfte att privata studier eller forskning, får ingen del reproduceras utan skriftligt tillstånd. Innehållet tillhandahålls endast i informationssyfte.
Håll kontakten med oss på sociala medieplattformar för omedelbar uppdatering klicka här för att gå med i vår Twitter och Facebook
