Satu kajian baharu dari Universiti Brown mendedahkan persamaan antara proses pembelajaran manusia dan kecerdasan buatan, yang berpotensi merevolusikan pembangunan AI dan meningkatkan pemahaman kita tentang kognisi manusia.
Satu kajian baharu dari Universiti Brown telah menemui persamaan yang ketara antara cara manusia dan sistem kecerdasan buatan belajar, memberikan pandangan baharu tentang kognisi manusia dan membuka jalan untuk pembangunan alat AI yang lebih intuitif.
Penyelidikan yang diketuai oleh penyelidik pasca doktoral bersekutu Jake Russin, menunjukkan bahawa kedua-dua manusia dan sistem AI mengintegrasikan dua mod pembelajaran yang berbeza secara serupa.
Diterbitkan dalam Prosiding Akademi Sains Kebangsaan, kajian itu memfokuskan pada interaksi antara pembelajaran dalam konteks yang fleksibel dan pembelajaran tambahan. Penemuan ini mencadangkan bahawa AI dan otak manusia berkongsi persamaan yang menarik dalam proses pembelajaran mereka.
"Keputusan ini membantu menjelaskan mengapa manusia kelihatan seperti pelajar berasaskan peraturan dalam sesetengah keadaan dan pelajar tambahan dalam keadaan lain," kata Russin dalam satu kenyataan berita. "Mereka juga mencadangkan sesuatu tentang persamaan sistem AI terbaru dengan otak manusia."
Kerja Russin adalah antara disiplin, merapatkan pembelajaran mesin dan neurosains pengiraan. Beliau memegang temu janji bersama di makmal Michael Frank, seorang profesor sains kognitif dan psikologi, dan Ellie Pavlick, seorang profesor bersekutu sains komputer.
Pembelajaran manusia biasanya berlaku dalam satu daripada dua cara. Untuk tugasan mudah seperti mempelajari peraturan permainan, individu menggunakan pembelajaran dalam konteks yang cepat. Kemahiran yang lebih kompleks, seperti bermain alat muzik, bergantung pada pembelajaran secara beransur-ansur.
Walaupun diketahui bahawa manusia dan AI boleh mengintegrasikan kedua-dua bentuk pembelajaran, mekanisme yang tepat tidak jelas. Russin membangunkan teori yang membuat persamaan antara jenis pembelajaran ini dan ingatan kerja otak manusia dan ingatan jangka panjang.
Untuk menguji teori ini, Russin menggunakan "pembelajaran meta", kaedah di mana sistem AI belajar tentang pembelajaran itu sendiri. Beliau mendapati bahawa keupayaan AI untuk melaksanakan pembelajaran dalam konteks bertambah baik selepas pengalaman pembelajaran tambahan yang meluas.
Satu eksperimen penting yang diadaptasi daripada kajian manusia melibatkan ujian keupayaan AI untuk pembelajaran dalam konteks dengan menggabungkan semula idea biasa untuk menangani situasi baharu. Selepas didedahkan kepada 12,000 tugas yang serupa, sistem AI berjaya mengenal pasti kombinasi baharu yang tidak pernah ditemuinya sebelum ini, seperti mengenali "zirafah hijau".
Kajian mendapati bahawa kedua-dua manusia dan AI meningkatkan keupayaan mereka untuk belajar dengan cepat dan fleksibel selepas tempoh pembelajaran tambahan.
"Pada permainan papan pertama, anda memerlukan sedikit masa untuk memikirkan cara bermain," tambah Pavlick. “Pada masa anda mempelajari permainan papan keseratus anda, anda boleh mengambil peraturan permainan dengan cepat, walaupun anda tidak pernah melihat permainan tertentu itu sebelum ini.”
Para penyelidik juga menyatakan keseimbangan antara pengekalan pembelajaran dan fleksibiliti: lebih sukar sistem AI bekerja untuk menyelesaikan tugas, lebih baik ia mengingati cara melaksanakannya pada masa hadapan. Menurut Frank, ini sejajar dengan corak pembelajaran manusia di mana membuat kesilapan membantu mengukuhkan maklumat dalam ingatan jangka panjang.
Frank, yang pakar dalam model pengiraan untuk memahami pembelajaran manusia, menekankan implikasi yang lebih luas.
"Keputusan kami boleh dipercayai merentasi pelbagai tugas dan menyatukan aspek pembelajaran manusia yang berbeza yang tidak dihimpunkan oleh ahli sains saraf sehingga kini," katanya.
Cerapan daripada kajian ini juga penting untuk membangunkan alat AI yang boleh dipercayai, terutamanya dalam bidang sensitif seperti kesihatan mental.
"Untuk mempunyai pembantu AI yang membantu dan boleh dipercayai, kognisi manusia dan AI perlu menyedari cara setiap satu berfungsi dan sejauh mana ia berbeza dan sama," tambah Pavlick. "Penemuan ini adalah langkah pertama yang hebat."
sumber: Universiti Brown