Sztuczna inteligencja może lepiej „zapamiętać” treści, jeśli naśladuje ludzki sen

Sztuczna inteligencja w polskich sądach

Sztuczna inteligencja może lepiej „zapamiętać” to, czego się nauczyła, jeśli naśladuje ludzki sen – wynika z badań przedstawionych w serwisie „arXiv”.

.Długoterminowe ludzkie wspomnienia tworzą się podczas snu i śnienia. Jak się okazało, efekt ten może być inspiracją dla naśladującej działanie mózgu, lepiej działającej sztucznej inteligencji.

Obecne modele sztucznej inteligencji wyszkolone do wykonywania nowego zadania tracą zdolność do wykonywania zadań, które wcześniej im się udawały. Choć model został wcześniej nauczony na przykład rozpoznawać ptaki – przestaje mu się to udawać, gdy przyswoi inną wiedzę, np. o rybach.

Concetto Spampinato i jego współpracownicy z Uniwersytetu w Katanii (Włochy) szukali sposobów na uniknięcie tego zjawiska, nazywanego „katastrofalnym zapominaniem” (catastrophic forgetting). 

Dlatego opracowali nową metodę szkolenia sztucznej inteligencji, zwaną skonsolidowanym uczeniem się podczas czuwania i snu (WSCL), która naśladuje sposób, w jaki ludzki mózg trwale zapamiętuje nowe informacje podczas snu, przekształcając krótkoterminowe zapisy doświadczeń i lekcji przyswojonych w ciągu dnia w długoterminowe wspomnienia. Zdaniem naukowców w podobny sposób mogłaby działać każda istniejąca sztuczna inteligencja.

Jak śnią algorytmy AI?

.Modele korzystające z WSCL są szkolone w typowy sposób na zestawie danych dla fazy „czuwania”, jednak zaprogramowano im również okresy „snu”, podczas których analizują próbki danych dotyczących stanu czuwania oraz skróty z poprzednich lekcji.

Na przykład sztucznej inteligencji uczonej identyfikacji zwierząt morskich podczas „snu” pokazuje się zdjęcia ryb, ale także kilku ptaków czy ssaków z poprzednich lekcji. Według Spampinato przypomina to sytuację człowieka, który podczas snu rozmyśla o nowych i starych wspomnieniach, dostrzega powiązania i wzorce i integruje je w swoim umyśle. Nowe dane pozwalają nabywać nowe umiejętności, a część starych danych uniemożliwia wyparcie starych wspomnień przez nowe.

WSCL ma również okres „śnienia”, kiedy wykorzystuje całkowicie nowe dane powstałe w wyniku połączenia poprzednich koncepcji. W przypadku zwierząt może „wymyślać” na przykład abstrakcyjne kombinacje żyraf z rybami czy lwów i antylop.

Metoda zwiększa dokładność rozpoznawania obrazów przez AI

.Jak wyjaśnia Concetto Spampinato, zdobywając nową wiedzę, łączy się bardziej złożone wzorce – w tym wypadku dziwną mitologiczną postać, co zmusza model inteligencji do nauczenia się bardziej złożonych wzorów, które być może w przyszłości uda się ponownie wykorzystać.

Spampinato przetestował trzy istniejące modele sztucznej inteligencji, stosując tradycyjną metodę uczenia, a następnie szkolenie WSCL. Następnie on i jego zespół porównali wyniki, korzystając z trzech standardowych testów porównawczych do identyfikacji obrazu. Nowa technika szkolenia doprowadziła do znacznego zwiększenia dokładności identyfikacji obrazu – modelom wytrenowanym podczas „snu” udawało się to o 2 do 12 proc. częściej. Zwiększył się także odsetek starej wiedzy wykorzystywanej do nowych zadań.

Ograniczenia sztucznej inteligencji

.We „Wszystko co Najważniejsze” prof. Andrzej Kisielewicz przybliża kwestię sztucznej inteligencji i obala mity z nią związane – przede wszystkim ten głoszący, że AI „myśli”.

„Niezwykłe możliwości programu ChatGPT wznowiły po raz kolejny dyskusję o zagrożeniach dla ludzkości ze strony sztucznej inteligencji. Dyskusję tę w oczywisty sposób zaburzają zjawiska z jednej strony związane z pogonią za sensacją w mediach, a z drugiej troska badaczy i szefów firm AI o zapewnienie funduszy na dalsze badania. W rezultacie większość informacji na temat GPT i możliwości sztucznej inteligencji, jakie można znaleźć w mediach, w bardzo małym stopniu opiera się na prawdzie” – uważa autor. – „Jako naukowiec zajmujący się sztuczną inteligencją raczej w charakterze recenzenta niż aktywnego badacza nie mam żadnego interesu w reklamowaniu lub dyskredytowaniu osiągnięć AI, mam natomiast dość solidną wiedzę w tym zakresie i szczególną atencję dla prawdy.”

ChatGPT jest bardzo inteligentnym programem w tym sensie, że jest wyjątkowo inteligentnym projektem, efektem zbiorowej myśli wielu ludzi o nieprzeciętnej inteligencji. Natomiast program sam w sobie nie ma ani krzty inteligencji, ani krzty inwencji. Jest takim samym programem jak każdy inny program reagujący na polecenia użytkownika (input) dokładnie według wcześniej przygotowanych przez programistów, ściśle określonych instrukcji.”

„Twierdzenia o tym, że myślenie jest po prostu wykonywaniem pewnego złożonego algorytmu, że ma charakter podobny do działania programu komputerowego, towarzyszą badaniom nad sztuczną inteligencją od początku tej dyscypliny. Trudno z nimi polemizować, gdy wiemy, na czym polega działanie programu komputerowego, a nie wiemy, na czym polega nasze myślenie, gdy nie jesteśmy w stanie porównać mechanizmów działania. Możemy jedynie wyrazić nasze odmienne przekonanie, że mechanizmy myślenia w mózgu są jednak znacznie bardziej skomplikowane. A na wsparcie tego przekonania przytaczać różne fakty. Stosunkowo nowym potwierdzeniem na rzecz tej ostatniej tezy jest odkrycie, że budowa neuronu okazuje się znacznie bardziej skomplikowana i wielopoziomowa, a jego funkcje znacznie bardziej złożone niż owa prosta idea zastosowana w sztucznej sieci neuronowej. Jeśli chodzi o sam ChatGPT, to wystarczy dobrać odpowiednie przykłady, żeby wykazać zupełnie bezspornie, że ten program nie myśli i nie umie wyciągać najprostszych wniosków.”

„Nie zmienia to faktu, że GPT jest fantastycznym osiągnięciem programistycznym, które ma szereg znakomitych potencjalnych zastosowań” – podkreśla profesor. – „Po pierwsze, znacznie ulepsza proces wyszukiwania informacji w porównaniu z klasyczną wyszukiwarką Google’a. Odpowiednimi pytaniami można nakierować program dokładnie na informacje, które nam są potrzebne. GPT potrafi rozwiązywać zadania z matematyki i fizyki, łatwe i nawet bardzo trudne. Oczywiście polega to w swej istocie na modyfikowaniu rozwiązań znajdujących się w zbiorze danych treningowych. Tutaj użytkownik musi sprawdzić, czy modyfikacja jest trafna. Jeśli chodzi o matematykę, to często taka modyfikacja powoduje jakąś niespójność, błąd, który dyskwalifikuje całe rozwiązanie. Jednak najczęściej pokazuje to właściwą metodę rozwiązania i jest bardzo pomocne, wystarczające dla kogoś rozumiejącego matematykę zawartą w zadaniu i rozwiązaniu.”

PAP/Paweł Wernicki/Wszystko co Najważniejsze/JT

Materiał chroniony prawem autorskim. Dalsze rozpowszechnianie wyłącznie za zgodą wydawcy. 1 lutego 2024