Αν και είναι γνωστό ότι η τεχνητή νοημοσύνη (AI) δεν σκέφτεται με τον ίδιο τρόπο που σκέφτονται οι άνθρωποι, νέα έρευνα αποκαλύπτει πώς αυτή η διαφορά μπορεί να επηρεάσει τη διαδικασία λήψης αποφάσεων, με συνέπειες στον πραγματικό κόσμο που ίσως οι άνθρωποι δεν είναι προετοιμασμένοι να αντιμετωπίσουν.
Άνθρωπος – Τεχνητή Νοημοσύνη: Τα βασικά ευρήματα της έρευνας
Η μελέτη, που δημοσιεύθηκε τον Φεβρουάριο του 2025 στο περιοδικό Transactions on Machine Learning Research, εξέτασε πόσο καλά τα μεγάλα μοντέλα γλώσσας (LLMs) μπορούν να σχηματίσουν αναλογίες.
Οι ερευνητές διαπίστωσαν ότι, τόσο σε απλές αναλογίες αλφαριθμητικών συμβολοσειρών όσο και σε προβλήματα ψηφιακών πινάκων – όπου η αποστολή ήταν να ολοκληρωθεί ένας πίνακας αναγνωρίζοντας το ψηφίο που λείπει – οι άνθρωποι τα κατάφεραν καλά, ενώ η απόδοση της AI υποχώρησε δραματικά.
Επιπλέον, κατά τη διάρκεια δοκιμών της ανθεκτικότητας των ανθρώπων και των AI μοντέλων σε προβλήματα αναλογίας που βασίζονται σε ιστορίες, η μελέτη διαπίστωσε ότι τα LLMs ήταν ευάλωτα στις επιδράσεις της σειράς των απαντήσεων- διαφορές στις απαντήσεις λόγω της σειράς των παραμέτρων σε ένα πείραμα – και ενδέχεται επίσης να ήταν πιο πιθανό να παραφράζουν.
Συνολικά, η μελέτη κατέληξε στο συμπέρασμα ότι τα μοντέλα τεχνητής νοημοσύνης δεν διαθέτουν την ικανότητα zero-shot learning, όπου ένας μαθητής παρατηρεί δείγματα από κατηγορίες που δεν ήταν παρόντα κατά τη διάρκεια της εκπαίδευσης και κάνει προβλέψεις για την κατηγορία στην οποία ανήκουν, σύμφωνα με την ερώτηση.
Η αδυναμία της AI στις αναλογίες
Η Μαρκίτα Λιούις, συν-συγγραφέας της μελέτης και βοηθός καθηγήτρια νευροσυμβολικής τεχνητής νοημοσύνης στο Πανεπιστήμιο του Άμστερνταμ, έδωσε ένα παράδειγμα του τρόπου που η AI δεν μπορεί να πραγματοποιήσει αναλογική σκέψη τόσο καλά όσο οι άνθρωποι, στα προβλήματα αλφαριθμητικών συμβολοσειρών.
«Οι αναλογίες αλφαριθμητικών συμβολοσειρών έχουν τη μορφή του ‘αν το abcd πηγαίνει σε abce, πού θα πάει το ijkl;’ Οι περισσότεροι άνθρωποι θα απαντούσαν ‘ijkm’ και η [ΤΝ] τείνει να δώσει την ίδια απάντηση. Αλλά ένα άλλο πρόβλημα μπορεί να είναι ‘αν το abbcd πηγαίνει σε abcd, πού θα πάει το ijkkl;’. Οι άνθρωποι θα τείνουν να απαντούν ‘ijkl’ – το μοτίβο είναι να αφαιρέσεις το επαναλαμβανόμενο στοιχείο. Αλλά το GPT-4 τείνει να αποτυγχάνει σε αυτά τα προβλήματα», είπε η Λιούις στο Live Science.
Οι επιπτώσεις στην πραγματική ζωή
Η Λιούις εξήγησε ότι ενώ εμείς μπορούμε να αποσυμπιέσουμε συγκεκριμένα μοτίβα σε πιο γενικούς κανόνες, τα LLMs δεν έχουν αυτήν την ικανότητα. «Είναι καλά στην αναγνώριση και αντιστοίχιση μοτίβων, αλλά όχι στην γενίκευση αυτών των μοτίβων».
Οι περισσότερες AI εφαρμογές εξαρτώνται σε κάποιο βαθμό από τον όγκο – όσο περισσότερα δεδομένα εκπαίδευσης είναι διαθέσιμα, τόσο περισσότερα μοτίβα αναγνωρίζονται. Ωστόσο, η Λιούις υπογραμμίζει ότι η αναγνώριση μοτίβων και η αφαίρεση δεν είναι το ίδιο πράγμα.
«Δεν πρόκειται τόσο για το τι υπάρχει στα δεδομένα, αλλά για το πώς χρησιμοποιούνται τα δεδομένα», προσέθεσε.
Για να κατανοήσουμε τις επιπτώσεις, η τεχνητή νοημοσύνη χρησιμοποιείται ολοένα και περισσότερο στον νομικό τομέα για έρευνες, ανάλυση νομολογίας και συστάσεις για ποινές. Αλλά με τη χαμηλότερη ικανότητα να δημιουργεί αναλογίες, μπορεί να αποτύχει να αναγνωρίσει πώς οι νομικές προεδρίες εφαρμόζονται σε ελαφρώς διαφορετικές περιπτώσεις όταν προκύπτουν.
Δεδομένου ότι αυτή η έλλειψη ανθεκτικότητας μπορεί να επηρεάσει τα αποτελέσματα στον πραγματικό κόσμο, η μελέτη τονίζει ότι χρειάζεται προσεκτική αξιολόγηση των συστημάτων ΤΝ όχι μόνο για την ακρίβεια αλλά και για την ανθεκτικότητα στις γνωστικές τους ικανότητες.
VIA: FoxReport.gr
