Αναρωτηθήκατε ποτέ πώς μπορείτε να περιηγηθείτε σε μια νέα γειτονιά αρκετά εύκολα ή να καταλάβετε ένα πολύπλοκο έργο στο σπίτι; Πιθανότατα να το διαχειριστείτε χωρίς να σπάσετε μεγάλο μέρος του ιδρώτα, να βρείτε το δρόμο σας ή να καλύψετε τα βήματα χωρίς να χαρτογραφείτε κάθε επιλογή. Τώρα, σκεφτείτε την τεχνητή νοημοσύνη. Ενώ το AI μπορεί να συντρίψει συγκεκριμένα παιχνίδια ή αριθμούς κρίσης, η οικοδόμηση ενός AI που περιηγείται στον βρώμικο, μερικώς γνωστό πραγματικό κόσμο όπως κάνουμε είναι ακόμα μια τεράστια πρόκληση. Γιατί είμαστε τόσο καλοί σε αυτόν τον περίπλοκο σχεδιασμό, συχνά βρίσκοντας λύσεις που φαίνονται απίστευτα δύσκολες για τους υπολογιστές; Και γιατί οι εργαστηριακές δοκιμές μερικές φορές μας δείχνουν να παίρνουμε μονοπάτια που δεν είναι τεχνικά το απόλυτο «καλύτερο»;
Αυτό το παζλ είναι το κλειδί για την κατανόηση της νοημοσύνης, τόσο της δικής μας όσο και του τεχνητού είδους. Το Standard AI συχνά βλέπει τον προγραμματισμό ως εξερεύνηση ενός γιγαντιαίου δέντρου διακλάδωσης επιλογών και αποτελεσμάτων. Όσο μεγαλύτερο είναι το δέντρο, τόσο πιο σκληρό είναι το πρόβλημα. Αλλά οι άνθρωποι σαφώς δεν λειτουργούν με αυτόν τον τρόπο. Δεν φαίνεται να μεταφέρουμε ένα τέλειο, λεπτομερές σχέδιο του κόσμου. Μια ομάδα ερευνητών από το Πανεπιστήμιο Dalhousie, το Πανεπιστήμιο του Waterloo, το MIT και το Cornell University έχουν μια συναρπαστική εναλλακτική ιδέα. Τι γίνεται αν οι ψυχικοί χάρτες μας δεν είναι σαν στατικές εικόνες, αλλά περισσότερο σαν ευέλικτα προγράμματα υπολογιστών;
Η Marta Kryven, ο Cole Wyeth, ο Aidan Curtis και ο Kevin Ellis προτείνουν την ικανότητα μας για προγραμματισμό προέρχεται από βασική πεποίθηση: Ο κόσμος συνήθως ακολουθεί προβλέψιμα πρότυπα. Αντί να απομνημονεύουμε κάθε τελευταία λεπτομέρεια, ίσως χτίζουμε ψυχικά μοντέλα χρησιμοποιώντας συμπαγή προγράμματα που συλλαμβάνουν την επανάληψη, τη συμμετρία και τα επαναχρησιμοποιούμενα κομμάτια. Σκεφτείτε να αναγνωρίσετε την τυπική διάταξη των δαπέδων γραφείου ή τον τρόπο που οι δρόμοι συχνά σχηματίζουν πλέγματα. Αυτή η ιδέα “έννοιες ως προγράμματα” απεικονίζει τους εγκεφάλους μας όπως αναζητούν συνεχώς τον υποκείμενο κώδικα του κόσμου για να περιηγηθείτε αποτελεσματικά. Ας βουτήξουμε στο δικό τους μελέτη.
Γιατί τα σχέδια και η βίαιη δύναμη υπολείπονται
Γιατί σκέφτεται για τους χάρτες ως προγράμματα ενδεχομένως ένα παιχνίδι αλλαγής; Κοιτάξτε πόσο τυπικό AI χειρίζεται το σχεδιασμό, ειδικά όταν δεν έχει όλες τις πληροφορίες. Αυτή η κατάσταση συχνά διαμορφώνεται ως POMDP, ή μερικώς παρατηρήσιμη διαδικασία λήψης αποφάσεων Markov. Η εύρεση της καλύτερης λύσης συνήθως συνεπάγεται τον υπολογισμό των αποδόσεων για κάθε πιθανό σενάριο και τον προγραμματισμό σε όλη αυτή την αβεβαιότητα. Αυτή η προσέγγιση γίνεται γρήγορα πολύπλοκη, ακόμη και για αρκετά απλά περιβάλλοντα. Απλώς δεν αισθάνεται σαν ο ομαλός τρόπος που οι άνθρωποι περνούν γύρω.
Επιπλέον, υπάρχει αυτή η περίεργη αποσύνδεση. Αντιμετωπίζουμε πολύ καλά τη δομημένη πολυπλοκότητα της πραγματικής ζωής. Σκεφτείτε τα πλέγματα της πόλης, τα αρθρωτά έπιπλα, τα μονοπάτια σε ένα πάρκο. Αλλά βάλτε τους ανθρώπους σε απλουστευμένες εργαστηριακές εργασίες που έχουν σχεδιαστεί χωρίς σαφή δομή και συχνά δεν ακολουθούν τη μαθηματικά «βέλτιστη» διαδρομή. Οι ερευνητές χρησιμοποίησαν για να χτυπήσουν αυτό μέχρι τα ψυχικά όρια, όπως μόνο σκέφτονται μερικά βήματα μπροστά. Αλλά ο Kryven και οι συνάδελφοί της πιστεύουν ότι θα μπορούσαν να χάσουν το σημείο. Ίσως δεν είμαστε λανθασμένοι σχεδιαστές. Ίσως είμαστε απίστευτα καλοί σχεδιαστές ειδικά για το δομημένο είδος κόσμου στον οποίο πραγματικά ζούμε. Ψάχνουμε για μοτίβα και τα χρησιμοποιούμε.
Οι ερευνητές της AI προσπάθησαν να αντιμετωπίσουν την πολυπλοκότητα με στρατηγικές όπως ο ιεραρχικός σχεδιασμός (σπάζοντας μεγάλα προβλήματα σε μικρά) ή αναγνωρίζοντας παρόμοιες καταστάσεις παιχνιδιών. Αλλά αυτόματα μαθαίνοντας και χρησιμοποιώντας το είδος της δομικής γνώσης “κοινής λογικής” που έχουμε παραμένει ένα σημαντικό εμπόδιο.
Γνωρίστε GMP: Σχεδιασμός σαν κωδικοποιητής
Για να δοκιμάσουν την ιδέα τους, οι ερευνητές δημιούργησαν ένα μοντέλο υπολογιστή που ονομάζεται γενετικός αρθρωτός σχεδιασμός ή GMP. Αυτό το μοντέλο λειτουργεί με την αρχή των γνωστικών χαρτών ως προγράμματα. Δεν αποθηκεύει μια ακριβή εικόνα ενός τόπου. Αντ ‘αυτού, υπολογίζει ένα απλό πρόγραμμα που καταγράφει τη βασική του δομή.
Η GMP έχει δύο κύρια μέρη:
- Η γεννήτρια χάρτη (GMM): Αυτό το μέρος εξετάζει έναν χάρτη, όπως ένα λαβύρινθο στο πείραμά τους, και προσπαθεί να γράψει το απλούστερο πρόγραμμα που μπορεί να το ανοικοδομήσει. Εδώ είναι μια πραγματικά ενδιαφέρουσα συστροφή. Οι ερευνητές χρησιμοποίησαν ένα μεγάλο γλωσσικό μοντέλο, GPT-4, για αυτή τη δουλειά. Όχι για προγραμματισμό, αλλά για τη γραφή κώδικα. Ώθησαν το LLM να εντοπίσει επαναλαμβανόμενα οπτικά μοτίβα στο λαβύρινθο. Στη συνέχεια, η LLM έγραψε τον κώδικα Python που καθορίζει αυτά τα κομμάτια και εξηγώντας πώς να τα συνδυάσετε (μετακινήστε, περιστρέφετε, flip) για να αναδημιουργήσετε τον χάρτη. Το σύστημα προτιμά απλά προγράμματα που επαναχρησιμοποιούν τα κομμάτια αποτελεσματικά. Ακολουθεί μια αρχή που ευνοεί την πιο συμπιεσμένη εξήγηση, αναζητώντας ουσιαστικά τον πιο κομψό κώδικα που περιγράφει τη δομή του χάρτη.
- Ο αρθρωτός σχεδιαστής (FP): Μόλις το GMM δημιουργήσει έναν χάρτη προγράμματος από επαναχρησιμοποιήσιμα κομμάτια, η μονάδα FP υπολογίζει πώς να περάσει. Αντί να υπολογίζει μια τεράστια, σύνθετη διαδρομή για ολόκληρο το χάρτη, σχεδιάζει μια αποτελεσματική διαδρομή μέσα σε κάθε τύπο κομματιών μόλις μία φορά. Στη συνέχεια, κάθε φορά που τρέχει ξανά στο ίδιο είδος κομματιού, απλά τραβάει και επαναχρησιμοποιεί το σχέδιο που έχει ήδη κάνει. Αυτό εξοικονομεί έναν τόνο υπολογιστικής ισχύος και μνήμης. Για να φτάσετε από ένα κομμάτι στο άλλο, κατευθύνεται προς το πλησιέστερο ανεξερεύνητο κομμάτι, υποθέτοντας για αρχάριους ότι ο στόχος (όπως η έξοδος του λαβύρινθου) θα μπορούσε να είναι οπουδήποτε.
Αυτός ο τρόπος σχεδιασμού είναι έξυπνος σε κάθε ενότητα. Βρίσκει το καλύτερο μονοπάτι μέσα σε αυτό το αναγνωρισμένο κομμάτι. Αλλά η σύνδεση αυτών των έξυπνων τοπικών μονοπατιών μπορεί να οδηγήσει σε μια παγκόσμια διαδρομή που είναι ελαφρώς μεγαλύτερη από ό, τι αν ένας σχεδιαστής κοίταξε απόλυτα ολόκληρο το χάρτη. Αυτή η πιθανότητα έξυπνων, αποτελεσματικών, αλλά ίσως ελαφρώς έμμεσων διαδρομών ήταν ακριβώς το είδος της ανθρώπινης συμπεριφοράς που παρακολουθούσαν οι ερευνητές.
Έτσι, οι άνθρωποι σχεδιάζουν πραγματικά το μοντέλο GMP; Η ομάδα χρησιμοποίησε μια εργασία αναζήτησης λαβύρινθου για να μάθει. Τριάντα συμμετέχοντες πλοηγούσαν 20 διαφορετικούς λαβύρινθους σε έναν υπολογιστή, βλέποντας τον κόσμο από μια θέα πρώτου προσώπου. Μέρη του λαβυρίνθου ήταν κρυμμένα μέχρι να κινηθούν αρκετά κοντά. Ο στόχος τους: Βρείτε την κρυμμένη έξοδο, που σημειώνεται από ένα κόκκινο κεραμίδι.
Αυτά δεν ήταν απλώς λαβύρινθοι. Σχεδιάστηκαν ειδικά με σαφείς, επαναλαμβανόμενες δομές. Είχαν αρθρωτές διατάξεις από ξεχωριστά κομμάτια, όπως ορισμένα σχήματα δωματίων ή τμήματα διαδρόμου. Αυτή η ρύθμιση ήταν ιδανική για να δει αν οι άνθρωποι θα εξερευνούσαν φυσικά την ενότητα με ενότητα ή εάν θα έπαιρναν συντομεύσεις που κόβουν τις ενότητες, αν αυτό φαινόταν μαθηματικά μικρότερο, όπως θα μπορούσαν να προβλέψουν οι παραδοσιακοί βέλτιστοι σχεδιαστές.
Η ομάδα συνέκρινε τα μονοπάτια των ανθρώπων σε τρία διαφορετικά μοντέλα:
- GMP: Το νέο μοντέλο, στοιχηματίζοντας σε αρθρωτή αναζήτηση βάσει αυτών των χαρτών που μοιάζουν με προγράμματα.
- Αναμενόμενη χρησιμότητα: Ο τυπικός «βέλτιστος» προγραμματιστής, υπολογίζοντας την απόλυτη συντομότερη διαδρομή δεδομένης της αβεβαιότητας.
- Μειωμένη χρησιμότητα: Ένα μοντέλο που μιμείται τον προγραμματισμό με περιορισμένη διάστημα προσοχής (μόνο κοιτάζοντας μερικά βήματα μπροστά), τα οποία εξηγούσαν καλά την ανθρώπινη συμπεριφορά αδόμητος λαβύρινθοι πριν.
Οι λαβύρινθοι σχεδιάστηκαν έτσι ώστε τα παραδοσιακά μοντέλα να προτείνουν συνήθως μη κωμικές διαδρομές, καθιστώντας εύκολο να δουν ποια στρατηγική προτιμούν οι άνθρωποι.
Είμαστε αρθρωτοί σχεδιαστές
Τα ευρήματα ήταν αρκετά σαφή. Οι άνθρωποι χρησιμοποίησαν συντριπτικά αρθρωτές στρατηγικές. Εξερεύνησαν το δομημένο κομμάτι λαβύρινθο με κομμάτι, κινούμενοι συστηματικά από ένα αναγνωρισμένο τμήμα στο πλησιέστερο επόμενο. Αυτό δεν ήταν απλώς ένα fluke. Ήταν το συνεκτικό μοτίβο σε διαφορετικά σχέδια λαβυρίνθων και τους περισσότερους συμμετέχοντες.
Οι ερευνητές εξέτασαν προσεκτικά τις “διακριτικές αποφάσεις”. Αυτά ήταν σημεία στο λαβύρινθο όπου το μοντέλο GMP πρότεινε διαφορετική κίνηση από τα παραδοσιακά μοντέλα. Σε αυτές τις βασικές στιγμές, Η GMP έκανε μια σημαντικά καλύτερη δουλειά που προβλέπει τι θα έκαναν πραγματικά οι άνθρωποι. Οι άνθρωποι δεν ήταν απλώς τυχαία αναποτελεσματικοί. ήταν συστηματικά αρθρωτός. Η συμπεριφορά τους παρατάχθηκε όμορφα με τη στρατηγική που θα περιμένατε αν χρησιμοποιούσαν πνευματικούς χάρτες.
Ένα από τα πραγματικά τακτοποιημένα μέρη αυτής της μελέτης είναι πώς χρησιμοποίησαν το LLM. Δεν έλαβε αποφάσεις. Ενεργούσε σαν stand-in για τον άνθρωπο δομική αντίληψη. Επειδή τα LLMs εκπαιδεύονται στα βουνά της ανθρώπινης γραφής και του κώδικα, φαίνεται να απορροφούν συνηθισμένους τρόπους με τους οποίους οι άνθρωποι δομούν τα πράγματα, συμπεριλαμβανομένων των χώρων. Όταν ζητήθηκε να γράψει ένα πρόγραμμα για το λαβύρινθο, η GPT-4 ήρθε με δομικές βλάβες, τα κομμάτια και τους κανόνες, που ταιριάζουν με τον τρόπο που οι άνθρωποι αργότερα πλοηγήθηκαν.
Αυτό υπονοεί ότι το LLMS μπορεί να είναι χρήσιμο για κάτι περισσότερο από την απλή δημιουργία κειμένου. Θα μπορούσαν ενδεχομένως να μας βοηθήσουν να κατανοήσουμε τις ενσωματωμένες υποθέσεις και τις ψυχικές συντομεύσεις, τις “επαγωγικές προκαταλήψεις”, εμείς οι άνθρωποι χρησιμοποιούμε για να κατανοήσουμε τα πάντα. Εδώ, βοήθησε να μεταφραστεί ένα οπτικό λαβύρινθο σε μια χρήσιμη, κώδικα που μοιάζει με κώδικα ιδανική για αποτελεσματικό σχεδιασμό.
Έρευνα: Περιοδικός πίνακας για μηχανική μάθηση
Αλλάζοντας τον τρόπο σκέψης για τους ψυχικούς χάρτες και το AI
Αυτή η έρευνα προκαλεί την παλιά ιδέα των γνωστικών χαρτών ως απλές, στατικές εικόνες στο κεφάλι μας. Η σκέψη τους ως ενεργά, γενετικά προγράμματα κάνει υπολογιστική λογική. Εξηγεί πώς χειριζόμαστε τον πολύπλοκο, αβέβαιο πραγματικό κόσμο με περιορισμένο πνεύμα. Εξηγεί την αποτελεσματικότητά μας σε δομημένα μέρη, και ίσως ακόμη και γιατί μερικές φορές παίρνουμε μονοπάτια που δεν είναι μαθηματικά τέλεια, αλλά είναι πολύ πιο εύκολο να καταλάβουμε και να θυμόμαστε.
Για την τεχνητή νοημοσύνη, αυτό προσφέρει ένα πρακτικό μονοπάτι προς τα εμπρός. Το μοντέλο GMP δείχνει πρώτα τη δύναμη της εύρεσης δομής, και στη συνέχεια σχεδιάζοντας αρθρωτά. Οι πράκτορες της AI που κατασκευάστηκαν με αυτόν τον τρόπο θα μπορούσαν ενδεχομένως να περιηγηθούν πολύ πιο αποτελεσματικά τα πολύπλοκα, εν μέρει γνωστά περιβάλλοντα, που χρειάζονται πολύ λιγότερη μνήμη και δύναμη επεξεργασίας. Επισημαίνει το AI που σχεδιάζει περισσότερο όπως και εμείς, εντοπίζοντας μοτίβα αντί για απλώς τραγάνισμα των δυνατοτήτων.
Σίγουρα, υπάρχουν ακόμα ερωτήσεις. Το τρέχον μοντέλο GMP κάνει απλές υποθέσεις σχετικά με τη μετακίνηση μεταξύ των κομματιών. Η μελλοντική έρευνα πρέπει να διερευνήσει τον τρόπο με τον οποίο θα μπορούσαμε να δώσουμε προτεραιότητα σε ορισμένους τομείς με βάση την εμπειρία του παρελθόντος ή τους τρέχοντες στόχους. Πώς προσαρμόζουμε τα πνευματικά μας προγράμματα όταν ο κόσμος δεν ταιριάζει με τις προσδοκίες μας; Πόσο επηρεάζουν οι στόχοι μας τις δομές που αντιλαμβανόμαστε; Ακόμη και με αυτές τις ανοιχτές ερωτήσεις, αυτή η μελέτη μας δίνει έναν ισχυρό νέο τρόπο να σκεφτούμε πώς βρίσκουμε τον τρόπο μας.
Στο τέλος, υποδηλώνει κάτι βαθύ για εμάς. Η εκπληκτική μας ικανότητα να πλοηγούμε και να ενεργούμε αποτελεσματικά στον πολύπλοκο κόσμο μας θα μπορούσε να μειωθεί στο μυαλό μας να είναι ειδικοί προτύπων προτύπων, να εντοπίζουμε συνεχώς τον υποκείμενο κώδικα της δομημένης πραγματικότητας γύρω μας και να την αντιπροσωπεύουμε όχι μόνο ως σκηνή, αλλά ως πρόγραμμα έτοιμο να τρέξει.
VIA: DataConomy.com
