KI, die wie wir denkt? Neue Denkmodelle spiegeln menschliche Problemlösungen wider

Haben Sie schon von den großen Sprachmodellen (LLMs) wie ChatGPT gehört? Das sind wahre Programmierwunder, die im Handumdrehen Aufsätze verfassen, Ideen für Mahlzeiten liefern oder Ihnen sogar beim Verfassen Ihrer E-Mails helfen können. Doch so beeindruckend sie auch sind: Bei anspruchsvollen Aufgaben wie der Problemlösung haben sie sich bisher nicht besonders bewährt, vor allem nicht in der Mathematik oder bei komplexen Denkprozessen. Dieses Manko verliert jedoch zunehmend an Bedeutung.

Der Weg zu einem menschenähnlicheren Denkvermögen

Nun hält eine neue Generation von LLMs Einzug, die als „Reasoning-Modelle“ bezeichnet werden und bei der Bewältigung komplexer Aufgaben erhebliche Fortschritte zeigen. Im Gegensatz zu ihren Vorgängern, die sich stark auf Sprachmuster stützten, um Antworten zu erraten, wenden diese Modelle bewusstere, schrittweise Strategien an, ähnlich wie es ein Mensch tun würde.

Darüber hinaus stellten Forscher am McGovern Institute for Brain Research des MIT eine auffällige Ähnlichkeit fest, wie Menschen und diese neuen Modelle an schwierige Aufgaben herangehen. Interessanterweise stellten sie fest, dass Aufgaben, die vom Menschen die größte geistige Anstrengung erfordern, auch diejenigen sind, die bei Schlussfolgerungsmodellen die größte Rechenlast verursachen. Dies führte zu einem neuen Konzept: Die “Kosten des Denkens” gehen über die Grenze zwischen Mensch und Maschine hinaus.

Diese etwas unerwartete Konstellation führte das MIT-Team unter der Leitung von Associate Professor Evelina Fedorenko überraschenderweise. Die Entwickler dieser Modelle konzentrieren sich in der Regel darauf, ein System zu schaffen, das unter zahlreichen Bedingungen gut funktioniert und genaue Ergebnisse liefert, anstatt das kognitive Verhalten des Menschen nachzuahmen. Daher war die Konvergenz von menschlicher und maschineller Leistung eine unerwartete, aber spannende Entdeckung.

Was zeichnet also Schlussfolgerungsmodelle aus?

Diese Denkmodelle sind im Grunde genommen nach wie vor künstliche neuronale Netze – Systeme, die durch die Analyse von Daten und das Erkennen von Mustern lernen. Sie gehen jedoch einen Schritt weiter als ihre Vorgänger, indem sie sich mit komplexeren kognitiven Aufgaben wie mathematischen Problemen oder dem Programmieren befassen. Eine zentrale Innovation ist ihr Ansatz zur Problemlösung: Diese Modelle zerlegen Probleme in kleinere Teile, was ihre Leistungsfähigkeit erheblich steigert.

Ingenieure nutzen zudem das verstärkende Lernen, um diese Modelle zu trainieren, wobei richtige Antworten belohnt und falsche bestraft werden. Das Modell lernt im Laufe der Zeit, Lösungswege zu erkunden, die häufiger zu korrekten Schlussfolgerungen führen, und ahmt so einen eher menschenähnlichen kognitiven Prozess nach. Diese traditionelle Methode dauert zwar länger als die von früheren LLMs verwendeten Verfahren, verbessert jedoch die Genauigkeit erheblich.

Andrea Gregor de Varda, Postdoktorandin am MIT K. Lisa Yang, ICoN-Zentrum, … führten gemeinsam mit Fedorenko ein Experiment durch, um diese Theorie zu überprüfen. Dabei beobachteten sie nicht nur die Genauigkeit, sondern ermittelten auch, wie viel Aufwand erforderlich war. Bei Menschen bedeutete dies, die Reaktionszeiten auf die Millisekunde genau zu messen. Bei den Modellen untersuchten sie, wie viele Token – also interne Spracheinheiten – das Modell generiert, während es ein Problem bearbeitet. Offenbar gilt: Je schwieriger das Problem, desto mehr Token generiert das Modell – ganz ähnlich wie wir Menschen metaphorisch gesehen ‘mit uns selbst sprechen’, wenn wir auf ein kniffliges Problem stoßen.

Ein genauerer Blick auf menschenähnliche Kognition

Sowohl Menschen als auch das Schlussfolgerungsmodell wurden mit sieben Arten von Aufgaben konfrontiert, darunter arithmetische und intuitive Schlussfolgerungen. Wie zu erwarten war, benötigten Menschen für schwierigere Aufgaben mehr Zeit, und auch das Schlussfolgerungsmodell musste mehr Token erzeugen. Obwohl diese Ergebnisse überzeugend sind, warnt de Varda jedoch davor, voreilig den Schluss zu ziehen, dass diese Modelle die menschliche Kognition vollständig widerspiegeln. Er betont, dass sie nach wie vor hauptsächlich in einem abstrakten, nicht-sprachlichen Raum funktionieren und es daher noch viel darüber zu lernen gibt, wie genau sie menschliche Denkprozesse abbilden.

Viele Fragen bleiben unbeantwortet. Stellen diese Modelle beispielsweise Informationen auf dieselbe Weise dar wie unser Gehirn? Können sie Probleme bewältigen, die über ihre Trainingsdaten hinausgehendes Wissen aus der realen Welt erfordern? Während Forscher diese Grenzen ausloten, zeichnet sich ein faszinierender Gedanke ab: Maschinen könnten sich langsam, aber sicher in Richtung einer menschenähnlichen Kognition entwickeln – nicht, weil sie explizit darauf programmiert wurden, sondern möglicherweise, weil dies einfach die effektivste Art zu denken ist.

Erfahren Sie mehr über die komplexe Beziehung zwischen menschlicher und maschineller Kognition im vollständigen Artikel unter MIT-Nachrichten.