Przeszliśmy długą drogę od XVII wieku, kiedy to Johannes Kepler zrewolucjonizował astronomię dzięki swoim precyzyjnym prawom matematycznym przewidującym ruch planet. Jednak modele te, choć imponujące, nie wyjaśniały, dlaczego planety poruszały się właśnie w ten sposób. Głębsze zrozumienie nadeszło dopiero wraz z pojawieniem się Isaaca Newtona i sformułowaniem przez niego praw grawitacji. Dzisiaj dostrzegamy podobieństwa między tą historią a obecnym stanem rozwoju sztucznej inteligencji.
Systemy sztucznej inteligencji osiągnęły wysoki poziom biegłości w formułowaniu prognoz w takich dziedzinach, jak język, rozpoznawanie obrazów, a nawet modelowanie naukowe, co skłania do żywego przypomnienia sobie wkładu Keplera. Czy jednak systemy te naprawdę rozumieją świat, czy też jedynie naśladują wzorce, podobnie jak modele Keplera, którym brakowało głębokich spostrzeżeń Newtona? To niepokojące pytanie budzi wśród naukowców rosnącą falę ciekawości.
Zespół naukowców z Laboratorium Systemów Informacyjnych i Decyzyjnych (LIDS) przy MIT oraz Uniwersytetu Harvarda postanowił zgłębić tę intrygującą zagadkę, badając zakres zrozumienia sztucznej inteligencji. Jaki był ich cel? Ustalenie, czy sztuczna inteligencja potrafi tworzyć wewnętrzne modele świata – coś w rodzaju “modelu świata”, pozwalającego na uogólnienie jej prognoz. Keyon Vafa, doktorant z Uniwersytetu Harvarda i główny autor badania, zauważył, że wyzwaniem było ustalenie, czy sztuczna inteligencja była w stanie przejść od generowania trafnych prognoz do konstruowania modeli świata, tak jak robią to ludzie.
Sendhil Mullainathan, profesor MIT i główny autor badania, zwrócił uwagę na główną przeszkodę stojącą na ich drodze: zdefiniowanie pojęcia ‘zrozumienia’ w kontekście sztucznej inteligencji. Wiedzieli, jak zmierzyć dokładność prognoz algorytmu, ale potrzebowali rzetelnej metody oceny jego zdolności do zrozumienia. Aby to osiągnąć, zespół opracował wskaźnik zwany ‘stronniczością indukcyjną’, który mierzy, na ile wnioski wyciągane przez system sztucznej inteligencji odzwierciedlają rzeczywiste okoliczności.
Zespół próbował zbadać, jak głębokie jest zrozumienie sztucznej inteligencji w różnych scenariuszach o rosnącej złożoności. W przypadku prostego, jednowymiarowego modelu siatkowego – na przykład żaby skaczącej między liśćmi lilii wodnej – sztuczna inteligencja radziła sobie znakomicie, opierając się na sygnałach słuchowych. Jednak wraz ze wzrostem złożoności, na przykład przy przejściu do siatek dwu- lub trójwymiarowych, sztuczna inteligencja zaczęła mieć trudności. Peter G. Chang, doktorant z MIT, stwierdził, że ich model wykazywał silne nastawienie indukcyjne w systemach o mniejszej złożoności, ale wraz ze wzrostem złożoności zaczynał tracić spójność.
Wyniki tego badania mają ogromne znaczenie, biorąc pod uwagę rosnącą rolę sztucznej inteligencji w odkryciach naukowych. Przewidywanie właściwości związków chemicznych czy zrozumienie procesu fałdowania białek wymaga czegoś więcej niż tylko rozpoznawania wzorców — konieczne jest zrozumienie leżących u ich podstaw zasad. To przypomniało Keyonowi Vafie o otrzeźwiającej rzeczywistości — przed nami wciąż długa droga, nawet w przypadku tak podstawowych zagadnień, jak pojęcia z zakresu mechaniki.
‘Modele podstawowe’ – rozbudowane systemy sztucznej inteligencji, trenowane na ogromnych zbiorach danych z różnych dziedzin – budzą ogromne zainteresowanie. Oczekuje się, że modele te będą gromadzić wiedzę specyficzną dla danej dziedziny, przydatną przy rozwiązywaniu nowych problemów. Ale czy jesteśmy na to gotowi? Nasze badanie skłania nas do ponownego przemyślenia tej kwestii – uważa Chang. Jednak badania te otworzyły drogę do sprawdzenia, czy sztuczna inteligencja tworzy dokładne modele świata, co stanowi nieocenione narzędzie zarówno dla programistów, jak i naukowców.
W świecie rządzonym przez sztuczną inteligencję przejście od przewidywania do zrozumienia może stanowić kolejny przełomowy krok, podobny do tego, jaki nastąpił między Keplerem a Newtonem. Jak trafnie podsumowuje Chang, gdy tylko dysponujemy odpowiednim wskaźnikiem, możemy go skutecznie optymalizować, co wskazuje na obiecującą ścieżkę rozwoju sztucznej inteligencji.
Zapoznaj się z oryginalnym artykułem na stronie MIT News.
Ta strona używa plików cookie.