• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Artificiell intelligens hjälper till att avslöja hur människor bearbetar abstrakta tankar

    Kredit:CC0 Public Domain

    I takt med att artificiell intelligens blir mer sofistikerad, mycket av allmänhetens uppmärksamhet har fokuserat på hur framgångsrikt dessa tekniker kan konkurrera med människor i schack och andra strategispel. En filosof från University of Houston har tagit ett annat tillvägagångssätt, dekonstruera de komplexa neurala nätverk som används i maskininlärning för att belysa hur människor bearbetar abstrakt lärande.

    "När vi litar mer och mer på dessa system, det är viktigt att veta hur de fungerar och varför, sa Cameron Buckner, biträdande professor i filosofi och författare till en artikel som undersöker ämnet som publicerats i tidskriften Syntes . Bättre förståelse för hur systemen fungerar, i tur och ordning, ledde honom till insikter i människans lärandes natur.

    Filosofer har diskuterat ursprunget till mänsklig kunskap sedan Platons dagar - är den medfödd, baserat på logik, eller kommer kunskap från sensorisk erfarenhet i världen?

    Deep Convolutional Neural Networks, eller DCNN, tyder på att mänsklig kunskap härrör från erfarenhet, en tankeskola känd som empiri, avslutade Buckner. Dessa neurala nätverk — konstgjorda neurala nätverk i flera lager, med noder som replikerar hur neuroner bearbetar och förmedlar information i hjärnan – demonstrera hur abstrakt kunskap förvärvas, han sa, gör nätverken till ett användbart verktyg för områden inklusive neurovetenskap och psykologi.

    I tidningen, Buckner noterar att framgången för dessa nätverk med komplexa uppgifter som involverar perception och diskriminering ibland har överträffat forskarnas förmåga att förstå hur de fungerar.

    Medan vissa forskare som bygger neurala nätverkssystem har refererat till den brittiske filosofen John Lockes och andra inflytelserika teoretikers tänkande, deras fokus har varit på resultat snarare än att förstå hur nätverken korsar sig med traditionella filosofiska redogörelser för mänsklig kognition. Buckner ville fylla det tomrummet, överväger användningen av AI för abstrakta resonemang, allt från strategispel till visuell igenkänning av stolar, konstverk och djur, uppgifter som är förvånansvärt komplexa med tanke på de många potentiella variationerna i utsiktspunkt, Färg, stil och andra detaljer.

    "Forskare inom datorseende och maskininlärning har nyligen noterat att triangeln, stol, katt, och andra vardagliga kategorier är så svåra att känna igen eftersom de kan mötas i en mängd olika poser eller orienteringar som inte liknar varandra när det gäller deras perceptuella egenskaper på låg nivå, " skrev Buckner. "... en stol sedd framifrån ser inte mycket ut som samma stol sett bakifrån eller ovanifrån; vi måste på något sätt förena alla dessa olika perspektiv för att bygga en pålitlig stoldetektor."

    För att övervinna utmaningarna, systemen måste kontrollera för så kallad störningsvariation, eller intervallet av skillnader som vanligtvis påverkar ett systems förmåga att identifiera objekt, ljud och andra uppgifter – storlek och position, till exempel, eller tonhöjd och ton. Förmågan att redogöra för och smälta den mångfalden av möjligheter är ett kännetecken för abstrakt resonemang.

    DCNNs har också svarat på en annan kvardröjande fråga om abstrakt resonemang, sa Buckner. Empiriker från Aristoteles till Locke har vädjat till en abstraktionsfakultet för att komplettera sina förklaringar av hur sinnet fungerar, men tills nu, det har inte funnits en bra förklaring till hur det fungerar. "För första gången, DCNN hjälper oss att förstå hur den här fakulteten faktiskt fungerar, " sa Buckner.

    Han började sin akademiska karriär inom datavetenskap, studera logikbaserade förhållningssätt till artificiell intelligens. De skarpa skillnaderna mellan tidig AI och de sätt på vilka djur och människor faktiskt löser problem föranledde hans övergång till filosofi.

    För mindre än ett decennium sedan, han sa, forskare trodde att framsteg inom maskininlärning skulle sluta med förmågan att producera abstrakt kunskap. Nu när maskiner slår människor i strategiska spel, förarlösa bilar testas runt om i världen och ansiktsigenkänningssystem är utplacerade överallt från mobiltelefoner till flygplatser, att hitta svar har blivit mer brådskande.

    "Dessa system lyckas där andra misslyckades, " han sa, "eftersom de kan förvärva den sortens subtila, abstrakt, intuitiv kunskap om världen som kommer automatiskt till människor men som hittills har visat sig omöjlig att programmera in i datorer."


    © Vetenskap https://sv.scienceaq.com