Kunstig intelligens hjælper med at afsløre, hvordan mennesker behandler abstrakt tanke

Efterhånden som kunstig intelligens bliver mere sofistikeret, meget af den offentlige opmærksomhed har fokuseret på, hvor succesfuldt disse teknologier kan konkurrere mod mennesker i skak og andre strategispil. En filosof fra University of Houston har taget en anden tilgang, dekonstruktion af de komplekse neurale netværk, der bruges i maskinlæring for at belyse, hvordan mennesker behandler abstrakt læring.

"Efterhånden som vi stoler mere og mere på disse systemer, det er vigtigt at vide, hvordan de virker og hvorfor, " sagde Cameron Buckner, adjunkt i filosofi og forfatter til et papir, der udforsker emnet offentliggjort i tidsskriftet Syntese . Bedre forståelse af, hvordan systemerne fungerer, på tur, førte ham til indsigt i naturen af ​​menneskelig læring.

Filosoffer har diskuteret oprindelsen af ​​menneskelig viden siden Platons dage - er den medfødt, baseret på logik, eller kommer viden fra sanseoplevelse i verden?

Dybe konvolutionelle neurale netværk, eller DCNN'er, tyder på, at menneskelig viden stammer fra erfaring, en tankegang kendt som empiri, Buckner konkluderede. Disse neurale netværk-kunstige neurale netværk i flere lag, med noder, der replikerer, hvordan neuroner behandler og videregiver information i hjernen – demonstrer, hvordan abstrakt viden erhverves, han sagde, gør netværkene til et nyttigt værktøj til områder, herunder neurovidenskab og psykologi.

I avisen, Buckner bemærker, at disse netværks succes med komplekse opgaver, der involverer opfattelse og diskrimination, til tider har overgået videnskabsmænds evne til at forstå, hvordan de fungerer.

Mens nogle videnskabsmænd, der bygger neurale netværkssystemer, har henvist til den britiske filosof John Lockes og andre indflydelsesrige teoretikeres tankegang, deres fokus har været på resultater frem for at forstå, hvordan netværkene krydser sig med traditionelle filosofiske beretninger om menneskelig erkendelse. Buckner satte sig for at udfylde det tomrum, overvejer brugen af ​​kunstig intelligens til abstrakt ræsonnement, lige fra strategispil til visuel genkendelse af stole, kunst og dyr, opgaver, der er overraskende komplekse i betragtning af de mange potentielle variationer i udsigtspunkter, farve, stil og andre detaljer.

"Forskere inden for computersyn og maskinlæring har for nylig bemærket, at trekant, stol, kat, og andre hverdagskategorier er så vanskelige at genkende, fordi de kan mødes i en række forskellige positurer eller orienteringer, der ikke er gensidigt ens med hensyn til deres perceptuelle egenskaber på lavt niveau, " Buckner skrev. "... en stol set forfra ligner ikke meget den samme stol set bagfra eller ovenfra; vi må på en eller anden måde forene alle disse forskellige perspektiver for at bygge en pålidelig stoldetektor. "

For at overkomme udfordringerne, systemerne skal kontrollere for såkaldt generende variation, eller rækken af ​​forskelle, der almindeligvis påvirker et systems evne til at identificere objekter, lyde og andre opgaver – størrelse og position, for eksempel, eller tonehøjde og tone. Evnen til at redegøre for og fordøje den mangfoldighed af muligheder er et kendetegn for abstrakt ræsonnement.

DCNN'erne har også besvaret et andet dvælende spørgsmål om abstrakt ræsonnement, Sagde Buckner. Empirikere fra Aristoteles til Locke har appelleret til et abstraktionsfakultet for at færdiggøre deres forklaringer på, hvordan sindet fungerer, men indtil nu, der har ikke været en god forklaring på, hvordan det virker. "For første gang, DCNN'er hjælper os med at forstå, hvordan dette fakultet faktisk fungerer, " sagde Buckner.

Han begyndte sin akademiske karriere i datalogi, studere logik-baserede tilgange til kunstig intelligens. De skarpe forskelle mellem tidlig kunstig intelligens og den måde, dyr og mennesker faktisk løser problemer på, førte til, at han skiftede til filosofi.

For mindre end ti år siden, han sagde, videnskabsfolk mente, at fremskridt inden for maskinlæring ville stoppe med at mangle evnen til at producere abstrakt viden. Nu hvor maskiner slår mennesker ved strategiske spil, førerløse biler bliver testet rundt om i verden, og ansigtsgenkendelsessystemer er installeret overalt fra mobiltelefoner til lufthavne, at finde svar er blevet mere presserende.

"Disse systemer lykkes, hvor andre fejlede, " han sagde, "fordi de kan erhverve den slags subtile, abstrakt, intuitiv viden om verden, der kommer automatisk til mennesker, men som indtil nu har vist sig umulig at programmere ind i computere."