Nawet najbardziej zaawansowane sieci neuronowe wciąż nie są mądrzejsze od rocznego dziecka — i to nie jest przesada

Mimo imponujących sukcesów sztucznej inteligencji współczesne sieci neuronowe wciąż wyraźnie ustępują małym dzieciom w jednym z najbardziej fundamentalnych aspektów inteligencji — zdolności do szybkiego rozumienia zasad funkcjonowania otaczającego świata i uczenia się na podstawie minimalnego doświadczenia. Do takiego wniosku coraz częściej dochodzą specjaliści z dziedziny nauk kognitywnych, neurobiologii i uczenia maszynowego.

Paradoks polega na tym, że modele językowe potrafią pisać kod, zdawać trudne egzaminy, prowadzić sensowne dialogi i analizować ogromne ilości informacji. Jeśli jednak umieścić AI w nowym, nieznanym środowisku, które wymaga zrozumienia praw fizyki, związków przyczynowo-skutkowych i interakcji z obiektami, jego możliwości gwałtownie spadają. Tam, gdzie roczne dziecko zaczyna samodzielnie orientować się w sytuacji dosłownie w ciągu kilku dni lub tygodni, sztuczna inteligencja potrzebuje milionów przykładów treningowych i kolosalnej mocy obliczeniowej.

Dlaczego dziecko uczy się skuteczniej niż AI

Najważniejsza różnica tkwi w sposobie uczenia się.

Niemowlę otrzymuje informacje jednocześnie za pośrednictwem wielu kanałów: wzroku, słuchu, dotyku, ruchu, równowagi, interakcji społecznych i emocjonalnej informacji zwrotnej. Każde działanie staje się eksperymentem. Kiedy dziecko upuszcza zabawkę, obserwuje, jak ta spada. Kiedy popycha przedmiot, rozumie, że ten się porusza. Kiedy uśmiecha się do dorosłego, otrzymuje reakcję zwrotną. W ten sposób mózg nieustannie buduje wewnętrzny model otaczającego świata.

Co więcej, do ukształtowania takich wyobrażeń dziecko potrzebuje bardzo niewielu danych.

Współczesne sieci neuronowe działają zupełnie inaczej. Uczą się głównie na ogromnych zbiorach gotowych informacji — tekstach, obrazach, nagraniach wideo lub audio. Aby przyswoić daną prawidłowość, modele często potrzebują milionów przykładów, podczas gdy dziecku czasem wystarczy zaledwie kilka obserwacji.

Dlatego specjaliści mówią, że współczesne AI doskonale rozpoznaje prawidłowości statystyczne, ale znacznie gorzej rozumie samą naturę zachodzących zjawisk.

Ogromna różnica w efektywności

Przepaść staje się szczególnie widoczna, gdy porówna się ilość wykorzystywanych danych.

W pierwszym roku życia dziecko widzi jedynie niewielką część otaczającego świata, jednak to wystarcza do ukształtowania złożonych wyobrażeń o przedmiotach, ludziach, przestrzeni i związkach przyczynowo-skutkowych.

Z kolei duże modele językowe uczą się na praktycznie całym dostępnym internecie, bibliotekach, publikacjach naukowych i innych źródłach cyfrowych. Do ich stworzenia wykorzystuje się tysiące wydajnych procesorów graficznych, które zużywają ogromne ilości energii elektrycznej.

Mimo to AI wciąż popełnia błędy, których dziecko zazwyczaj nie popełnia już po pierwszych miesiącach poznawania otoczenia.

Na czym polega główny problem współczesnych modeli

Za jedną z kluczowych przyczyn uznaje się brak rzeczywistej interakcji ze światem fizycznym.

Większość istniejących modeli faktycznie «siedzi wewnątrz komputera». Analizują dane, ale same nie mogą badać otoczenia, eksperymentować, popełniać błędów i zdobywać nowego doświadczenia tak, jak robi to człowiek.

Tymczasem to właśnie aktywna interakcja ze światem jest uznawana za podstawę ludzkiej inteligencji.

Dlatego coraz więcej zespołów badawczych pracuje nad kierunkiem łączącym robotykę, neurobiologię i sztuczną inteligencję. Ich celem jest stworzenie systemów, które będą mogły uczyć się nie tylko na gotowych danych, lecz także poprzez własne doświadczenie.

Co proponują naukowcy

Obecnie badacze coraz częściej zwracają się ku zasadom działania ludzkiego mózgu.

Do najbardziej perspektywicznych kierunków należą:

uczenie się poprzez interakcję z otoczeniem, a nie tylko na podstawie wcześniej przygotowanych danych;

rozwój modeli zdolnych do samodzielnego badania nowych sytuacji;

połączenie wzroku, słuchu, doznań dotykowych i ruchu w jeden system percepcji;

tworzenie mechanizmów długotrwałej pamięci i gromadzenia doświadczeń;

rozwój tak zwanego "modelu świata" (world model) — wewnętrznego modelu tego, jak zbudowana jest rzeczywistość.

To właśnie takie podejścia mogą sprawić, że przyszłe systemy AI będą znacznie bardziej elastyczne i oszczędne w procesie uczenia.

Kolejny etap rozwoju sztucznej inteligencji

Eksperci coraz częściej zgadzają się, że dalszy postęp w dziedzinie AI będzie zależeć już nie tyle od zwiększania ilości danych czy mocy kart graficznych, ile od głębszego zrozumienia tego, jak uczy się ludzki mózg.

Jeśli inżynierom uda się odtworzyć choćby część mechanizmów, dzięki którym niemowlęta niezwykle szybko poznają otaczający świat, może to stać się kolejnym wielkim przełomem w rozwoju sztucznej inteligencji.

Dlatego neurobiologia i psychologia kognitywna stają się dziś dla przyszłości AI nie mniej ważne niż programowanie i technologia komputerowa. Być może droga do stworzenia naprawdę uniwersalnej sztucznej inteligencji nie prowadzi przez coraz potężniejsze komputery, lecz przez zrozumienie tego, jak kilka miliardów neuronów w mózgu dziecka zamienia ograniczone doświadczenie życiowe w pełną wiedzę o świecie.