Η τεχνητή νοημοσύνη βοηθά να αποκαλυφθεί πώς οι άνθρωποι επεξεργάζονται την αφηρημένη σκέψη

Καθώς η Τεχνητή Νοημοσύνη (ΤΝ) γίνεται όλο και πιο εκλεπτυσμένη, μεγάλο μέρος της προσοχής των ανθρώπων έχει εστιάσει στο πόσο επιτυχώς αυτές οι τεχνολογίες μπορούν να αντιμετωπίσουν τους ανθρώπους στο σκάκι και σε άλλα παιχνίδια στρατηγικής. Ένας φιλόσοφος από το Πανεπιστήμιο του Hοuston έκανε μια διαφορετική προσέγγιση, επανοικοδομώντας σύνθετα νευρωνικά δίκτυα που χρησιμοποιούνται στη μηχανική μάθηση για να ρίξει φως στο πώς οι άνθρωποι επεξεργάζονται την αφηρημένη μάθηση.

«Καθώς στηριζόμαστε όλο και περισσότερο σε αυτά τα συστήματα, είναι σημαντικό να γνωρίζουμε πώς λειτουργούν και γιατί», ανέφερε ο Cameron Buckner, επίκουρος καθηγητής φιλοσοφίας και συγγραφέας μελέτης που εξερευνά το θέμα και που δημοσιεύθηκε στο περιοδικό Synthese. Η καλύτερη κατανόηση του πώς τα συστήματα λειτουργούν, με τη σειρά της, οδηγεί στην καλύτερη γνώση της φύσης της ανθρώπινης μάθησης. Οι φιλόσοφοι έχουν αντιπαρατεθεί επί της προέλευσης της ανθρώπινης γνώσης από τον καιρό του Πλάτωνα – είναι έμφυτη; βασίζεται στη λογική; ή η γνώση προέρχεται από την αισθητηριακή αντίληψη του κόσμου;

Τα Βαθιά Συνελικτικά Νευρωνικά Δίκτυα (Deep Convolutional Neural Networks ή DCNNs), λειτουργούν με την υπόθεση ότι η ανθρώπινη γνώση προκύπτει από την εμπειρία, μια σχολή σκέψης γνωστής ως εμπειρισμός, συμπέρανε ο Buckner. Τα νευρωνικά αυτά δίκτυα – πολυ-στρωματικά τεχνητά νευρωνικά δίκτυα, με κόμβους που αναπαράγουν το πώς οι νευρώνες επεξεργάζονται και μεταφέρουν την πληροφορία στον εγκέφαλο – δείχνουν πώς αποκτάται η αφηρημένη γνώση, κάνοντας τα δίκτυα ένα χρήσιμο εργαλείο για πεδία στα οποία περιλαμβάνονται η νευροεπιστήμη και η ψυχολογία. Στη μελέτη, ο Buckner σημειώνει ότι η επιτυχία αυτών των δικτύων σε σύνθετες εργασίες, που περιλαμβάνουν την αντίληψη και τη διάκριση, έχει κατά καιρούς υπερβεί την ικανότητα των επιστημόνων να καταλάβουν πώς λειτουργούν.

Ενώ ορισμένοι επιστήμονες που κατασκευάζουν συστήματα νευρωνικών δικτύων αναφέρθηκαν στη σκέψη του Βρετανού φιλοσόφου John Locke και άλλων σημαντικών θεωρητικών, η εστίασή τους γίνεται στα αποτελέσματα μάλλον παρά στην κατανόηση του πώς τα δίκτυα διασταυρώνονται με τις παραδοσιακές φιλοσοφικές περιγραφές της ανθρώπινης νόησης. Ο Buckner σχεδιάζει να πληρώσει αυτό το κενό, λαμβάνοντας υπόψη τη χρήση της ΤΝ για αφηρημένους συλλογισμούς, που εκτείνονται από τα παιχνίδια στρατηγικής μέχρι την οπτική αναγνώριση καρεκλών, έργων τέχνης και ζώων, εργασίες που είναι εκπληκτικά σύνθετες που λαμβάνουν υπόψη τις πολλές δυνητικές παραλλαγές στη πλεονεκτική θέση, το χρώμα, το στυλ και άλλες λεπτομέρειες.

Παραδείγματα υποδειγμάτων τριγώνων με αμοιβαία ασύμφωνα χαρακτηριστικά (εικόνα από τη μελέτη)

«Ερευνητές της μηχανικής μάθησης πρόσφατα έχουν σημειώσει ότι το τρίγωνο, η καρέκλα, η γάτα και άλλες κατηγορίες της καθημερινής ζωής είναι πολύ δύσκολο να αναγνωριστούν επειδή μπορεί να τα συναντήσει κάποιος σε μια ποικιλία διαφορετικών στάσεων ή προσανατολισμών που δεν είναι αμοιβαίως όμοιοι, με όρους αντιληπτικών ιδιοτήτων χαμηλού επιπέδου», έγραψε ο Buckner. «…μια καρέκλα που τη βλέπει κάποιος από μπροστά δεν φαίνεται πολύ όπως η ίδια καρέκλα όταν κάποιος τη βλέπει από πίσω ή από επάνω, πρέπει με κάποιο τρόπο να ενοποιήσουμε όλες αυτές τις διαφορετικές προοπτικές για να οικοδομήσουμε μια αξιόπιστη καρέκλα-στόχο».

Για να υπερβούν τις προκλήσεις, τα συστήματα πρέπει να ελέγξουν για τις αποκαλούμενες παρενοχλούσες παραλλαγές ή για το εύρος των διαφορών που συνήθως επηρεάζουν την ικανότητα ενός συστήματος να ταυτοποιεί αντικείμενα, ήχους και άλλα – όπως μέγεθος και θέση, για παράδειγμα, ή ύψος και τόνο. Η ικανότητα (ενός συστήματος) να εξηγεί και να αφομοιώνει αυτή τη διαφορετικότητα των δυνατοτήτων είναι ένα σήμα κατατεθέν των αφηρημένων συλλογισμών.

Τα DCNNs έδωσαν απάντηση επίσης και σε ένα άλλο επίμονο ερώτημα σχετικά με τους αφηρημένους συλλογισμούς, είπε ο Buckner. Οι εμπειριστές από τον Αριστοτέλη μέχρι τον Locke έχουν επικαλεστεί μια ικανότητα της αφαίρεσης για να ολοκληρώσουν τις ερμηνείες τους για το πώς λειτουργεί ο νους, όμως μέχρι τώρα, δεν είχαν μια καλή εξήγηση για το πώς λειτουργεί. «Για πρώτη φορά, τα DCNNs μας βοηθούν να κατανοήσουμε πώς λειτουργεί πραγματικά αυτή η ικανότητα», αναφέρει ο Buckner. Λιγότερο από μια δεκαετία πριν, είπε, οι επιστήμονες πίστευαν ότι οι βελτιώσεις στη μηχανική μάθηση θα σταματούσαν λίγο πριν από τη δυνατότητα να παραγάγουν αφηρημένη γνώση. Τώρα που οι μηχανές ανταγωνίζονται τους ανθρώπους σε παιχνίδια στρατηγικής, που ελέγχουν οχήματα χωρίς οδηγό σε όλο τον πλανήτη και αξιοποιήθηκαν στα συστήματα αναγνώρισης προσώπου από τα κινητά τηλέφωνα μέχρι τα αεροδρόμια, η εύρεση απαντήσεων έχει γίνει πιο επιτακτική.

«Τα συστήματα αυτά πέτυχαν εκεί που οι άλλοι απέτυχαν», αναφέρει ο Buckner, «επειδή μπορούν να αποκτήσουν το είδος της λεπτής, αφηρημένης, διαισθητικής γνώσης του κόσμου που αυτόματα προκύπτει στους ανθρώπους, αλλά που μέχρι τώρα έχει αποδειχθεί αδύνατη να προγραμματιστεί στους υπολογιστές».

Πηγή: University of Houston

Περισσότερα στη δημοσίευση: Empiricism without magic: transformational abstraction in deep convolutional neural networks. Synthese.