Mennesker lærer meget anderledes end maskiner takket være vores partiske, formbare hukommelse – og det er en god ting, siger Charan Ranganathdirektør for Dynamic Memory Lab ved University of California, Davis
Kunstig intelligens har mennesker slået – i det mindste når det kommer til spil som skak og Go, identificering af 3D -strukturen af proteiner, generering af investeringsstrategier … listen fortsætter og fortsætter. Nogle hævder, at modeller som Chatgpt allerede er på tærsklen for menneskelig intelligens. Openai Head Sam Altman kastede endda sit ufødte barn under bussen og hævdede, at ”mit barn aldrig bliver voksen op til at være smartere end AI”.
Funktionerne i moderne AI er bestemt imponerende, men jeg er dybt skeptiske over for sammenligninger mellem mennesker og maskiner. AI (i øjeblikket og i en overskuelig fremtid) er ikke så smart, eller i det mindste er det ikke på den måde, som mennesker er – og det er en god ting.
Læring er kernen i intelligent opførsel, og mennesker lærer anderledes på maskiner. AI -modeller lærer trinvist og pløjer gennem en enorm mængde træningsdata. Den magt, der kræves for at gøre det, kan nedtage et helt elnet. I modsætning hertil er effektkravene i den menneskelige hjerne sammenlignelige med en glødepære, delvis fordi de er designet til at lære med meget lidt data. En AI behandler muligvis hver pixel af et billede, mens mennesker udtrækker information fra et par blikke for at konstruere visuelle minder.
På trods af deres økonomi er menneskelige hjerner bemærkelsesværdigt fleksible sammenlignet med den sprøde natur af moderne AI. Når banebrydende modeller får en fortsat strøm af nye oplysninger, der afviger fra det, der tidligere var blevet lært, kan det resultere i, at “katastrofalt glemmer”, som for maskinlæring er så dårlig, som det lyder. For at komme rundt på problemet er det nødvendigt at slukke for læring i en fuldt uddannet model, før den frigiver den i naturen.
I modsætning hertil lærer mennesker kontinuerligt gennem deres levetid uden frygt for katastrofal glemme, fordi de kombinerer semantisk hukommelse, der gradvist afspejler viden om verden og episodisk hukommelse, der afspejler minder om specifikke begivenheder. Et barn kunne stole på semantisk hukommelse for at lære, at fugle generelt har fjer, næb og vinger, som de bruger til at flyve. Når de ser, at en pingvin, der har lignende funktioner, ikke kan flyve, men svømmer, giver episodisk hukommelse dem mulighed for hurtigt at lære denne undtagelse uden at glemme de typiske træk ved fugle.
Jeg er sikker på, at den næste generation af AI vil inkorporere en slags episodisk-lignende hukommelse, men jeg formoder, at ingeniører ikke vil have lyst til fuldt ud at efterligne den menneskelige hukommelse. Som jeg beskriver i min bog, Hvorfor husker vi detvores minder kan være overraskende fragmenterede, partiske og formbare. Den selektive og til tider unøjagtige karakter af den menneskelige hukommelse gør os dårligt egnede til veldefinerede opgaver som skak, men det gør det muligt for os at fleksibelt navigere i en usikker og hurtigt skiftende verden. Mennesker mangler det omfattende organ af viden, der er inkorporeret i modeller som ChatGpt, men vi kan se på vores episodiske minder fra vores levede oplevelser for at generere unikke innovationer og fantasiværker.
Sammenligninger mellem menneskelig og kunstig intelligens er vildledt, fordi de afspejler forskellige designbegrænsninger. Menneskelige hjerner, der er bygget til overlevelse og reproduktion i den fysiske verden, presser så meget information som muligt fra meget lidt data og energi, mens de bedste AI-applikationer kan opdage nåle i massive datahøstakker, der ville overvælde vores ressource-frugale hjerner.
I stedet for at forsøge at overgå menneskelig intelligens, er vi bedre tjent med maskiner, der supplerer vores egne idiosynkrasier. Og måske burde Sam Altman være mere optimistisk med hensyn til skæbnen for hans afkom.
Charan Ranganath er forfatter til bogen Hvorfor husker vi: afslører den skjulte magt i hukommelsen