Odkrywanie granic sztucznej inteligencji: Fascynująca podróż w głąb umysłu
Badania nad sztuczną inteligencją (AI) to nieustanne dążenie do stworzenia systemów myślących i działających jak ludzie. Głównym celem jest opracowanie ogólnej AI (AGI), zdolnej do wykonywania szerokiego zakresu zadań. Mimo to, zdefiniowanie AGI jest trudne, gdyż nie ma konsensusu co do pojęcia „inteligencji”. Wielu sceptyków uważa, że AI nigdy nie osiągnie prawdziwej ogólnej inteligencji.
Profesor Tony Prescott i dr Stuart Wilson z Uniwersytetu w Sheffield twierdzą, że modele językowe, takie jak ChatGPT, są ograniczone, ponieważ brakuje im percepcji sensorycznej. Yann LeCun z Meta dodaje, że inteligencja kota przewyższa dzisiejsze systemy AI. „Kot może pamiętać, rozumieć świat fizyczny i planować złożone działania, co sugeruje, że brakuje nam czegoś fundamentalnego, aby AI dorównało zwierzętom i ludziom” – powiedział LeCun.
Choć te umiejętności mogą nie być konieczne do osiągnięcia AGI, przeniesienie złożonych systemów AI z laboratorium do rzeczywistego świata wymaga zachowań podobnych do naturalnych organizmów. Jednym z podejść jest analiza elementów poznawczych i opracowanie sposobów na ich naśladowanie przez AI. Strach, jako ewolucyjny mechanizm, jest kluczowy w utrzymaniu bezpieczeństwa organizmów. Amygdala w mózgu ludzi i zwierząt napędza odpowiedź strachu, która przygotowuje ciało do szybkiej reakcji obronnej.
Naśladowanie mechanizmu strachu może sprawić, że AI stanie się bardziej wytrzymałe i elastyczne, co jest szczególnie istotne dla autonomicznych systemów. Samochody autonomiczne, mimo postępów, nadal pozostają w tyle pod względem bezpieczeństwa. Wprowadzenie elementów strachu może poprawić ich zdolność do radzenia sobie z nieznanymi scenariuszami.
Badania nad muszką owocową wykazały, że nawet najprostsze stworzenia mają podstawowe mechanizmy strachu, które mogą być przydatne dla AI. W eksperymencie przeprowadzonym przez Caltech, muszki reagowały na cień naśladujący drapieżnika, co sugeruje, że podstawowe elementy emocji są obecne nawet u owadów. Jeśli uda się zrozumieć te mechanizmy, można je zastosować w AI, by stworzyć bardziej adaptacyjne i bezpieczne systemy.
Jedno z badań przeprowadzone przez Chen Lva z Nanyang Technological University opracowało ramy strachu neuro-inspirowanego uczenia ze wzmocnieniem (FNI-RL) w celu poprawy wydajności samochodów autonomicznych. Integracja takich mechanizmów może sprawić, że AI będzie lepiej przygotowana do radzenia sobie z realnymi wyzwaniami i zagrożeniami, co jest kluczowe dla szerokiego wdrożenia autonomicznych pojazdów.