Koliko se umjetna inteligencija zapravo razlikuje od ljudi? Pokušate li razgovarati s nekim od popularnih AI alata, može vam se učiniti da je AI napravila veliki pomak i da je zapravo sličnija ljudima nego što bismo to mogli misiti. Pogotovo kad vam počne odgovarati na način koji zvuči prilično ljudski.
No, istraživanje koje je objavljeno u časopisu Transactions on Machine Learning Research, proučavalo je koliko dobro veliki jezični modeli (LLM) kao što je ChatGPT, Copilot ili Gemini, mogu parirati ljudima u rješavanju neki jednostavnih zadataka.
Pred ljude i AI postavili su jednak izazov - trebalo je dovršiti niz identificiranjem znamenke koja nedostaje. Ljudima takav zadatak nije predstavljao nikakav problem, no umjetna inteligencija je zapela.
Testirajući probleme analogije temeljene na pričama, studija je otkrila da su modeli AI bili osjetljivi na efekte redoslijeda odgovora. U prijevodu, modelima umjetne inteligencije nedostaje ona ključna komponenta učenja, kad učenik promatra uzorak koji nije bio prisutan tijekom učenja i daje odgovor na temelju zaključivanja i predviđanja.
Koautorica studije, asistentica profesora neurosimboličke umjetne inteligencije na Sveučilištu u Amsterdamu, Martha Lewis, istaknula je primjer u kojem umjetna inteligencija ne može izvoditi analogno zaključivanje tako dobro kao ljudi u problemima s nizovima slova.
Analogije niza slova imaju oblik 'ako abcd ide u abce, na što ide ijkl?' Većina ljudi će odgovoriti 'ijkm', a i umjetna inteligencija ima tendenciju dati takav odgovor, rekla je Lewis za Live Science. Problem je 'ako abbcd ide u abcd, na što ide ijkkl? Ljudi će težiti odgovoriti 'ijkl' – obrazac je uklanjanje ponovljenog elementa. Ali GPT-4 ima tendenciju krivo shvatiti probleme poput ovih.
U prijevodu, LLM-ovi su dobri prepoznavanju i povezivanju obrazaca, ali ne i u generaliziranju iz tih obrazaca.
Lewis naglašava kako se većina aplikacija koje koriste umjetnu inteligenciju oslanja, u određenoj mjeri, na volumen (što je više podataka o obuci dostupno, to se više uzoraka identificira). No, slaganje uzoraka i apstrakcija nisu isto.
Manje se radi o tome što je u podacima, a više o tome kako se podaci koriste, dodala je.
Upozorava da je, s obzirom na to kako se umjetna inteligencija sve češće koristi u različite svrhe, potrebno pažljivo procijeniti svaki sustav umjetne inteligencije, ne samo vezano uz točnost odgovora koje daje, već i vezano uz njegove kognitivne sposobnosti.
Izvor: Live Science
