神經科學家解釋了人工智能和人類學習之間的差異

最近開發的人工智能(AI)模型能夠實現許多令人印象深刻的壯舉，包括識別圖像和產生類人語言。但僅僅因為人工智能可以執行類似人類的行為并不意味著它可以像人類一樣思考或理解。

作為一名研究人類如何理解和推理世界的研究人員，我認為重要的是要強調人工智能系統“思考”和學習的方式與人類的行為方式有著根本的不同——在人工智能真正能夠像這樣思考之前，我們還有很長的路要走我們。

普遍的誤解

人工智能的發展已經產生了可以執行非常類似于人類行為的系統。語言模型GPT-3可以生成通常與人類語音無法區分的文本。另一個模型，PaLM，可以解釋它以前從未見過的笑話。

最近，一種被稱為Gato的通用AI已經開發出來，它可以執行數百種任務，包括為圖像添加字幕、回答問題、玩Atari視頻游戲，甚至控制機械臂堆疊積木。DALL-E是一個經過培訓的系統，可以根據文本描述生成修改后的圖像和藝術品。

這些突破導致了一些關于這種人工智能能力的大膽主張，以及它可以告訴我們關于人類智能的什么。

例如，谷歌人工智能公司DeepMind的研究員NandodeFreitas認為，擴大現有模型將足以產生人類水平的人工智能。其他人也贊同這一觀點。

在所有的興奮中，很容易假設類似人類的行為意味著類似人類的理解。但人工智能與人類的思考和學習方式之間存在幾個關鍵差異。

神經網絡與人腦

最近的AI是由人工神經網絡或簡稱為“神經網絡”構建的。使用“神經”一詞是因為這些網絡受到人類大腦的啟發，其中數十億稱為神經元的細胞形成了相互連接的復雜網絡，在它們來回發射信號時處理信息。

神經網絡是生物學的高度簡化版本。一個真正的神經元被一個簡單的節點代替，節點之間的連接強度由一個稱為“權重”的數字表示。

通過將足夠多的連接節點堆疊到足夠多的層中，神經網絡可以被訓練來識別模式，甚至可以“概括”到與他們以前看到的相似(但不相同)的刺激。簡單地說，泛化是指人工智能系統從特定數據中獲取知識并將其應用于新數據的能力。

能夠識別特征、識別模式并從結果中進行概括是神經網絡成功的核心——并模仿人類用于此類任務的技術。然而，也有重要的區別。

神經網絡通常通過“監督學習”進行訓練。因此，他們會看到許多輸入和所需輸出的示例，然后逐漸調整連接權重，直到網絡“學習”以產生所需的輸出。

為了學習語言任務，神經網絡可能會一次一個單詞地呈現一個句子，然后慢慢地學習預測序列中的下一個單詞。

這與人類通常的學習方式非常不同。大多數人類學習是“無監督的”，這意味著我們沒有被明確告知對于給定刺激的“正確”反應是什么。我們必須自己解決這個問題。

例如，孩子們沒有得到關于如何說話的指導，而是通過接觸成人演講、模仿和反饋的復雜過程來學習這一點。

另一個區別是用于訓練人工智能的數據規模龐大。GPT-3模型訓練了4000億字，大部分來自互聯網。以每分鐘150個單詞的速度，人類需要將近4000年才能閱讀這么多文本。

這樣的計算表明人類不可能像人工智能一樣學習。我們必須更有效地利用更少量的數據。

神經網絡可以以我們無法學習的方式學習

一個更根本的區別在于神經網絡的學習方式。為了使刺激與期望的響應相匹配，神經網絡使用一種稱為“反向傳播”的算法將錯誤向后傳遞到網絡中，從而以正確的方式調整權重。

然而，神經科學家普遍認為，反向傳播無法在大腦中實現，因為它需要的外部信號根本不存在。

一些研究人員提出大腦可以使用反向傳播的變體，但到目前為止，還沒有證據表明人類大腦可以使用這種學習方法。

相反，人類通過構建結構化的心理概念來學習，其中許多不同的屬性和關聯聯系在一起。例如，我們對“香蕉”的概念包括它的形狀、黃色、它是水果的知識、如何握住它等等。

據我們所知，人工智能系統不會形成這樣的概念性知識。他們完全依賴于從訓練數據中提取復雜的統計關聯，然后將這些關聯應用到類似的環境中。

正在努力構建結合不同類型輸入(如圖像和文本)的人工智能——但這是否足以讓這些模型學習人類用來理解世界的相同類型的豐富心理表征還有待觀察。

關于人類如何學習、理解和推理，我們還有很多不知道的地方。然而，我們所知道的表明人類執行這些任務的方式與人工智能系統非常不同。

因此，許多研究人員認為，在我們能夠制造出真正像人類一樣思考和學習的機器之前，我們需要新的方法，以及對人類大腦如何工作的更基本的了解。