Is a machine realization of truly human-like intelligence achievable? - McClelland - 2009 - Artikel

Samenvatting bij het artikel: Is a machine realization of truly human-like intelligence achievable? - McClelland - 2009

Waarom zijn mensen slimmer dan machines? Vroeger was dit een relevante vraag. Er wordt al langere tijd onderzoek gedaan om te kijken of we menselijke cognitieve vermogens kunnen nabootsen. We zijn echter nog niet erg ver gekomen. Hoewel bijvoorbeeld Newell en Simon een wiskundig systeem in elkaar hebben gezet die over het algemeen beter is in het oplossen van formules dan een mens, kon de vloeiende, adaptieve intelligentie in 1980 nog niet worden geïmiteerd. De intelligentie waar hier op wordt gedoeld is het waarnemen van objecten in natuurlijke omgeving, de relaties hiertussen, het begrijpen van taal, het ophalen van relevante informatie en het uitvoeren van de geschikte acties. Omdat dit al een tijdje geleden is, is de relevante vraag nu: Is het nog steeds waar dat mensen slimmer zijn dan computers, en zo ja; waarom?

Er is zeker wel vooruitgang te zien sinds de jaren '80, bijvoorbeeld met een schaakprogramma (Deep Fritz). Dit programma heeft de wereldkampioen schaken verslagen. De vraag is echter of Deep Fritz nu het spel schaken heeft geleerd. Is het meer dan een slimme manier van programmeren en een machine op een efficiënte manier tabellen laten opzoeken?

Serre heeft een programma ontworpen, gebaseerd op een feed-forward neuraal netwerk. Het programma leert eerst een bepaald algoritme. Vervolgens is het programma in staat om een categorisatie-taak uit te voeren (beoordelen of iets wel of niet een dier is). De resultaten komen overeen met hoe een mens dit zou doen. Dit wordt een natuurlijke cognitieve taak genoemd (natural cognitive task). Dit soort vooruitgang is ook te zien in andere natuurlijke cognitieve taken, zoals het verwerken van taal, geheugen, plannen en het kiezen van acties.

Er zijn echter nog wel een aantal vraagtekens te zetten bij de vorderingen wat betreft de intelligentie van een machine. Volgens de auteur van het artikel wordt er door de meeste systemen die kunstmatige intelligentie claimen niet breed genoeg naar intelligentie gekeken. Wat mensen wel kunnen, maar een computer niet, is out-of-the-box denken en hierover redeneren. De conclusies die mensen kunnen trekken komen van allerlei verschillende kanten, en dit kunnen zelfs de beste kunstmatige intelligentie-systemen van het moment nog niet.

Waarom zijn mensen slimmer dan machines?

Het probleem met machines is dat ze niet in staat zijn om in open eindes te denken; ze zijn nog steeds afhankelijk van een menselijke programmering. De dingen die we missen zijn vloeiendheid, aanpassingsvermogen, creativiteit etc. Daarom kan je zeggen dat het “slimme” onderdeel van de machine nog steeds ligt aan de hand van de mens.  Waar ligt dit aan? Vergeleken met het neuronale netwerk van de mens, heeft een machine een week nodig om dezelfde informatie te verwerken waar een mens tien minuten over doet. Hiervoor is meer vermogen nodig van de computer, maar de vraag is of dat genoeg is. Er is op meerdere vlakken vooruitgang nodig, die hieronder worden besproken (gedeeltelijk gebaseerd op bekende niveaus van Marr).

Computational theory

Marr heeft een taxonomie gemaakt met 3 niveaus, zodat er makkelijk onderscheid gemaakt kan worden tussen aan de ene kant het doel en de kern van de theorieën over computers en aan de andere kant de algoritmes en de verwezenlijking ervan. Verder legt hij de nadruk op het niveau van de computer zelf. Er moet gekeken worden naar welke informatie in de stimulus zit.

Door verschillende onderzoeken wordt duidelijk gemaakt er nog weinig duidelijk is over de relatie tussen de stimuluskenmerken en wat de onderliggende waarheid is. Het is erg belangrijk om meer te weten te komen over deze cognitieve berekening (cognitive computation).

Het is best wel moeilijk om uit te zoeken hoe het computational probleem in elkaar zit. Het beste zou zijn als er een programma is wat de data kan gebruiken om achter de relatie tussen situatie en consequentie te komen. Maar hoe kan je het best uitleggen wat er geleerd moet worden in deze situatie? Er zijn twee benaderingen:

1. Het doel moet geïnterpreteerd worden als een gestructureerd statistisch model van de omgeving. Deze moet precies het beste format vinden om de data te laten zien.

2. Het doel moet geïnterpreteerd worden in termen van optimale verwachting, zodat het interne model rudimentair kan blijven (in plaats van expliciet, zoals bij punt 1.)

Deze twee manieren van kijken moeten beiden nog verder onderzocht worden: de eerste is te beperkend, terwijl de tweede te open is. Er moet gekeken worden naar hoe beperkingen de zoektocht tot de optimale oplossing kunnen leiden. Momenteel hebben we veel kennis over het gebruik van simpele oplossingen (flat solutions), maar dit geeft niet genoeg informatie. Er moet juist informatie komen over een representaties vanuit meerdere niveaus.

Algoritme en representatie

We moeten niet alleen begrijpen wat een stimulus een stimulus maakt en wat de beste strategie is om deze te gebruiken, maar ook hoe een computer mechanisme dit zo efficiënt mogelijk kan toepassen.

Momenteel wordt er gekeken naar de systematische opbouw (computational basis) van de kenmerken van hersenrepresentaties. Hierdoor kan in beeld worden gebracht hoe lagere-niveau representaties in het visuele en auditieve systeem natuurlijke oplossingen zijn, als reactie op de structuur van natuurlijke visuele en auditieve stimuli. Deze benadering kan worden gebruikt om hogere-niveau representaties te begrijpen.

Architectuur

Sommige architecturen zijn bedoeld om de cognitie van de mens in kaart te brengen, andere zijn er voor bedoeld om moderne kunstmatige cognitieve systemen te bouwen.

Er wordt in de literatuur nadruk gelegd op een combinatie tussen enerzijds expliciete symbolen en anderzijds impliciete sub-symbolen (waarbij er meer gelet wordt op de verbinding tussen elkaar). Een voorbeeld hier van is SAL (een combinatie van het ACT-R model en de LEABRA architectuur). Volgens de auteur zou de beste uitkomst een systeem zijn dat voornamelijk sub-symbolisch is, maar dat de cognitieve processen (die nu worden gezien als symbolisch) de output is van de berekeningen van de sub-symbolische processen.

Momenteel wordt de von Neumann computer gebruikt als de onderliggende computer architectuur. Hoewel er behoefte is aan een meer op hersenen lijkend systeem, ligt de von Neumann architectuur ten grondslag aan de meeste computerprogramma's van de menselijke cognitie.

Verzorging, cultuur en onderwijs

Het vierde en laatste onderdeel om cognitieve computation te snappen, is de rol van verzorging, cultuur en onderwijs in het structureren van de menselijke cognitieve capaciteiten. Het mentale vermogen van de mens wordt gevormd door ervaring, en ervaring wordt gevormd door cultuur en sociale- en overheidsinvloeden. Snappen hoe de cognitieve capaciteit ontstaat, zal ons ook meer informatie geven over hoe we kunstmatige intelligentie kunnen bereiken.