Làm cho trí tuệ nhân tạo nhìn nhận thế giới như một con người

Công trình này là một bước quan trọng hướng tới việc tạo ra các hệ thống trí tuệ nhân tạo nhìn nhận và hiểu thế giới như con người.

"Mô hình này có hiệu quả ở phân vị 75% so với những người Mỹ trưởng thành, như vậy là mô hình tốt hơn trí thông minh trung bình", nhà nghiên cứu Ken Forbus đại học Northwestern Engineering cho biết. "Những vấn đề gây khó khăn cho con người thì cũng gây khó khăn cho mô hình tính toán, cung cấp thêm bằng chứng rằng hoạt động của mô hình là thể hiện một số tính chất quan trọng của nhận thức con người."

Các mô hình tính toán mới được xây dựng trên hệ thống CogSketch, một nền tảng trí tuệ nhân tạo trước đây được phát triển trong phòng thí nghiệm Forbus '. Các nền tảng có khả năng giải quyết các vấn đề thị giác và hiểu bản phác thảo để cung cấp các phản hồi tương tác và nhanh chóng. CogSketch cũng kết hợp với một mô hình tính toán tương tự, dựa trên lý thuyết lập bản đồ cấu trúc của giáo sư tâm lý học Dedre Gentner đại học Northwestern (Gentner nhận giải David E. Rumelhart năm 2016 cho nghiên cứu của mình về lý thuyết này.)

Forbus, Walter P. Murphy Giáo sư về Kỹ thuật điện và Khoa học máy tính tại Trường Kỹ thuật McCormick đại học Northwestern, đã phát triển các mô hình cùng với nhà nghiên cứu Andrew Lovett, cựu nghiên cứu sinh sau tiến sĩ tâm lý học đại học Northwestern. Nghiên cứu của họ được công bố trực tuyến trong tháng này trên tạp chí Psychological Review.

Khả năng giải quyết các vấn đề thị giác phức tạp là một trong những điểm nổi bật của trí tuệ con người. Phát triển hệ thống trí tuệ nhân tạo có khả năng này không chỉ cung cấp những bằng chứng mới cho tầm quan trọng của các thể hiện mang tính biểu tượng và tính tương tự trong lý giải trực quan, mà còn có khả năng có thể thu hẹp khoảng cách giữa máy tính và nhận thức của con người.

Trong khi hệ thống Forbus và Lovett có thể được sử dụng để mô hình hóa các hiện tượng giải quyết vấn đề thị giác nói chung, các nhà nghiên cứu đặc biệt thử nghiệm hệ thống trên Ma trận Tiến bộ Raven, một bài kiểm tra được chuẩn hóa phi ngôn ngữ có thể đo lường khả năng lập luận trừu tượng. Tất cả các vấn đề của thử nghiệm bao gồm một ma trận với một hình ảnh bị thiếu. Các thành viên tham gia bài kiểm tra được đưa ra 6 đến 8 lựa chọn nào đó để hoàn thành tốt nhất các ma trận. Mô hình tính toán của Forbus và Lovett đã thực hiện bài kiểm tra tốt hơn so với mức độ người Mỹ trung bình.

"Cuộc thử nghiệm của Raven là yếu tố dự báo hiện tại tốt nhất những gì các nhà tâm lý học gọi là "khả năng thông minh có thể suy nghĩ trừu tượng, lý lẽ, xác định mô hình, giải quyết vấn đề, và phân biệt các mối quan hệ" theo Lovett, hiện tại là một nhà nghiên cứu tại Phòng thí nghiệm Viện nghiên cứu Hải quân Mỹ. "Kết quả của chúng tôi cho thấy rằng khả năng có thể linh hoạt sử dụng các đại diện quan hệ, so sánh và giải thích chúng, là quan trọng đối với trí tuệ thông minh nhân tạo."

Khả năng sử dụng và hiểu được các thể hiện quan hệ phức tạp là một chìa khóa đến nhận thức bậc cao. Các thể hiện quan hệ đã kết nối các thực thể và những ý tưởng như "đồng hồ đặt trên cánh cửa" hay "sự khác biệt áp lực làm cho nước chảy." Những loại so sánh này là rất quan trọng cho việc thực hiện và hiểu được suy luận tương tự, cách con người sử dụng để giải quyết vấn đề, cân nhắc tình huống khó xử về đạo đức, và mô tả thế giới xung quanh.

"Hầu hết các nghiên cứu trí thông minh nhân tạo ngày nay liên quan tầm nhìn tập trung vào sự nhận biết, hoặc đọc tên những gì có trong một cảnh hơn là lý luận về nó," Forbus nói. "Nhưng nhận biết chỉ hữu ích nếu nó hỗ trợ lập luận sau này. Nghiên cứu của chúng tôi cung cấp một bước tiến quan trọng trong việc hướng tới các lập luận thị giác rộng rãi hơn."

Nhã Khanh (Theo sciencedaily)