Odkrywanie tajemnic umysłu przy pomocy sztucznej inteligencji
Tworzone przez nasze mózgi modele myślowe to reprezentacje poznawcze budowane w celu przewidywania i interpretowania świata zewnętrznego. Są one wykorzystywane do przewidywania konsekwencji naszych działań, poznawania środowiska i kierowania procesami decyzyjnymi. Modele te są stale aktualizowane i udoskonalane w oparciu o nowe dane sensoryczne i informacje zwrotne ze środowiska, a także wcześniejsze doświadczenia i zdobytą wiedzę. Na przykład, gdy dana osoba sięga po przedmiot, jej mózg wykorzystuje model wewnętrzny do generowania przewidywań dotyczących oczekiwanego sensorycznego sprzężenia zwrotnego wynikającego z tego działania, zależnego od wagi obiektu, jego tekstury oraz siły chwytu. Kiedy faktycznie następuje chwyt, mózg porównuje rzeczywiste sensoryczne informacje zwrotne z przewidywaniami generowanymi przez model wewnętrzny i aktualizuje model na potrzeby przyszłych działań.
Zrozumienie wewnętrznych reprezentacji mózgu
Finansowany przez Europejską Radę ds. Badań Naukowych projekt COGTOM koncentrował się na odkrywaniu tajników bogatych wewnętrznych reprezentacji powstających w mózgu człowieka, które leżą u podstaw jego adaptacyjnego zachowania. „Zakłada się, że wewnętrzne reprezentacje są integralną częścią tego, jak działają nasze umysły, ale nie można ich bezpośrednio zaobserwować, co stanowi poważne wyzwanie dla kognitywistyki”, wyjaśnia badacz Máté Lengyel. Choć łatwo to zaobserwować w warunkach eksperymentalnych, zachowanie zależy od wewnętrznych reprezentacji umysłu, a powiązania są często złożone i niebezpośrednie. Celem projektu COGTOM było dokładniejsze zrozumienie tego, w jaki sposób umysł konstruuje wewnętrzne modele percepcji, podejmowania decyzji, kontrolowania ruchów i interakcji z innymi ludźmi.
Modelowanie zdolności poznawczych mózgu
Zespół projektu wykorzystał uczenie maszynowe, jedno z głównych narzędzi SI, które opiera się na algorytmach umożliwiających uczenie się na podstawie doświadczeń i wniosków wyciąganych na podstawie danych. Zaawansowane narzędzia uczenia maszynowego mogą być stosowane do analizy dużych zbiorów danych gromadzonych rutynowo w ramach bieżących eksperymentów z zakresu neuronauki i kognitywistyki. Ponadto dzięki wykorzystaniu uczenia maszynowego powstały ramy teoretyczne matematycznego ujęcia procesu nauki i podejmowania decyzji przez ludzi na podstawie doświadczeń. Z kolei w celu wyjaśnienia, w jaki sposób mózg przetwarza i uwzględnia informacje sensoryczne na potrzeby podejmowania optymalnych decyzji, w ramach projektu przetestowano modele bayesowskie pod kątem ich zastosowania do analizy ludzkich danych behawioralnych. Modele bayesowskie zakładają, że mózg łączy wcześniejszą wiedzę lub oczekiwania z napływającymi danymi sensorycznymi. Następnie, wykorzystując serię obserwacji behawioralnych, badacze projektu zrekonstruowali szczegółowy model wewnętrzny związany ze zmianami doskonałych zdolności poznawczych ludzi w czasie. Naukowcy zastosowali to podejście do analizy różnych zestawów danych eksperymentalnych związanych z uczeniem się na podstawie postrzegania, a także uczeniem się struktur wizualnych i motorycznych. Przeprowadzili również dogłębne analizy ruchów gałek ocznych, uznając ich kluczową rolę w zwiększaniu precyzji i głębi, z jaką modele wewnętrzne mogą być wyprowadzane z danych behawioralnych. Badacze poznali również proces, w ramach którego ludzie dzielą swój ciągły strumień doświadczeń na odrębne konteksty. Segmentacja ta w znacznym stopniu wpływa na sposób, w jaki jednostki tworzą, aktualizują i wyrażają wspomnienia zależne od kontekstu. Odkrycia dokonane w ramach projektu COGTOM związane z wyjątkową zdolnością ludzi do ciągłego uczenia się i integrowania nowych informacji mogą również pomóc w pokonaniu obecnych barier w rozwijaniu sztucznej inteligencji.
Wartość dodana SI w badaniach
„Znaczenie sztucznej inteligencji (uczenia maszynowego) w moich badaniach wykracza daleko poza zwykłą wartość dodaną; SI odgrywa w nich nieodzowną rolę. Bez technik i ram teoretycznych, jakie zapewnia uczenie maszynowe, badania prowadzone w ramach projektu COGTOM nie byłyby w ogóle możliwe”, podkreśla Lengyel. „Ogólnie rzecz biorąc, matematyka oferuje najskuteczniejsze środki do badania i obalania teorii naukowych oraz do zapewnienia spójności pojęciowej. Jeśli chodzi w szczególności o zagadnienia związane z poznaniem i percepcją, uczenie maszynowe zapewnia odpowiedni język matematyczny do włączenia podstawowych pojęć i ram. Co więcej, techniki uczenia maszynowego są również wymagane do rygorystycznego porównywania przewidywań tych teorii z danymi”.
Słowa kluczowe
COGTOM, mózg, SI, sztuczna inteligencja, wewnętrzne reprezentacje, zdolności poznawcze, modele bayesowskie, mózgowe modele wewnętrzne, uczenie maszynowe, neuronauka, informacje sensoryczne
