Hieronder deelt Tom Griffiths vijf belangrijke inzichten uit zijn nieuwe boek: De wetten van het denken: de zoektocht naar een wiskundige Theory of Mind.
Griffiths is hoogleraar psychologie en computerwetenschappen aan de Princeton University en directeur van het Princeton Laboratory for Artificial Intelligence.
Wat is het grote idee?
Hoe kunnen we iets bestuderen dat we niet kunnen zien of aanraken? Wiskunde stelt ons in staat rigoureuze theorieën te ontwikkelen over hoe de geest werkt. Het laat ons ook deze theorieën gebruiken om te bouwen kunstmatige intelligentie systemen. Net zoals natuurkundigen natuurwetten proberen te identificeren, hopen cognitieve wetenschappers de wetten van het denken te ontdekken.
1. De geschiedenis van AI gaat honderden jaren terug.
Voor veel mensen lijkt AI uit het niets te zijn gekomen. Eind 2022 werd het ineens voor iedereen mogelijk om een gesprek te voeren met chatbots die uit meer kennis konden putten dan welk mens dan ook. Als je wat dieper graaft, zul je misschien ontdekken dat de aanpak achter deze chatbots – het bouwen van steeds grotere kunstmatige neurale netwerken – zijn eerste dramatische demonstratie kreeg in 2012, toen het werd gebruikt om aanzienlijk te verbeteren hoe goed computers afbeeldingen identificeren. Maar het verhaal gaat veel verder terug dan dat.
Toen verlichtingsdenkers als René Descartes en Gottfried Wilhelm Leibniz voor het eerst wiskunde begonnen te gebruiken om de fysieke wereld om ons heen effectief te beschrijven, suggereerden ze ook dat eenzelfde soort benadering zou kunnen worden gebruikt om de mentale wereld in ons te beschrijven. Deze vroege inspanningen leidden tot de ontwikkeling van wiskundige logica en digitale computers, wat op zijn beurt leidde tot de creatie van cognitieve wetenschap door psychologen die wiskundige ideeën gebruikten om met nieuwe theorieën over de geest te komen. Moderne kunstmatige intelligentie komt voort uit deze traditie: belangrijke vorderingen in de ontwikkeling van kunstmatige neurale netwerken kwamen van psychologen die probeerden te begrijpen hoe de menselijke geest werkt.
2. Geen enkel stukje wiskunde beschrijft de geest.
Cognitieve wetenschappers begonnen wiskundige logica te gebruiken om gedachten te beschrijven, maar na een paar decennia beseften ze dat dit niet zou werken. Concepten hebben vage randen die de logica gewoon niet kan vatten. Kunstmatige neurale netwerken werden parallel ontwikkeld en werden veel krachtiger nadat een groep psychologen liet zien hoe ze gebruikt konden worden om complexere relaties te leren dan iemand voor mogelijk had gehouden.
Het blijven opschalen van deze neurale netwerken leidt ons naar moderne kunstmatige intelligentie. Maar om te begrijpen hoe neurale netwerken leren – en hoe je systemen kunt creëren die meer als mensen leren – vereist een andere aanpak, een aanpak die gebruik maakt van ideeën uit de waarschijnlijkheidstheorie. Deze drie wiskundige tradities zijn met elkaar verweven om ons een completer beeld te geven van hoe de geest werkt.
3. Cruciale ontdekkingen komen voort uit het nastreven van impopulaire ideeën.
De eerste neurale netwerken die konden leren, werden gebouwd door een computerwetenschapper die het project verliet nadat hij had besloten dat ze, om iets interessants te kunnen leren, veel groter moesten zijn dan hij praktisch achtte. Maar een psycholoog ontdekte hoe hij ze beter kon laten leren, wat veel opwinding veroorzaakte over het potentieel van die aanpak. Dezelfde computerwetenschapper toonde echter aan dat zelfs deze neurale netwerken fundamentele beperkingen hadden en dat ze in populariteit afnamen.
Tien jaar later raakten sommige psychologen geïnteresseerd in neurale netwerken als hulpmiddelen voor het begrijpen van menselijke cognitie, losten ze het probleem op hoe ze complexere relaties konden leren, en werden neurale netwerken weer populair. Daarna raakten onderzoekers op het gebied van machine learning geïnteresseerd in de statistische basis van leren, en neurale netwerken namen in populariteit af. Al snel maakten krachtigere computers en grotere datasets het mogelijk om neurale netwerken te gebruiken om nog uitdagendere problemen op te lossen, wat ons naar vandaag bracht.
Dit heen en weer gaan tussen disciplines – waarbij een impopulair idee in de ene discipline wordt opgepikt en verbeterd door onderzoekers in een andere discipline – is een mooie illustratie van hoe een interdisciplinair vakgebied als de cognitieve wetenschap een enorme impact kan hebben.
4. We zijn dichter dan ooit bij het begrijpen van de menselijke geest.
Ik vertelde mijn studenten altijd dat cognitieve wetenschappers grote vooruitgang hebben geboekt bij het uitzoeken hoe ze vragen over de geest kunnen stellen, maar dat we nog lang geen antwoorden hebben. Maar nu begint de vooruitgang op het gebied van kunstmatige intelligentie van de afgelopen tien jaar antwoorden te suggereren op enkele van onze diepste vragen over menselijke intelligentie.
Wiskundige raamwerken zoals logica en waarschijnlijkheidstheorie zijn van fundamenteel belang voor het beschrijven van de aard van denken en leren, maar de abstracte regels en gevolgtrekkingen die ze identificeren moeten in echte menselijke hersenen worden geïmplementeerd. Kunstmatige neurale netwerken geven ons belangrijke tips over hoe het zou kunnen werken. Door deze stukken samen te voegen, komen we opmerkelijk dicht bij de vervulling van de visie die Descartes en Leibniz eeuwen geleden hadden over het hebben van een wiskundig raamwerk voor het beschrijven van gedachten.
5. Er zijn nog steeds grote verschillen tussen de menselijke geest en AI.
Ondanks al deze vooruitgang vertoont de moderne kunstmatige intelligentie nog steeds enkele belangrijke hiaten. Een van de grootste overwegingen bij het leren. Als je alle tekst zou voorlezen die wordt gebruikt om de chatbots van vandaag te trainen, zou het tienduizenden jaren duren. Daarentegen leert een mensenkind in minder dan tien jaar vloeiend zijn moedertaal te spreken. Dit betekent dat er iets in de menselijke hersenen zit dat anders is dan wat er in onze AI-algoritmen zit. Uitzoeken wat dat zou kunnen zijn, is een probleem dat we in mijn laboratorium bestuderen en een zorg van veel cognitieve wetenschappers.
Er zijn ook interessante vragen over wat kunstmatige neurale netwerken precies leren en of ze de wereld op dezelfde manier vertegenwoordigen als wij. In sommige gevallen kan dat zo zijn, maar in andere kunnen we laten zien dat ze heel verschillend zijn. Uitzoeken wat AI-systemen weten en wanneer ze waarschijnlijk zullen slagen of falen in een taak is een geweldige kans om de methoden te gebruiken die cognitieve wetenschappers hebben aangescherpt door mensen te bestuderen. Lange tijd hebben we maar één soort gehad die dit soort intelligent gedrag vertoonde, dus het hebben van een andere soort om te bestuderen opent de deur om niet alleen meer over AI te begrijpen, maar ook om meer over onszelf te begrijpen.
Geniet van onze volledige bibliotheek met Book Bites – gelezen door de auteurs! – i Volgende Big Idea-app.
Dit artikel verscheen oorspronkelijk in Volgende grote ideeënclub tijdschrift en herdrukt met toestemming.
