Wewnętrzny self-talk sztucznej inteligencji rozwija jej wiedzę

Wewnętrzny self-talk sztucznej inteligencji zwiększa zdolność modeli do uczenia się, adaptacji i wielozadaniowości, przybliżając je do ludzkich procesów poznawczych.

Przez lata wewnętrzny dialog był uznawany za cechę niemal wyłącznie ludzką, pomagającą porządkować myśli, podejmować decyzje i regulować emocje. Najnowsze badania pokazują jednak, że podobny mechanizm może znacząco poprawić działanie sztucznej inteligencji.

Naukowcy z Okinawa Institute of Science and Technology (OIST) wykazali, że modele AI wyposażone w mechanizm wewnętrznego głosu oraz posiadające pamięć roboczą tymczasową, uczą się szybciej i skuteczniej generalizują wiedzę. Wyniki, opublikowane w czasopiśmie Neural Computation sugerują, że sposób trenowania modeli, a nie tylko ich architektura odgrywa kluczową rolę w rozwoju zdolności poznawczych AI.

Badacze skupili się na problemie, który od lat ogranicza praktyczne zastosowania sztucznej inteligencji jak trudności w adaptacji do nowych zadań. Ludzie potrafią niemal natychmiast przełączać się między różnymi czynnościami, podczas gdy modele AI zwykle wymagają ogromnych zbiorów danych i długiego treningu. Zespół OIST zaprojektował więc architekturę opartą na pamięci roboczej, przypominającej krótkotrwałą pamięć człowieka. Modele wyposażone w wiele „slotów” pamięci lepiej radziły sobie z zadaniami sekwencyjnymi, takimi jak odwracanie kolejności wzorców czy ich ponowne odtwarzanie, co jest klasycznym testem zdolności generalizacji.

Przełom nastąpił w momencie dodania mechanizmu wewnętrznej rozmowy, określanego przez badaczy jako „mamrotanie”. Polega on na tym, że model wykonuje serię wewnętrznych kroków myślowych, zanim udzieli odpowiedzi. W testach tego rodzaju podejście znacząco poprawiło wyniki, szczególnie w scenariuszach wielozadaniowych i wieloetapowych. Co istotne, system osiągał lepsze rezultaty nawet przy ograniczonej ilości danych treningowych. Według autorów oznacza to realną alternatywę dla kosztownych, energochłonnych modeli trenowanych na gigantycznych zbiorach danych, co ma znaczenie zarówno ekonomiczne, jak i środowiskowe.

Znaczenie tych badań wykracza poza teorię uczenia maszynowego. Mechanizm wewnętrznej mowy może znaleźć zastosowanie w robotyce, zwłaszcza w robotach domowych, rolniczych czy przemysłowych, które muszą działać w zmiennych i nieprzewidywalnych warunkach. Naukowcy podkreślają, że kolejnym krokiem będzie testowanie modeli w „chaotycznych” środowiskach, bliższych rzeczywistości. Jednocześnie badania nad self-talk sztucznej inteligencji dostarczają nowych informacji o ludzkim mózgu i procesach poznawczych, pokazując, że granica między uczeniem biologicznym, a sztucznym coraz bardziej się zaciera. Jeśli te wnioski znajdą praktyczne zastosowanie, mogą znacząco przyspieszyć rozwój bardziej elastycznej, adaptacyjnej i „myślącej” sztucznej inteligencji.

Szymon Ślubowski