Man mano che l'intelligenza artificiale diventa più sofisticata, gran parte dell'attenzione del pubblico si è concentrata su come queste tecnologie possono competere con successo contro gli umani a scacchi e altri giochi di strategia. Un filosofo dell'Università di Houston ha adottato un approccio diverso, decostruire le complesse reti neurali utilizzate nell'apprendimento automatico per far luce su come gli esseri umani elaborano l'apprendimento astratto.

"Poiché ci affidiamo sempre di più a questi sistemi, è importante sapere come funzionano e perché, "ha detto Cameron Buckner, assistente professore di filosofia e autore di un articolo sull'argomento pubblicato sulla rivista sintetizzare . Comprendere meglio come funzionano i sistemi, a sua volta, lo ha portato a intuizioni sulla natura dell'apprendimento umano.

I filosofi hanno discusso sulle origini della conoscenza umana fin dai tempi di Platone:è innata, basato sulla logica, o la conoscenza viene dall'esperienza sensoriale nel mondo?

Reti neurali convoluzionali profonde, o DCNN, suggeriscono che la conoscenza umana deriva dall'esperienza, una scuola di pensiero nota come empirismo, Concluse Buckner. Queste reti neurali, reti neurali artificiali multistrato, con nodi che replicano il modo in cui i neuroni elaborano e trasmettono le informazioni nel cervello, dimostrano come viene acquisita la conoscenza astratta, Egli ha detto, rendere le reti uno strumento utile per campi come le neuroscienze e la psicologia.

Nella carta, Buckner osserva che il successo di queste reti in compiti complessi che coinvolgono la percezione e la discriminazione ha a volte superato la capacità degli scienziati di capire come funzionano.

Mentre alcuni scienziati che costruiscono sistemi di reti neurali hanno fatto riferimento al pensiero del filosofo britannico John Locke e di altri teorici influenti, la loro attenzione si è concentrata sui risultati piuttosto che sulla comprensione di come le reti si intersecano con i tradizionali resoconti filosofici della cognizione umana. Buckner ha deciso di riempire quel vuoto, considerando l'uso dell'IA per il ragionamento astratto, che vanno dai giochi di strategia al riconoscimento visivo delle sedie, opere d'arte e animali, compiti che sono sorprendentemente complessi considerando le molte potenziali variazioni nel punto di vista, colore, stile e altri dettagli.

"I ricercatori della visione del computer e dell'apprendimento automatico hanno recentemente notato che il triangolo, sedia, gatto, e altre categorie quotidiane sono così difficili da riconoscere perché possono essere incontrate in una varietà di pose o orientamenti diversi che non sono reciprocamente simili in termini di proprietà percettive di basso livello, "Buckner ha scritto. "... una sedia vista di fronte non assomiglia molto alla stessa sedia vista da dietro o dall'alto; dobbiamo in qualche modo unificare tutte queste diverse prospettive per costruire un affidabile rilevatore di sedie".

Per vincere le sfide, i sistemi devono controllare la cosiddetta variazione di disturbo, o la gamma di differenze che comunemente influenzano la capacità di un sistema di identificare gli oggetti, suoni e altri compiti:dimensione e posizione, Per esempio, o tono e tono. La capacità di spiegare e digerire quella diversità di possibilità è un segno distintivo del ragionamento astratto.

I DCNN hanno anche risposto a un'altra domanda persistente sul ragionamento astratto, ha detto Buckner. Gli empiristi da Aristotele a Locke si sono appellati a una facoltà di astrazione per completare le loro spiegazioni su come funziona la mente, ma fino ad ora, non c'è stata una buona spiegazione per come funziona. "Per la prima volta, I DCNN ci aiutano a capire come funziona effettivamente questa facoltà, " ha detto Buckner.

Ha iniziato la sua carriera accademica in informatica, studiare approcci basati sulla logica all'intelligenza artificiale. Le forti differenze tra l'intelligenza artificiale iniziale e i modi in cui animali e umani risolvono effettivamente i problemi hanno spinto il suo passaggio alla filosofia.

Meno di un decennio fa, Egli ha detto, gli scienziati ritenevano che i progressi nell'apprendimento automatico si sarebbero fermati prima della capacità di produrre conoscenza astratta. Ora che le macchine stanno battendo gli umani nei giochi strategici, le auto senza conducente vengono testate in tutto il mondo e i sistemi di riconoscimento facciale vengono implementati ovunque, dai telefoni cellulari agli aeroporti, trovare risposte è diventato più urgente.

"Questi sistemi riescono dove altri hanno fallito, " Egli ha detto, "perché possono acquisire il tipo di sottile, astratto, conoscenza intuitiva del mondo che arriva automaticamente agli umani ma che fino ad ora si è dimostrata impossibile da programmare nei computer."