Süni İntellektin Düşünmə Xərci: MIT Tədqiqatçıları İnsan Beyni ilə Bənzərliyi Aşkarladı

ÇatGPT (ChatGPT) kimi böyük dil modelləri (BDM-lər) esseləri və ya menyu planlarını demək olar ki, dərhal yaza bilirlər. Lakin bu yaxınlara qədər mürəkkəb məntiq tələb edən və ya riyazi tapşırıqlar onların zəif nöqtəsi idi. Əsasən dil qəliblərinə güvənən bu modellər, kompleks düşünmə tələb edən yerlərdə tez-tez ilişirdilər. İndi isə vəziyyət xeyli dəyişib. MIT-dəki McGovern Beyin Tədqiqatları İnstitutunun alimləri yeni nəsil məntiq modellərinin mürəkkəb problemləri həll etməyə öyrədildiyini aşkar ediblər. Bu modellər, eynilə insanlar kimi, belə problemlərin üzərində düşünmək üçün müəyyən bir vaxta ehtiyac duyurlar.

Ən diqqətəlayiq tapıntı budur: məntiq modellərinin ən çox emal tələb edən məsələlər, insanların da həll etməyə ən çox vaxt sərf etdiyi məsələlərlə eynidir. Başqa sözlə, bu modellər üçün "düşünmə xərci" insanın düşünmə xərci ilə oxşarlıq təşkil edir. Tədqiqatçılar bu nəticəni bu gün "PNAS" jurnalında dərc edilmiş məqalədə bildirirlər. Professor Evelina Fedorenkonun rəhbərlik etdiyi qrup, ən azı bir mühüm cəhətdən məntiq modellərinin düşüncəyə insanabənzər bir yanaşmaya sahib olduğu qənaətinə gəlib. Fedorenko qeyd edir ki, bu bənzərlik təsadüf nəticəsində yaranıb, çünki modelləri yaradanlar onların insan kimi düşünməsinə önəm vermirlər; onların məqsədi sadəcə hər cür şəraitdə düzgün cavab verən bir sistem qurmaqdır. "Yanaşmaların bu şəkildə üst-üstə düşməsi həqiqətən təəccüblüdür," deyə alim bildirib.

Yeni məntiq modelləri, digər süni intellekt formaları kimi, məlumat və həll ediləcək problem verildikdə məlumatları necə emal etməyi öyrənən süni neyron şəbəkələrdir. Əvvəllər bəzi alimlər bu modellərin insan zəkasının daha inkişaf etmiş tərəflərini qəbul etməyə hazır olmadığını iddia edirdilər. Lakin Fedorenko, bu yeni məntiqi emal modelləri ortaya çıxdıqdan sonra vəziyyətin dəyişdiyini deyir. Məntiq modelləri problemləri addım-addım həll edir. Tədqiqatçı Andrea Qreqor de Varda izah edir ki, modellərə mürəkkəb problemləri hissələrə bölməyə imkan verildikdə onların performansı xeyli güclənir. Bu addım-addım işləməyə nail olmaq üçün mühəndislər gücləndirmə öyrənməsindən istifadə edirlər; yəni modellər doğru cavablara görə mükafatlandırılır, səhvlərə görə isə cəzalandırılır. Bu üsulla öyrədilən modellər, əvvəlki modellərə nisbətən, məntiq tapşırıqlarında insanla eyni cavabları vermə ehtimalı qat-qat yüksəkdir. Onlar cavabı tapmaq üçün bir az daha çox vaxt sərf etsələr də, nəticədə düzgün cavab gəldiyi üçün bu gözləməyə dəyir.

De Varda bu əlaqəni sistemli şəkildə araşdırmaq məqsədi ilə həm modellərə, həm də könüllü insanlara eyni problemlər dəstini verdi. O, insanların cavab vermək üçün nə qədər vaxt sərf etdiyini millimetrik dəqiqliklə qeydə aldı. Modellər üçün isə daxili emal müddətini deyil, onların daxili düşüncə zəncirinin hissəsi olan "token" adlanan ölçü vahidini istifadə etdi. Bu tokenlər modelin sanki öz-özünə danışaraq daxili hesablamalarını göstərən elementlərdir. İnsanlar və məntiq modelləri riyazi hesablamalar və intuitiv məntiq daxil olmaqla, yeddi fərqli problem növünü həll etməli oldular. Nəticələr göstərdi ki, bir problem nə qədər çətin idisə, insanların onu həll etməsi bir o qədər uzun çəkirdi, model də bir o qədər çox token yaratmalı olurdu.

Məsələn, arifmetika məsələləri hər iki tərəf üçün ən az tələbkar, "ARC çətinliyi" adlanan (rəngli şəbəkələrdə çevrilmələrin fərz edilməsini tələb edən) problemlər isə həm insanlar, həm də modellər üçün ən baha başa gələn idi. Bu düşüncə xərclərinin mükəmməl uyğunluğu, məntiq modellərinin insanlara bənzər bir şəkildə düşündüyünü göstərir. Bununla belə, tədqiqatçılar bu modellərin insan zəkasını tamamilə təkrarladığı anlamına gəlmədiyini vurğulayırlar. Onlar hələ də modellərin insan beyninə bənzər məlumat təqdimatlarından istifadə edib-etmədiyini və ya təlim mətnlərində açıqlanmayan xarici dünya bilikləri tələb edən problemlərin öhdəsindən gələ biləcəklərini araşdırırlar.