Umelá inteligencia vs. ľudský mozok: Porovnanie kognitívnych procesov

V posledných rokoch sa umelá inteligencia stala neoddeliteľnou súčasťou nášho života. Od chatbotov až po generovanie textu, LLM (Large Language Models) dokážu robiť veci, ktoré kedysi považovali len za doménu ľudskej inteligencie. Ale naozaj "myslia"? Ako sa ich kognitívne procesy porovnávajú s našimi? Video od IBM Technology sa snaží zodpovedať tieto otázky a ponúka fascinujúce porovnanie medzi AI a ľudským mozgom v šiestich kľúčových oblastiach: učenie, spracovanie informácií, pamäť, uvažovanie, chyby a stelesnenosť.

Kľúčové poznatky

• Učenie: Ľudský mozok sa učí prostredníctvom neuroplasticity – schopnosti upravovať neurónové siete na základe skúseností. LLM sa učia prostredníctvom backpropagation, čo vyžaduje obrovské množstvo tréningových dát.
• Spracovanie informácií: Ľudský mozok spracováva informácie masívne paralelne a distribuovane, zatiaľ čo LLM pracujú s diskrétnymi symbolmi (tokenmi) a sledujú sekvencie.
• Pamäť: Ľudská pamäť je asociatívna a prepojená významom a kontextom. LLM majú jednoduchšiu architektúru pamäte, kde sa znalosti kódujú v modelových váhach.
• Uvažovanie: LLM generujú sekvencie tokenov, ktoré pôsobia ako uvažovanie, ale neporozumievajú pravidlám tak, ako ľudia.
• Chyby (Halucinácie): LLM sú náchylné na halucinácie – produkciu fakticky nesprávnych informácií s vysokou istotou. Ľudskú ekvivalentom je konfabulkácia - nevedomé vytváranie falošných spomienok.
• Stelesnenosť: Ľudské myslenie je hlboko ovplyvnené interakciami s fyzickým svetom, zatiaľ čo LLM sú disembodied – existujú len ako softvér.

Učenie: Neuroplasticita vs. Backpropagation

Najzásadnejší rozdiel v učení sa objavuje už pri pohľade na mechanizmy. Ľudský mozok je neuveriteľne adaptabilný vďaka neuroplasticite. To znamená, že neurónové siete sa neustále prispôsobujú skúsenostiam – keď sa človek učí novú zručnosť alebo fakt, upravujú sa vzorce aktivity neurónov a ich synaptické väzby na základe toho, ako často a silno neuróny spolu "vypaľujú" (Hebbova teória: neuróny, ktoré sa vypaľujú spoločne, sa zapájajú). Stačí jedna expozícia novému konceptu, aby sa vytvorila trvalá pamäť.

LLM sa učia prostredníctvom backpropagation – komplexného procesu, ktorý počas tréningu spracováva milióny textových príkladov a upravuje interné váhy modelu tak, aby minimalizoval rozdiel medzi predpovedanými výstupmi a skutočným textom v tréningových dátach. Tento proces vyžaduje obrovské množstvo tréningových dát a mnohonásobné prechody dopredu a dozadu (forward and backward passes) na doladenie predikcií. Zatiaľ čo my sa môžeme naučiť nové slovo po jednom alebo dvoch počutíach, LLM ho môže "vidieť" tisícekrát v tréningovom korpuse predtým, ako ho dokáže spoľahlivo použiť v kontexte.

Exponenciálny rast dátových bodov použitých na trénovanie významných systémov umelej inteligencie.

Spracovanie informácií: Koncepty vs. Tokeny

Zatiaľ čo ľudský mozok spracováva informácie masívne paralelne a distribuovane – miliardy neurónov a bilióny synaps sú aktívne súčasne, pričom rôzne oblasti mozgu sa špecializujú na rôzne funkcie (napríklad vizuálny kortex pre zrak) – LLM pracujú podľa odlišných princípov. Používajú sekvencie diskrétnych symbolov nazývaných tokeny. Keď LLM dostane vstup, napríklad užívateľský prompt, text sa zakóduje do série vektorových reprezentácií a tieto prechádzajú viacerými vrstvami, kde model vypočítava "attention scores" – zistí, ktoré tokeny sú relevantné na predpovedanie ďalšieho.

My ľudia nepracujeme s tokenmi, ale so samotnými konceptmi. Keď počujeme alebo čítame vetu, nerozšifrujeme ju slovo po slove, ale chápeme celé kusy významu a prepojujeme ich s predchádzajúcimi znalosťami a kontextom. LLM pracujú na úrovni tokenov, zatiaľ čo my skôr na úrovni nápadov.

Umeló inteligencia: Výkon v testoch z vedomostí vs. veľkosť datového súboru

Pamäť: Asociácie vs. Váhy modelu

Ľudská pamäť je zložitá sieť systémov – senzorická pamäť (trvá len pár sekúnd), pracovná pamäť (krátkodobé uloženie informácií s obmedzenou kapacitou) a dlhodobá pamäť (s oveľa väčšou kapacitou). A čo je dôležité, ľudská pamäť je asociatívna – spomienky sú prepojené významom, kontextom a emóciami.

LLM majú oveľa jednoduchšiu architektúru pamäte. Ich znalosti o svete sú zakódované v modelových váhach počas tréningu. Ekvivalent pracovnej pamäti u AI je "kontextové okno" – sekvencia tokenov, ktoré model práve zvažuje ako vstup (vrátane užívateľského promptu a predchádzajúceho dialógu). Akonáhle sa toto okno zaplní, všetky informácie sú zabudnuté.

Umeló inteligencia: Výkon v testoch z vedomostí vs. výpočtová náročnosť trénovania

Uvažovanie, Chyby a Stelesnenosť: Hlboké Rozdiely

Video tiež zdôrazňuje zásadné rozdiely v uvažovaní, chybách a stelesnenosti. LLM generujú sekvencie tokenov, ktoré pôsobia ako uvažovanie, ale neporozumievajú pravidlám tak, ako ľudia. Sú náchylné na halucinácie – produkciu fakticky nesprávnych informácií s vysokou istotou. Ľudskú ekvivalentom je konfabulkácia - nevedomé vytváranie falošných spomienok. A nakoniec, ľudské myslenie je hlboko ovplyvnené interakciami s fyzickým svetom (stelesnenosť), zatiaľ čo LLM sú disembodied – existujú len ako softvér.

Záver: Kombinácia silných stránok

Hoci AI modely a ľudský mozog produkujú na prvý pohľad podobné výstupy, ich kognitívna povaha je fundamentálne odlišná. Obidva systémy sa učia a spracovávajú informácie úpravou prepojení v komplexných sieťach a obidva dokážu generalizovať vzory a predpovedať budúce informácie, ale robia to veľmi odlišnými spôsobmi. Ľudskú inteligenciu prináša porozumenie a skutočné poznanie, zatiaľ čo AI ponúka rýchlosť a rozsiahle znalosti. Kombinácia týchto silných stránok môže viesť k najlepším výsledkom.

Referencie:

• IBM Technology YouTube Channel: https://www.youtube.com/@ibmtechnology
• Daniel Kahneman - Thinking, Fast and Slow (Kniha)
• Daniel Gilbert - Stumbling on Happiness (Kniha)

Približne 141 gCO₂ bolo uvoľnených do atmosféry a na chladenie sa spotrebovalo 0.71 l vody za účelom vygenerovania tohoto článku.