Hieronder deelt Tom Griffiths vijf belangrijke inzichten uit zijn nieuwe boek: De wetten van het denken: de zoektocht naar een wiskundige theorie van de geest.
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 stelt ons ook in staat om die theorieën te gebruiken om te bouwen kunstmatige intelligentie systemen. Net zoals natuurkundigen de natuurwetten proberen te identificeren, hopen cognitieve wetenschappers de wetten van het denken te ontdekken.
1. De geschiedenis van kunstmatige intelligentie gaat honderden jaren terug.
Voor veel mensen lijkt kunstmatige intelligentie uit het niets te zijn voortgekomen. Eind 2022 werd het plotseling voor iedereen mogelijk om een gesprek te voeren met chatbots die meer kennis konden aanboren 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 kende in 2012, toen het werd gebruikt om de manier waarop computers afbeeldingen identificeren aanzienlijk te verbeteren. Maar het verhaal gaat veel verder.
Toen verlichtingsdenkers, zoals 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 nieuwe theorieën over de geest te ontwikkelen. Moderne kunstmatige intelligentie is uit die traditie voortgekomen: belangrijke vorderingen in de ontwikkeling van kunstmatige neurale netwerken kwamen van psychologen die probeerden te begrijpen hoe de menselijke geest werkt.
2. Geen enkel wiskundig element beschrijft de geest.
Cognitieve wetenschappers begonnen wiskundige logica te gebruiken om het denken te beschrijven, maar na een paar decennia beseften ze dat het niet zou werken. Concepten hebben vage randen die de logica eenvoudigweg 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.
Als we deze neurale netwerken blijven uitbreiden, komen we bij moderne kunstmatige intelligentie. Maar om te begrijpen hoe neurale netwerken leren en hoe je systemen kunt creëren die meer op mensen lijken, 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 doorbraken 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 leren, veel groter moesten zijn dan hij praktisch dacht. Maar een psycholoog heeft ontdekt hoe hij ze beter kan laten leren, wat veel opwinding heeft gewekt over het potentieel van die aanpak. Dezelfde computerwetenschapper toonde later echter aan dat die neurale netwerken ook fundamentele beperkingen hadden en dat hun populariteit afnam.
Tien jaar later raakten sommige psychologen geïnteresseerd in neurale netwerken als hulpmiddelen om de menselijke cognitie te begrijpen, losten ze het probleem op hoe ze complexere relaties konden leren, en werden neurale netwerken weer populair. Vervolgens raakten onderzoekers op het gebied van machine learning geïnteresseerd in de statistische grondslagen van leren, en neurale netwerken verloren aan populariteit. Al snel maakten krachtigere computers en grotere datasets het mogelijk om neurale netwerken te gebruiken om nog uitdagendere problemen op te lossen, wat ons tot op de dag van vandaag bracht.
Dit heen en weer gaan tussen disciplines – waarbij een impopulair idee in de ene discipline wordt opgepakt en verbeterd door onderzoekers in een andere discipline – is een goed voorbeeld 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 veel vooruitgang hebben geboekt in het begrijpen van het stellen van vragen over de geest, 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 structuren 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 het echte menselijke brein worden geïmplementeerd. Kunstmatige neurale netwerken geven ons belangrijke tips over hoe dit zou kunnen werken. Door deze stukken samen te voegen, komen we veel dichter bij het realiseren van de visie die Descartes en Leibniz eeuwen geleden hadden over het hebben van een wiskundige structuur om het denken te beschrijven.
5. Er zijn nog steeds grote verschillen tussen de menselijke geest en kunstmatige intelligentie.
Ondanks al deze vooruitgang vertoont de moderne AI nog steeds enkele belangrijke hiaten. Een van de grootste is leren. Als je alle tekst voorleest die wordt gebruikt om de chatbots van vandaag te trainen, zou het tienduizenden jaren duren. Daarentegen leert een kind zijn of haar moedertaal in minder dan 10 jaar vloeiend spreken. Dit betekent dat er iets in het menselijk brein zit dat anders is dan wat er in onze AI-algoritmen zit. Uitzoeken wat dit 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 die vertegenwoordigen. In sommige gevallen kan dat zo zijn, maar in andere kunnen we aantonen dat ze heel verschillend zijn. Begrijpen 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 verfijnd door mensen te bestuderen. Lange tijd hadden we maar één soort die dit soort intelligent gedrag vertoonde, dus het hebben van een andere soort om te bestuderen opent niet alleen de deur naar een beter begrip van kunstmatige intelligentie, maar ook naar een beter begrip van onszelf.
Geniet van onze complete bibliotheek met bookbites, gelezen door auteurs!, in de Volgende Big Idea-app.
Dit artikel verscheen oorspronkelijk In Volgende grote ideeënclub tijdschrift en is met toestemming herdrukt.
