撰文：尼克莱塔.拉内塞                2023年10月26日

神经网络是一种人工智能，现在可以以比过去的模型更接近人类学习的方式组合概念。（图片：imagina via Getty Images）

科学家在一项新的研究中表明，神经网络现在比以往任何时候都更像人类“思考”。

这项研究于周三（10月25日）发表在《自然》杂志上，标志着认知科学领域长达数十年的争论发生了转变。认知科学是一个探索什么样的计算机最能代表人类思维的领域。自20世纪80年代以来，一部分认知科学家认为，神经网络，一种人工智能，不是可行的思维模型，因为它们的架构未能捕捉到人类思维的一个关键特征。

但通过训练，神经网络现在可以获得这种类似人类的能力。

研究合著者、纽约大学心理学和数据科学副教授布伦登·莱克告诉《生活科学》：“我们在这里的研究表明，人类智力的这一关键方面……可以通过实践获得，使用一种因缺乏这些能力而被解雇的模型。”

神经网络在某种程度上模仿了人类大脑的结构，因为它们的信息处理节点相互连接，并且它们的数据处理在层次结构中流动。但从历史上看，人工智能系统的行为并不像人类的大脑，因为它们缺乏以新的方式结合已知概念的能力——这种能力被称为“系统合成性”。

例如，莱克解释说，如果一个标准的神经网络学习单词“hop”、“twice”和“in a circle”，就需要向它展示，许多如何将这些单词组合成有意义的短语的例子，比如“hop twice”或“hop in a cicircle。”但如果系统随后被输入一个新词，比如“spin”，它将再次需要看到一堆例子来学习如何类似地使用它。

在这项新研究中，莱克和研究合著者、巴塞罗那庞培法布拉大学的马尔科.巴罗尼，使用一种虚构的语言，用“dax”和“wif”等单词，测试了人工智能模型和人类志愿者。这些单词要么与彩色圆点相对应，要么与某种功能相对应，该功能以某种方式操纵了这些圆点在序列中的顺序。因此，单词序列决定了彩色圆点出现的顺序。

因此，给定一个荒谬的短语，人工智能和人类必须找出潜在的“语法规则”，这些规则决定了哪些点陪伴单词出现。

人类参与者在大约80%的时间里产生了正确的点序列。当他们失败时，他们会犯一致类型的错误，比如认为一个单词代表一个点，而不是一个打乱整个点序列的函数。

在测试了七个人工智能模型后，莱克和巴罗尼找到了一种称为复合性元学习（MLC）的方法，该方法可以让神经网络练习，将不同的规则集应用于新学习的单词，同时还可以反馈其是否正确应用了规则。

MLC训练的神经网络，在这些测试中达到或超过了人类的表现。当研究人员添加了人类常见错误的数据时，人工智能模型就会犯与人类相同类型的错误。

作者还将MLC与ChatGPT背后的OpenAI公司的两个基于神经网络的模型进行了对比，发现MLC和人类在点测试中的表现都远好于OpenAI模型。MLC还承担了额外的任务，包括解释书面指令和句子的含义。

约翰斯·霍普金斯大学认知科学教授、微软研究院资深首席研究员保罗·斯摩伦斯基表示：“他们在这项任务上，在计算句子含义方面取得了令人印象深刻的成功。”他没有参与这项新研究。但该模型的概括能力仍然有限，斯摩伦斯基在接受《生活科学》采访时表示：“它可以处理训练过的句子类型，但不能推广到新的句子类型。”

尽管如此，“在这篇论文发表之前，我们还没有成功地将网络训练成完全符合的，”他说。“这就是我认为他们的论文，推动事情向前发展的地方，”尽管目前还存在局限性。

斯摩伦斯基补充道，提高MLC显示成分概括的能力，是下一步的重要工作。

他说：“这是让我们变得聪明的核心属性，所以我们需要抓住这一点。这项工作使我们朝着这个方向前进，但并没有实现。”（然而）