Naarmate kunstmatige intelligentie geavanceerder wordt, veel van de publieke aandacht is gericht op hoe succesvol deze technologieën kunnen concurreren met mensen bij schaken en andere strategiespellen. Een filosoof van de Universiteit van Houston heeft een andere benadering gekozen, het deconstrueren van de complexe neurale netwerken die worden gebruikt bij machine learning om licht te werpen op hoe mensen abstract leren verwerken.

"Naarmate we meer en meer op deze systemen vertrouwen, het is belangrijk om te weten hoe ze werken en waarom, " zei Cameron Buckner, assistent-professor filosofie en auteur van een paper over het onderwerp dat in het tijdschrift is gepubliceerd Synthese . Beter begrijpen hoe de systemen werken, beurtelings, leidde hem tot inzichten in de aard van menselijk leren.

Filosofen hebben sinds de dagen van Plato gedebatteerd over de oorsprong van menselijke kennis - is het aangeboren, gebaseerd op logica, of komt kennis voort uit zintuiglijke ervaringen in de wereld?

Diepe convolutionele neurale netwerken, of DCNN's, suggereren dat menselijke kennis voortkomt uit ervaring, een denkrichting die bekend staat als empirisme, Buckner concludeerde. Deze neurale netwerken - meerlagige kunstmatige neurale netwerken, met knooppunten die repliceren hoe neuronen informatie in de hersenen verwerken en doorgeven - laten zien hoe abstracte kennis wordt verkregen, hij zei, waardoor de netwerken een nuttig hulpmiddel worden voor onder meer neurowetenschappen en psychologie.

In de krant, Buckner merkt op dat het succes van deze netwerken bij complexe taken waarbij perceptie en discriminatie betrokken zijn, soms het vermogen van wetenschappers om te begrijpen hoe ze werken, overtreft.

Terwijl sommige wetenschappers die neurale netwerksystemen bouwen, hebben verwezen naar het denken van de Britse filosoof John Locke en andere invloedrijke theoretici, hun focus lag op resultaten in plaats van te begrijpen hoe de netwerken kruisen met traditionele filosofische rekeningen van menselijke cognitie. Buckner ging op pad om die leegte te vullen, gezien het gebruik van AI voor abstract redeneren, variërend van strategiespellen tot visuele herkenning van stoelen, kunstwerken en dieren, taken die verrassend complex zijn gezien de vele mogelijke variaties in gezichtspunt, kleur, stijl en andere details.

"Onderzoekers op het gebied van computervisie en machine learning hebben onlangs opgemerkt dat driehoek, stoel, kat, en andere alledaagse categorieën zijn zo moeilijk te herkennen omdat ze kunnen worden aangetroffen in een verscheidenheid aan verschillende poses of oriëntaties die niet onderling vergelijkbaar zijn in termen van hun lage perceptuele eigenschappen, "schreef Buckner. "... een stoel van voren gezien lijkt niet veel op dezelfde stoel van achteren of van boven gezien; we moeten op de een of andere manier al deze verschillende perspectieven verenigen om een ​​betrouwbare stoeldetector te bouwen."

Om de uitdagingen te overwinnen, de systemen moeten controleren op zogenaamde hindervariatie, of de reeks verschillen die gewoonlijk van invloed zijn op het vermogen van een systeem om objecten te identificeren, geluiden en andere taken - grootte en positie, bijvoorbeeld, of toonhoogte en toon. Het vermogen om die diversiteit aan mogelijkheden te verklaren en te verwerken, is een kenmerk van abstract redeneren.

De DCNN's hebben ook een andere slepende vraag beantwoord over abstract redeneren, zei Buckner. Empiristen van Aristoteles tot Locke hebben een beroep gedaan op een abstractievermogen om hun uitleg van hoe de geest werkt te voltooien, maar tot nu toe, er is geen goede verklaring voor hoe dat werkt. "Voor de eerste keer, DCNN's helpen ons te begrijpen hoe deze faculteit echt werkt, ' zei Buckner.

Hij begon zijn academische carrière in de informatica, het bestuderen van op logica gebaseerde benaderingen van kunstmatige intelligentie. De grote verschillen tussen vroege AI en de manieren waarop dieren en mensen problemen daadwerkelijk oplossen, leidden tot zijn verschuiving naar filosofie.

Minder dan een decennium geleden, hij zei, wetenschappers geloofden dat de vooruitgang op het gebied van machinaal leren zou stoppen met het vermogen om abstracte kennis te produceren. Nu machines mensen verslaan bij strategische spellen, auto's zonder bestuurder worden over de hele wereld getest en gezichtsherkenningssystemen worden overal ingezet, van mobiele telefoons tot luchthavens, het vinden van antwoorden is urgenter geworden.

"Deze systemen slagen waar andere faalden, " hij zei, "omdat ze het soort subtiele, abstract, intuïtieve kennis van de wereld die automatisch naar de mens komt, maar tot nu toe onmogelijk is gebleken om in computers te programmeren."