Книга «Гедель, Эшер, Бах» вдохновила многих исследователей, в том числе Мелани Митчелл, которая после прочтения решила сменить карьеру и заняться искусственным интеллектом. Она устроилась стажером к Дугласу Хофштадтеру и вместе с ним создала проект Copycat, цель которого заключалась в моделировании человеческой способности проводить аналогии. История этого проекта показывает начало долгого пути к пониманию того, почему нейросети учатся на примерах человека и почему один лишь массив данных не дает полноценного понимания. Митчелл прошла путь от школьного учителя до руководителя междисциплинарных исследований, что подчеркивает важность человеческого опыта в формировании взглядов на ИИ. Этот контекст помогает увидеть, почему вопросы абстракции и переноса знаний остаются ключевыми в современной науке.
Copycat искала аналогии среди простых наборов букв
Проект Copycat работал с упрощенными задачами вроде «abc» -> «abd», чтобы понять, как люди вычленяют структуру и переносит ее на новые объекты. Такой подход демонстрировал, что важнее не сами символы, а отношения между ними и правила преобразования. Митчелл подчеркивала, что аналогии требуют понимания ситуации, а не механического поиска статистических совпадений. Copycat справлялся с последовательностями и иллюстрировал различие между нахождением шаблонов и осмысленным сопоставлением. Однако перенос этого подхода на семантические высказывания и реальные миры оказался непростым, поскольку смысл в языковых фразах не был заложен в системе как понятие.
Современные нейросети и пределы обучения на примерах
Глубокие нейросети достигли впечатляющих результатов в распознавании образов, но часто не умеют переносить знания между доменами. Митчелл отмечает, что современные сети отлично решают узкие задачи, но редко успешно обобщают знания на новые контексты. Проблема в том, что обучение на тысячах примеров не эквивалентно формированию абстрактного понимания. Многие ожидали, что масштабирование данных породит способность к абстракциям, но реальные системы продолжают демонстрировать «барьер значения». Именно поэтому исследователи вновь обращаются к аналогиям и метаобучению как к возможному пути преодоления ограничений.
Почему аналогии важны для роботов и автономных систем
Практический пример — беспилотные автомобили, которые могут оказаться беспомощными в чуть отличной от тренировочной ситуации. Человеческая способность применять прошлый опыт к новым сценариям решает именно такие проблемы, и аналогии лежат в основе этой гибкости. Без умения сопоставлять ситуации система рискует неправильно интерпретировать новый контекст, даже если он по отдельным признакам похож на знакомый. Вот несколько ключевых причин, почему аналогии важны:
- Они позволяют переносить решения, найденные в одной ситуации, на похожие, но не идентичные задачи.
- Аналогии служат основой для предсказаний в незнакомых условиях.
- Они помогают интегрировать разрозненные знания в осмысленные модели мира.
Понимание, абстракция и роль тела
Понятие «понимание» часто используется без четкого определения, но Митчелл связывает его с умением абстрагировать и проводить аналогии. Она полагает, что истинное понимание означает перенос известного на неизвестное, и это возможно через установление структурных сходств. Вопрос о том, нужно ли для этого телесное взаимодействие с миром, остается открытым, но есть основания полагать, что сенсомоторный опыт помогает выработать трехмерные и причинно-следственные модели. Современные тесты вроде ARC ориентированы на базовые знания, доступные детям, и показывают, что ни одна из существующих систем пока не владеет полноценным абстрактным мышлением. Объединение подходов — структурных моделей, обучения на примерах и эмбеддинговых сетей — может стать ключом к созданию более гибких и осмысленных ИИ-систем.
