Ny forskning fra Japan viser at kunstig intelligens som får «snakke» med seg selv lærer raskere, blir mer fleksibel og trenger mindre treningsdata. Studien fra Okinawa Institute of Science and Technology (OIST), publisert i Neural Computation, kombinerer intern tale med et spesialisert arbeidsminne. Resultatene peker mot mer menneskelignende AI som kan håndtere ukjente situasjoner.

Dette fant forskerne

Forskerne ved OIST undersøkte hvordan intern tale—beskrevet som stille «mumling»—kan samspille med arbeidsminne for å styrke læring. Når AI-modeller ble trent til å bruke selvrettet tale i tillegg til et arbeidsminnesystem, presterte de bedre på komplekse oppgaver, tilpasset seg nye situasjoner og håndterte flere oppgaver samtidig.

«Denne studien fremhever viktigheten av selvinteraksjon i hvordan vi lærer. Ved å strukturere treningsdata på en måte som lærer systemet vårt å snakke med seg selv, viser vi at læring ikke bare formes av arkitekturen til AI-systemene våre, men av interaksjonsdynamikken innebygd i treningsprosedyrene våre.» — Dr. Jeffrey Queißer, OIST

Slik virker «intern tale» og arbeidsminne sammen

Teamet startet med å utforske utforming av minnestrukturer i AI—særlig arbeidsminnet og dets rolle i generalisering. De sammenlignet modeller med ulike minneoppsett og testet oppgaver med forskjellig vanskelighetsgrad.

• Modeller med flere arbeidsminneslots håndterte krevende problemer bedre.
• Oppgaver som å reversere sekvenser og gjenskape mønstre ble løst mer presist.
• Når systemet fikk mål som oppmuntret til et bestemt antall «selvsnakk»-runder, økte ytelsen ytterligere.

Gevinster: mindre data, flere oppgaver

De største forbedringene kom i multitasking og i oppgaver med mange trinn. Systemene ble mer fleksible og bedre til å takle ukjente problemer. Forskerne fremhever at det kombinerte opplegget gir fordeler uten behov for enorme datasett.

«Det kombinerte systemet vårt er spesielt spennende fordi det kan fungere med sparsomme data i stedet for de omfattende datasettene som vanligvis kreves for å trene slike modeller for generalisering. Det gir et komplementært, lettvektsalternativ,» sier Queißer.

Mål: mer menneskelignende AI

Et hovedmål for teamet er innholdsuavhengig informasjonsbehandling—at AI kan overføre det den har lært til nye situasjoner. Dette ligner hvordan mennesker raskt bytter oppgave eller løser ukjente problemer.

«Rask oppgavebytte og løsning av ukjente problemer er noe vi mennesker gjør enkelt hver dag. Men for AI er det mye mer utfordrende,» sier Queißer.

Veien videre: fra lab til virkelighet

Neste steg er å teste metodene utenfor kontrollerte miljøer.

«I den virkelige verden tar vi beslutninger og løser problemer i komplekse, støyende, dynamiske miljøer. For bedre å speile menneskelig utviklingslæring må vi ta hensyn til disse eksterne faktorene,» forklarer Queißer.

Teamet kobler innsikter fra utviklingsneurobiologi, psykologi, maskinlæring og robotikk for å forstå hvordan menneskelig læring fungerer på et nevrologisk nivå—og anvende dette i praksis.

«Ved å utforske fenomener som indre tale og forstå mekanismene i slike prosesser, får vi grunnleggende nye innsikter i menneskelig biologi og atferd,» konkluderer Queißer. «Vi kan også anvende denne kunnskapen, for eksempel i utvikling av husholdnings- eller landbruksroboter som kan fungere i våre komplekse, dynamiske verdener.»

Oppsummert: OIST-forskere viser at AI som trener på å «snakke» med seg selv—støttet av et målrettet arbeidsminne—lærer raskere, blir mer fleksibel og krever mindre data. Det kan bane vei for mer menneskelignende, tilpasningsdyktige systemer som håndterer flere oppgaver og ukjente situasjoner uten å starte treningen på nytt hver gang.

Kilder: ScienceDaily, EurekAlert, Neural Computation, Okinawa Institute of Science and Technology (OIST)