À mesure que l'intelligence artificielle devient plus sophistiquée, Une grande partie de l'attention du public s'est concentrée sur la façon dont ces technologies peuvent rivaliser avec les humains aux échecs et autres jeux de stratégie. Un philosophe de l'Université de Houston a adopté une approche différente, déconstruire les réseaux neuronaux complexes utilisés dans l'apprentissage automatique pour faire la lumière sur la façon dont les humains traitent l'apprentissage abstrait.

"Comme nous comptons de plus en plus sur ces systèmes, il est important de savoir comment ils fonctionnent et pourquoi, " a déclaré Cameron Buckner, professeur assistant de philosophie et auteur d'un article explorant le sujet publié dans la revue Synthèse . Mieux comprendre le fonctionnement des systèmes, à son tour, l'a amené à mieux comprendre la nature de l'apprentissage humain.

Les philosophes ont débattu des origines de la connaissance humaine depuis l'époque de Platon :est-elle innée, basé sur la logique, ou la connaissance vient-elle de l'expérience sensorielle dans le monde ?

Réseaux de neurones à convolution profonde, ou DCNN, suggèrent que la connaissance humaine découle de l'expérience, une école de pensée connue sous le nom d'empirisme, Buckner a conclu. Ces réseaux de neurones—réseaux de neurones artificiels multicouches, avec des nœuds reproduisant la façon dont les neurones traitent et transmettent l'information dans le cerveau - démontrent comment la connaissance abstraite est acquise, il a dit, faire des réseaux un outil utile pour des domaines tels que les neurosciences et la psychologie.

Dans le journal, Buckner note que le succès de ces réseaux dans des tâches complexes impliquant la perception et la discrimination a parfois dépassé la capacité des scientifiques à comprendre leur fonctionnement.

Alors que certains scientifiques qui construisent des systèmes de réseaux neuronaux ont fait référence à la pensée du philosophe britannique John Locke et d'autres théoriciens influents, ils se sont concentrés sur les résultats plutôt que sur la compréhension de l'intersection des réseaux avec les récits philosophiques traditionnels de la cognition humaine. Buckner a entrepris de combler ce vide, considérant l'utilisation de l'IA pour le raisonnement abstrait, allant des jeux de stratégie à la reconnaissance visuelle des chaises, œuvres d'art et animaux, des tâches étonnamment complexes compte tenu des nombreuses variations potentielles de point de vue, Couleur, style et autres détails.

"Les chercheurs en vision par ordinateur et en apprentissage automatique ont récemment noté que le triangle, chaise, chat, et d'autres catégories quotidiennes sont si difficiles à reconnaître parce qu'elles peuvent être rencontrées dans une variété de poses ou d'orientations différentes qui ne sont pas mutuellement similaires en termes de propriétés perceptives de bas niveau, " Buckner a écrit. "... une chaise vue de face ne ressemble pas beaucoup à la même chaise vue de derrière ou de dessus; nous devons d'une manière ou d'une autre unifier toutes ces diverses perspectives pour construire un fauteuil-détecteur fiable."

Pour surmonter les défis, les systèmes doivent contrôler la variation dite de nuisance, ou l'éventail des différences qui affectent généralement la capacité d'un système à identifier des objets, sons et autres tâches—taille et position, par exemple, ou la hauteur et le ton. La capacité de rendre compte et de digérer cette diversité de possibilités est une caractéristique du raisonnement abstrait.

Les DCNN ont également répondu à une autre question persistante sur le raisonnement abstrait, dit Buckner. Les empiristes d'Aristote à Locke ont fait appel à une faculté d'abstraction pour compléter leurs explications sur le fonctionnement de l'esprit, mais jusqu'à maintenant, il n'y a pas eu une bonne explication de la façon dont cela fonctionne. "Pour la première fois, Les DCNN nous aident à comprendre comment fonctionne réellement cette faculté, " a déclaré Buckner.

Il a commencé sa carrière universitaire en informatique, étudier les approches logiques de l'intelligence artificielle. Les différences marquées entre les premières IA et la manière dont les animaux et les humains résolvent réellement les problèmes l'ont poussé à passer à la philosophie.

Il y a moins d'une décennie, il a dit, les scientifiques pensaient que les progrès de l'apprentissage automatique s'arrêteraient avant la capacité de produire des connaissances abstraites. Maintenant que les machines battent les humains aux jeux stratégiques, des voitures sans conducteur sont testées dans le monde entier et des systèmes de reconnaissance faciale sont déployés partout, des téléphones portables aux aéroports, trouver des réponses est devenu plus urgent.

"Ces systèmes réussissent là où d'autres ont échoué, " il a dit, "parce qu'ils peuvent acquérir le genre de subtil, abstrait, connaissance intuitive du monde qui vient automatiquement aux humains mais s'est avérée jusqu'à présent impossible à programmer dans des ordinateurs."