Araştırmacılar Ohio Devlet Üniversitesi güvercinlerin bazı sorunları modern bilgisayar yapay zeka modellerine çok benzer bir şekilde çözdüğünü bulmuşlardır. Aslında güvercinlerin “ilişkisel öğrenme” adı verilen “kaba kuvvet” öğrenme yöntemini kullandıkları bulunmuştur. Böylece güvercinler ve modern bilgisayar yapay zekaları, insanın düşünme kalıplarını şaşırtan karmaşık sorunlara çözümler üretebiliyor.
Yeni çalışmanın başyazarı ve Ohio State Üniversitesi’nde psikoloji profesörü Brandon Turner, Iowa Üniversitesi’nde psikoloji profesörü olan Edward Wasserman ile birlikte çalışarak yeni araştırma üzerinde çalıştı. iBilim.
İşte temel bulgular:
Güvercinler son derece geniş bir yelpazedeki görsel sınıflandırma görevlerini çözebilir
Bu görevlerden bazıları gelişmiş bilişsel ve dikkat süreçleri gerektiriyor gibi görünüyor, ancak hesaplamalı modelleme güvercinlerin bu kadar karmaşık süreçleri uygulamadığını gösteriyor
Güvercinin başarısını açıklamak için basit bir çağrışım mekanizması yeterli olabilir
Turner, Ohio Eyaleti haber bloguna, araştırmanın güvercinlerin bilgisayar yapay zekalarına benzer şekilde öğrendiklerine dair güçlü bir önseziyle başladığını söyledi. İlk araştırmalar daha önceki düşünceleri ve gözlemleri doğruladı. Turner, “Güvercin öğrenimini yönlendiren mekanizmaların, modern makine öğrenimi ve yapay zeka tekniklerini yönlendiren ilkelere oldukça benzer olduğuna dair gerçekten güçlü kanıtlar bulduk” dedi.
Bir güvercinin “ilişkisel öğrenmesi”, insanların veya diğer primatların ulaşması zor olan karmaşık sorunlara çözüm bulabilir. Primat düşüncesi tipik olarak seçici dikkat ve açık kural kullanımıyla yönlendirilir ve bu da bazı sorunların çözümüne engel olabilir.
Araştırmada güvercinler dört farklı görevle test edildi. Daha kolay görevlerde güvercinlerin zamanla doğru seçimleri öğrenebildiği ve başarı oranlarını %55’ten %95’e çıkarabildiği görüldü. En karmaşık görevlerde çalışma süresi boyunca bu kadar keskin bir iyileşme görülmedi; %55’ten yalnızca %68’e çıktı. Bununla birlikte, sonuçlar güvercin performansı ile yapay zeka modeli öğrenme performansı arasında yakın paralellikler göstermeye hizmet etti. Hem güvercin hem de makine öğrenicileri, kararlarını başarıya yönlendirmek için hem ilişkisel öğrenme hem de hata düzeltme tekniklerini kullanıyor gibi görünüyordu.
Turner, insan, güvercin ve yapay zeka öğrenme modellerine ilişkin yorumlarında daha fazla bilgi sağladı. Kural koymanın sorunları basitleştirmeye yardımcı olmayacağı ve görevden vazgeçmeye yol açacağı için bazı görevlerin insanları gerçekten sinirlendirdiğini belirtti. Bu arada, güvercinler (ve makine yapay zekaları) için bazı görevlerde “bu kaba kuvvet yöntemi, deneme yanılma ve ilişkisel öğrenme… onların insanlardan daha iyi performans göstermelerine yardımcı oluyor.”
İlginç bir şekilde, çalışma onun şunu hatırlatıyor: Newcastle Markisine Mektup (1646) Fransız filozof René Descartes, hayvanların yalnızca organik tepkimelerden gelen dürtüleri takip eden canavarca mekanizmalardan, bete-makinelerden başka bir şey olmadığını savundu.
Ohio Eyaleti blogunun sonuç bölümü, insanların geleneksel olarak güvercinlere nasıl gerizekalı gözüyle baktığını vurguladı. Şimdi bir şeyi itiraf etmemiz gerekiyor: Bilgisayar yapay zekasındaki en son teknolojik başarımız, nispeten basit, kaba kuvvet güvercin benzeri öğrenme mekanizmalarına dayanıyor.
Bu yeni araştırmanın bilgisayar bilimi üzerinde ileriye dönük herhangi bir etkisi olacak mı? Görünüşe göre yapay zeka/makine öğrenimi ile ilgilenenler ve nöromorfik hesaplamayı geliştirenler burada bazı yararlı geçişler bulabilirler.
