Umjetna inteligencija postaje sve naprednija, ali i dalje postoje značajne razlike u načinu na koji ona i ljudi rješavaju probleme. Glavni izazov nije u količini podataka kojima AI raspolaže, već u načinu na koji ih obrađuje. Nedavna studija objavljena u časopisu Transactions on Machine Learning Research istražila je kako veliki jezični modeli (LLM) poput ChatGPT-a, Copilota i Geminija rješavaju zadatke u usporedbi s ljudima.
U eksperimentu su ljudi i AI modeli dobili isti zadatak – dovršiti niz prepoznavanjem nedostajuće znamenke. Ljudski ispitanici su lako riješili zadatak, dok su AI modeli nailazili na poteškoće. Analizirajući načine na koje AI modeli obrađuju podatke, istraživači su otkrili da oni često ne uspijevaju generalizirati informacije na način na koji to čine ljudi.
Umjetna inteligencija osjetljiva na redoslijed odgovora
Poseban problem javlja se kod testova analogije temeljenih na pričama. Studija je pokazala da su AI modeli osjetljivi na redoslijed odgovora, što znači da im nedostaje sposobnost zaključivanja izvan unaprijed naučenih obrazaca. Na primjer, kod zadataka u kojima se nizovi slova trebaju logički nadopuniti, AI modeli često griješe u razumijevanju pravila.
Martha Lewis, asistentica profesora neurosimboličke umjetne inteligencije na Sveučilištu u Amsterdamu, navodi konkretan primjer. Ako niz “abcd” postane “abce”, većina ljudi zaključuje da “ijkl” postaje “ijkm”. AI modeli u ovom slučaju daju točan odgovor. No, ako se niz “abbcd” pojednostavi u “abcd”, ljudi će zaključiti da “ijkkl” postaje “ijkl” uklanjanjem ponovljenog elementa. AI modeli ovdje često griješe jer ne prepoznaju pravilo apstrakcije.
Istraživanje pokazuje da veliki jezični modeli mogu prepoznati i replicirati obrasce, ali nisu podjednako dobri u generalizaciji tih obrazaca. Većina AI aplikacija oslanja se na količinu podataka – što više podataka obrađuju, to preciznije mogu prepoznati obrasce. No, prepoznavanje obrazaca i sposobnost apstraktnog razmišljanja nisu isto.
Lewis upozorava da, s obzirom na sve širu upotrebu umjetne inteligencije, treba pažljivo procijeniti njezine sposobnosti. Ne treba analizirati samo točnost odgovora, već i sposobnost sustava da logički zaključuje. To je ključno za područja poput medicine, prava i financija, gdje je važno ne samo prepoznati obrasce već i razumjeti kontekst podataka.
Stručnjaci naglašavaju potrebu za transparentnošću u razvoju AI tehnologije, piše Zimo. Ključni izazov ostaje razvoj modela koji mogu ne samo učiti iz velikih skupova podataka već i donositi zaključke na način bliži ljudskom razmišljanju.
