Аби встановити причинно-наслідкові зв’язки між явищами в природі та суспільстві, науковці застосовують експерименти та дані статистики. Дослідники штучного інтелекту розпочали створення програм, які дають змогу комп’ютерам навчатися про причинно-наслідкові зв’язки таким самим способом, як це роблять науковці. Цікаво, експерименти, які тривають уже 15 років, показують, що і діти роблять так само.
В одному з експериментів ми показали дітям дошкільного віку просту машину з перемикачем та двома дисками синього і жовтого кольорів. Згодом ми продемонстрували їм кілька експериментів, які показують, що відбуватиметься з машиною, якщо ви проведете над нею кілька простих маніпуляцій, наприклад, знімете один диск, поміняєте положення перемикача і спостерігатимете за іншим диском. Використовуючи ці дані, діти змогли зробити правильні висновки про те, чи перемикач, запускаючи синій диск, запускає і жовтий (у статистиці це називають ланцюговою причинно-наслідковою структурою), чи, можливо, перемикач змушує два диски обертатись одночасно (структура однакової причинності).
Баєсова статистика враховує як початкові дані, так і силу наявних у вас гіпотез. Як вчені, так і малюки пристають до добре підтверджених гіпотез, але достатня кількість нових доказів може похитнути віру навіть у ті гіпотези, які вони ревно плекають. Кілька досліджень показують, що діти саме в такий спосіб інтегрують нові знання зі своїми попередніми когнітивними моделями. У своєму дослідженні Елізабет Бонавіц із Рутгерського університету та Лаура Шульц із Массачусетського технологічного інституту виявили, що чотирирічні діти розпочинають із міркування про те, що психологічний стан, наприклад тривога, не має зв’язку з фізичним станом (наприклад болем у шлунку). Але якщо ви наведете їм достатню кількість доказів на користь цієї «психосоматичної гіпотези», вони поступово прийматимуть цю ідею. Баєсівська модель дає змогу навіть досить точно передбачити, коли і як зміниться думка дитини.
У нашій лабораторії ми встановили, що діти можуть робити несподівано точні висновки навіть про набагато абстрактніші причинно-наслідкові зв’язки. Причини зумовлюють наслідки різними способами, які можна описати, використовуючи Булеву логіку комп’ютерного програмування. Наприклад, у програму може бути закладена операція «АБО»: блок або вмикає машину, або ні. Альтернативним способом може бути операція «І»: потрібна комбінація блоків, щоб запустити машину. Дошкільнята засвоюють ці абстрактні принципи зі статистичних шаблонів і роблять це іноді краще за дорослих. Баєсівські моделі дозволяють передбачити, як чотирирічні малюки опановують цю базову логіку комп’ютерного програмування.
Важливо, що в усіх цих випадках діти роблять правильні висновки лише після кількох спроб, тоді як технологія «глибинного навчання» вимагає тисяч спроб. Навчання відбувається шляхом поєднання інтерналізованих моделей навколишнього світу з новим досвідом, який вони постійно отримують з навколишнього середовища.
Елісон Ґопнік, професор психології та запрошений професор філософії з Каліфорнійського університету в Берклі, автор книги «Роблячи штучний інтелект людським». У своїх дослідженнях вона вивчає, як діти пізнають навколишній світ.
Alison Gopnik
Artificial Intelligence Helps in Learning How Children Learn
Scientific American, June 2017 issue
Зреферував Євген Ланюк
02.06.2017