Kürzlich haben Forscher des Georgia Institute of Technology RTNet entwickelt, das erstmals zeigt, dass seine "Denkweise" der des Menschen sehr ähnlich ist.
In Bezug auf die Fähigkeiten übertrifft die derzeitige KI den Menschen bereits in vielerlei Hinsicht. Menschen behalten jedoch einige einzigartige Eigenschaften wie die Effizienz des Gehirns, Emotionen und Seele. Ob superintelligente KI diese menschlichen Eigenschaften erlernen muss, bedarf möglicherweise weiterer Erforschung.
RTNet ist das erste neuronale Netzwerk, das der menschlichen Denkweise nahekommt. Während sich das Entscheidungsverhalten herkömmlicher neuronaler Netze deutlich von dem des Menschen unterscheidet, kann RTNet menschliches Wahrnehmungsverhalten, zufällige Entscheidungen und menschenähnliche Reaktionszeitverteilungen simulieren.
Der interne Mechanismus von RTNet ähnelt mehr dem tatsächlichen Mechanismus, der menschliche Reaktionszeiten erzeugt. Die Kernhypothese ist, dass Reaktionszeiten durch einen Prozess der sequentiellen Probenahme und Ergebnisakkumulation generiert werden. Die Netzwerkstruktur ist in zwei Phasen unterteilt:
-
Die erste Phase verwendet die Alexnet-Architektur, aber die Gewichtsparameter sind in BNN-Form. Bei jeder Inferenz werden Gewichte zufällig aus der erlernten Verteilung gezogen, was Zufälligkeit einführt.
-
Die zweite Phase ist ein Akkumulationsprozess, bei dem die Inferenzergebnisse akkumuliert werden, bis ein Schwellenwert erreicht ist.
RTNet simuliert prinzipiell zwei Eigenschaften menschlicher Entscheidungsfindung: die durch BNN eingeführte Zufälligkeit und unterschiedliche Ausführungszeiten für Aufgaben unterschiedlicher Schwierigkeit. Die Autoren zeigen durch umfassende Tests, dass RTNet alle grundlegenden Merkmale menschlicher Genauigkeit, Reaktionszeit und Zuversicht repliziert.
Menschliche Wahrnehmungsentscheidungen haben sechs grundlegende Merkmale:
- Entscheidungen sind zufällig
- Zeitdruck verkürzt die Reaktionszeit, verringert aber die Genauigkeit
- Schwierigere Entscheidungen führen zu geringerer Genauigkeit und längeren Reaktionszeiten
- Die Reaktionszeitverteilung ist rechtsschief und nimmt mit zunehmender Aufgabenschwierigkeit zu
- Korrekte Versuche haben kürzere Reaktionszeiten als falsche Versuche
- Korrekte Versuche haben eine höhere Zuversicht als falsche Versuche
Das experimentelle Design umfasste eine menschliche Kontrollgruppe und mehrere neuronale Netzwerkmodelle, einschließlich RTNet. Die menschliche Kontrollgruppe führte eine Ziffernerkennung durch und berichtete über die wahrgenommene Ziffer und die Entscheidungssicherheit. Das Experiment testete den Geschwindigkeits-Genauigkeits-Kompromiss (SAT) und verschiedene Aufgabenschwierigkeiten.
RTNet verwendet die Alexnet-Architektur und führt Zufälligkeit durch Bayessche neuronale Netze (BNN) ein. Die Forscher trainierten RTNet für 15 Epochen und erreichten eine Klassifizierungsgenauigkeit von über 97% auf dem MNIST-Testset.
Das Experiment umfasste auch andere neuronale Netzwerkmodelle wie CNet und BLNet zum Vergleich. CNet basiert auf einer Residual-Netzwerk-Architektur und nutzt Skip-Verbindungen, um Ausbreitungsverzögerungen einzuführen. BLNet ist ein RCNN, bestehend aus einem Standard-Feedforward-CNN und rekurrenten Verbindungen.