Recientemente, investigadores del Instituto de Tecnología de Georgia desarrollaron RTNet, demostrando por primera vez que su "forma de pensar" es muy similar a la de los humanos.
En términos de capacidad, la especialización de la IA actual ya ha superado a los humanos en muchos aspectos. Sin embargo, los humanos aún conservan algunas características únicas, como la eficiencia del cerebro, las emociones y el alma. Si la superinteligencia necesita aprender estas características humanas, puede requerir más exploración.
RTNet, desarrollada por los investigadores, es la primera red neuronal con un modo de pensamiento cercano al humano. Las redes neuronales tradicionales tienen un comportamiento de toma de decisiones significativamente diferente al de los humanos, mientras que RTNet puede simular el comportamiento perceptivo humano, generar decisiones aleatorias y distribuciones de tiempo de respuesta similares a las humanas.
El mecanismo interno de RTNet está más cerca del mecanismo real de generación de tiempos de respuesta humanos. Su hipótesis central es que los tiempos de respuesta se generan mediante un proceso de muestreo secuencial y acumulación de resultados. La estructura de la red se divide en dos etapas:
-
La primera etapa utiliza la arquitectura Alexnet, pero los parámetros de peso están en forma de BNN, muestreando aleatoriamente los pesos de la distribución aprendida en cada inferencia, introduciendo aleatoriedad.
-
La segunda etapa es un proceso acumulativo, acumulando los resultados de la inferencia hasta alcanzar un umbral.
RTNet simula en principio dos características de la toma de decisiones humana: la aleatoriedad introducida por BNN y diferentes tiempos de finalización para tareas de diferente dificultad. Los autores demostraron a través de pruebas exhaustivas que RTNet replica todas las características básicas de la precisión, el tiempo de respuesta y la confianza humanos.
La percepción y decisión humana tiene seis características básicas:
- Las decisiones son aleatorias
- La presión de velocidad acorta los tiempos de respuesta pero reduce la precisión
- Las decisiones más difíciles conducen a una menor precisión y tiempos de respuesta más largos
- La distribución de los tiempos de respuesta está sesgada a la derecha, aumentando con la dificultad de la tarea
- Los tiempos de respuesta de los ensayos correctos son más bajos que los de los ensayos incorrectos
- La confianza en los ensayos correctos es mayor que en los ensayos incorrectos
El diseño experimental incluyó un grupo de control humano y varios modelos de redes neuronales, incluido RTNet. El grupo de control humano realizó tareas de discriminación numérica, informando sobre los números percibidos y la confianza en la decisión. El experimento probó el equilibrio velocidad-precisión (SAT) y diferentes niveles de dificultad de las tareas.
RTNet utiliza la arquitectura Alexnet, introduciendo aleatoriedad mediante redes neuronales bayesianas (BNN). Los investigadores entrenaron RTNet durante 15 épocas, logrando una precisión de clasificación superior al 97% en el conjunto de prueba MNIST.
El experimento también incluyó otros modelos de redes neuronales como CNet y BLNet para comparación. CNet se basa en la arquitectura de red residual, utilizando conexiones de salto para introducir retrasos de propagación. BLNet es una RCNN compuesta por una CNN de alimentación directa estándar y conexiones recurrentes.