Récemment, des chercheurs de l'Institut de technologie de Géorgie ont développé RTNet, démontrant pour la première fois que sa "façon de penser" est très similaire à celle des humains.
En termes de capacités, l'expertise de l'IA actuelle dépasse déjà celle des humains dans de nombreux domaines. Cependant, les humains conservent certaines caractéristiques uniques, telles que l'efficacité du cerveau, les émotions et l'âme. La question de savoir si une superintelligence doit apprendre ces caractéristiques humaines nécessite peut-être une exploration plus approfondie.
RTNet, développé par les chercheurs, est le premier réseau neuronal dont le mode de pensée est proche de celui des humains. Contrairement aux réseaux neuronaux traditionnels dont le comportement décisionnel diffère significativement de celui des humains, RTNet peut simuler le comportement perceptif humain, générer des décisions aléatoires et produire des distributions de temps de réponse similaires à celles des humains.
Le mécanisme interne de RTNet est plus proche du véritable mécanisme de génération des temps de réponse humains. Son hypothèse centrale est que les temps de réponse sont générés par un processus d'échantillonnage séquentiel et d'accumulation de résultats. La structure du réseau se divise en deux étapes :
-
La première étape utilise l'architecture Alexnet, mais les paramètres de poids sont sous forme de BNN, échantillonnant aléatoirement les poids à partir de la distribution apprise lors de chaque inférence, introduisant ainsi de l'aléatoire.
-
La deuxième étape est un processus d'accumulation, accumulant les résultats d'inférence jusqu'à atteindre un seuil.
RTNet simule en principe deux caractéristiques de la prise de décision humaine : l'aléatoire introduit par le BNN et des temps d'achèvement différents pour des tâches de difficulté variable. Les auteurs ont démontré par des tests complets que RTNet reproduit toutes les caractéristiques fondamentales de la précision, du temps de réponse et de la confiance humains.
La perception et la prise de décision humaines présentent six caractéristiques fondamentales :
- Les décisions sont aléatoires
- La pression temporelle raccourcit les temps de réponse mais réduit la précision
- Les décisions plus difficiles entraînent une baisse de précision et un allongement du temps de réponse
- La distribution des temps de réponse est asymétrique à droite et augmente avec la difficulté de la tâche
- Les temps de réponse des essais corrects sont inférieurs à ceux des essais incorrects
- La confiance est plus élevée pour les essais corrects que pour les essais incorrects
La conception expérimentale comprenait un groupe de contrôle humain et plusieurs modèles de réseaux neuronaux, dont RTNet. Le groupe de contrôle humain a effectué une tâche de discrimination numérique, rapportant le chiffre perçu et la confiance dans la décision. L'expérience a testé le compromis vitesse-précision (SAT) et différentes difficultés de tâches.
RTNet utilise l'architecture Alexnet avec des réseaux neuronaux bayésiens (BNN) pour introduire de l'aléatoire. Les chercheurs ont entraîné RTNet pendant 15 époques, atteignant une précision de classification supérieure à 97% sur l'ensemble de test MNIST.
L'expérience incluait également d'autres modèles de réseaux neuronaux comme CNet et BLNet pour comparaison. CNet est basé sur une architecture de réseau résiduel, utilisant des connexions de saut pour introduire des délais de propagation. BLNet est un RCNN composé d'un CNN feed-forward standard et de connexions récurrentes.