Recentemente, pesquisadores do Instituto de Tecnologia da Geórgia desenvolveram o RTNet, demonstrando pela primeira vez que seu "modo de pensar" é muito semelhante ao dos humanos.
Em termos de capacidade, a especialização da IA atual já superou os humanos em muitos aspectos. No entanto, os humanos ainda mantêm algumas características únicas, como a eficiência do cérebro, emoções e alma. Se a superinteligência precisa aprender essas características humanas ainda pode requerer mais exploração.
O RTNet desenvolvido pelos pesquisadores é a primeira rede neural com um modo de pensar próximo ao dos humanos. O comportamento de tomada de decisão das redes neurais tradicionais é significativamente diferente dos humanos, enquanto o RTNet pode simular o comportamento perceptivo humano, gerar decisões aleatórias e distribuições de tempo de resposta semelhantes às humanas.
O mecanismo interno do RTNet está mais próximo do mecanismo real de geração de tempos de resposta humanos. Sua hipótese central é que os tempos de resposta são gerados por um processo de amostragem sequencial e acumulação de resultados. A estrutura da rede é dividida em duas fases:
-
A primeira fase adota a arquitetura Alexnet, mas os parâmetros de peso estão na forma de BNN, amostrando aleatoriamente pesos da distribuição aprendida durante cada inferência, introduzindo aleatoriedade.
-
A segunda fase é um processo de acumulação, acumulando os resultados da inferência até atingir um limiar.
O RTNet simula em princípio duas características da tomada de decisão humana: a aleatoriedade introduzida pelo BNN e tempos de conclusão diferentes para tarefas de diferentes dificuldades. Os autores demonstraram através de testes abrangentes que o RTNet replica todas as características básicas da precisão, tempo de resposta e confiança humanos.
A percepção e decisão humanas têm seis características básicas:
- As decisões são aleatórias
- A pressão de velocidade encurta o tempo de resposta, mas reduz a precisão
- Decisões mais difíceis levam a menor precisão e tempos de resposta mais longos
- A distribuição do tempo de resposta é enviesada à direita, aumentando com a dificuldade da tarefa
- Os tempos de resposta para tentativas corretas são menores que para tentativas incorretas
- A confiança é maior para tentativas corretas do que para incorretas
O design experimental incluiu um grupo de controle humano e vários modelos de redes neurais, incluindo o RTNet. O grupo de controle humano realizou uma tarefa de discriminação numérica, relatando o número percebido e a confiança na decisão. O experimento testou o trade-off velocidade-precisão (SAT) e diferentes níveis de dificuldade da tarefa.
O RTNet adota a arquitetura Alexnet, usando redes neurais bayesianas (BNN) para introduzir aleatoriedade. Os pesquisadores treinaram o RTNet por 15 épocas, alcançando mais de 97% de precisão de classificação no conjunto de teste MNIST.
O experimento também incluiu outros modelos de redes neurais como comparação, como CNet e BLNet. O CNet é baseado na arquitetura de rede residual, utilizando conexões de salto para introduzir atrasos de propagação. O BLNet é um RCNN, composto por uma CNN feed-forward padrão e conexões recorrentes.