Недавно исследователи из Технологического института Джорджии разработали RTNet, впервые продемонстрировав, что его "способ мышления" очень похож на человеческий.
С точки зрения возможностей, современный ИИ уже превосходит человека во многих аспектах. Однако люди все еще обладают некоторыми уникальными характеристиками, такими как эффективность мозга, эмоции и душа. Вопрос о том, нужно ли сверхразумному ИИ изучать эти человеческие особенности, возможно, требует дальнейшего исследования.
RTNet, разработанный исследователями, является первой нейронной сетью, близкой к человеческому способу мышления. В то время как традиционные нейронные сети принимают решения значительно иначе, чем люди, RTNet способен имитировать человеческое восприятие, генерировать случайные решения и распределение времени реакции, подобное человеческому.
Внутренний механизм RTNet ближе к реальному механизму генерации времени реакции у людей. Его ключевое предположение заключается в том, что время реакции генерируется процессом последовательной выборки и накопления результатов. Структура сети разделена на два этапа:
-
Первый этап использует архитектуру Alexnet, но веса параметров имеют форму BNN, случайно выбираемую из изученного распределения при каждом выводе, что вносит элемент случайности.
-
Второй этап - это процесс накопления, где результаты вывода накапливаются до достижения порога.
RTNet в принципе имитирует две характеристики человеческого принятия решений: случайность, вносимую BNN, и различное время выполнения для задач разной сложности. Авторы продемонстрировали путем всесторонних тестов, что RTNet воспроизводит все основные характеристики человеческой точности, времени реакции и уверенности.
Человеческое восприятие и принятие решений имеют шесть основных характеристик:
- Решения случайны
- Давление времени сокращает время реакции, но снижает точность
- Более сложные решения приводят к снижению точности и увеличению времени реакции
- Распределение времени реакции смещено вправо и увеличивается с ростом сложности задачи
- Время реакции для правильных попыток ниже, чем для неправильных
- Уверенность в правильных попытках выше, чем в неправильных
Экспериментальный дизайн включал контрольную группу людей и несколько моделей нейронных сетей, включая RTNet. Контрольная группа людей выполняла задачу распознавания цифр, сообщая о воспринимаемой цифре и уверенности в решении. Эксперимент тестировал компромисс между скоростью и точностью (SAT) и различные уровни сложности задач.
RTNet использует архитектуру Alexnet с байесовской нейронной сетью (BNN) для внесения случайности. Исследователи обучали RTNet в течение 15 эпох, достигнув более 97% точности классификации на тестовом наборе MNIST.
Эксперимент также включал другие модели нейронных сетей для сравнения, такие как CNet и BLNet. CNet основан на архитектуре остаточной сети, использующей пропускные соединения для введения задержки распространения. BLNet - это RCNN, состоящая из стандартной прямой CNN и рекуррентных соединений.