O grupo combinou essa ideia com a teoria da 'sociedade da ment | Pereda News - Conhecimento e Informação diariamente.

O grupo combinou essa ideia com a teoria da "sociedade da mente" do pioneiro da IA ​​Marvin Minsky, que postula que a mente consiste em muitos processos cognitivos especializados que interagem para criar um todo coerente. O resultado é um sistema conceitual composto por vários componentes especializados para diferentes tarefas do sistema 1 e do sistema 2.

Como na mente humana, os agentes do sistema 1 entram em ação automaticamente assim que a IA recebe uma tarefa. Mas um módulo "metacognitivo" abrangente avalia suas soluções e, se elas não funcionarem, puxa para um agente do sistema 2 mais deliberativo. Não importa necessariamente qual tecnologia é usada para componentes individuais, diz Rossi, mas em seus primeiros experimentos, os agentes do sistema 1 geralmente são orientados por dados, enquanto os agentes do sistema 2 e o módulo metacognitivo dependem de abordagens simbólicas.

Há uma resistência considerável ao renascimento das abordagens simbólicas. Em um artigo recente, os três pioneiros do aprendizado profundo - Geoffrey Hinton, Yoshua Bengio e Yann LeCun - deixaram claro que acham que os recursos do sistema 2 devem ser aprendidos por redes neurais, não construídos manualmente.

O argumento, diz Richards, é que os humanos não são inteligentes o suficiente para construir sistemas de símbolos que capturem a complexidade do mundo real. O foco deve, portanto, ser descobrir como encorajar uma rede a se desenvolver de maneira a imitar o desenvolvimento de habilidades cognitivas de alto nível do cérebro.

“Não somos inteligentes o suficiente para projetar essas coisas manualmente”, diz ele. "E você não precisa ser. Você pode simplesmente deixar a rede neural descobrir a solução.”

Ainda não sabemos como orientar um para fazê-lo, no entanto. Brenden Lake, da Universidade de Nova York e Meta AI Research, diz que uma abordagem promissora é construir modelos simbólicos que replicam aspectos da inteligência humana e, em seguida, tentar substituir o maior número possível de componentes por aprendizado de máquina orientado a dados.

“Você pode pegar modelos simbólicos que foram realmente bem-sucedidos e ver quais são as peças simbólicas mínimas e críticas que você precisa para explicar suas habilidades”, diz ele.

Em última análise, provavelmente há benefícios para as abordagens de cima para baixo e de baixo para cima, diz Konrad Kording, da Universidade da Pensilvânia. Estudar o comportamento humano pode nos dar pistas sobre os processos cognitivos abstratos que precisamos replicar em máquinas pensantes, diz ele, enquanto a neurociência fundamental pode nos informar sobre os blocos de construção necessários para construí-los com eficiência.

Mas talvez a maior contribuição de qualquer abordagem para a IA seja cultural, diz Kording. A pesquisa de IA hoje é impulsionada por desafios e competições de benchmark, que promovem uma abordagem incrementalista. A maioria dos avanços é alcançada simplesmente ajustando o modelo de última geração anterior ou treinando-o em mais dados ou em computadores cada vez maiores.

Aqueles que estudam a inteligência humana trazem uma perspectiva diferente para o campo. "Eles são movidos por uma vontade de entender em vez de uma vontade de competir", diz Kording. A longo prazo, essa atitude pode ser mais valiosa do que quaisquer detalhes sobre como nossos cérebros e mentes funcionam.



Leia mais: https://www.newscientist.com/article/mg25333740-900-hybrid-ai-a-new-way-to-make-machine-minds-that-really-think-like-us/#ixzz7LHVeam1x