Neuronale Modelle lernen durch sprachliche Anweisungen neuartige Aufgaben zu lösen
Künstliche Intelligenz lernt nur durch Sprachanweisung: Forscher haben einen bedeutenden Fortschritt dabei erzielt, künstlichen neuronalen Netzen beizubringen, bisher unbekannte Aufgaben allein auf Basis von Textanweisungen auszuführen. Dieser Ansatz des “Zero-Shot-Learnings” ähnelt der Fähigkeit des Menschen, rein aus sprachlichen Instruktionen heraus neue Fertigkeiten zu erlernen, ohne vorher explizit dafür trainiert worden zu sein.
Bisher mussten neuronale Netze für jede spezifische Aufgabe aufwändig mit vielen Beispieldaten trainiert werden. Lernfortschritte in einem Bereich ließen sich kaum auf andere Probleme übertragen. Die aktuellen Durchbrüche im “Zero-Shot-Learning” ermöglichen es KI-Systemen nun, ähnlich wie Menschen, ihr Wissen und ihre Fähigkeiten zu generalisieren und auf völlig neue Situationen anzuwenden.
Das eröffnet faszinierende Möglichkeiten: Zukünftig könnten KI-Assistenten flexibel eine Vielzahl von Aufgaben übernehmen, indem man ihnen einfach erklärt, was zu tun ist – ganz ohne spezielles Training. Sie wären damit vielseitiger und autonomer einsetzbar.
Diese Generalisierungsfähigkeit ist eine Kernkomponente menschlicher Intelligenz. Wir lernen Konzepte wie Sprache, Logik und Problemlösung und wenden dieses Wissen dann auf unzählige neuartige Situationen an. Dass KI-Systeme nun einen Grundstein dafür legen, allein aus Beschreibungen zu lernen, ist ein wichtiger Schritt zu einem umfassenderen, menschenähnlicheren Verständnis.
Sprache als Gerüst für sensomotorische Repräsentationen
Die besten der getesteten Modelle konnten im Durchschnitt 83% der Aufgaben korrekt lösen, die sie zuvor noch nie gesehen hatten. Der Schlüssel zum Erfolg scheint darin zu liegen, die Sprache so zu repräsentieren, dass sie als Gerüst für die sensomotorischen Fähigkeiten des neuronalen Netzes dient.
Dabei teilen die neuronalen Aktivitätsmuster für verwandte Aufgaben eine gemeinsame geometrische Struktur mit den semantischen Repräsentationen der Anweisungen. Dies erlaubt es, durch die Sprache die richtigen Kombinationen aus zuvor gelernten Fähigkeiten in neuen Situationen abzurufen.
Neuronale Aktivität passt sich Bedeutung der Instruktionen an
Interessanterweise zeigte sich auch, dass einzelne Neuronen ihre Aktivität basierend auf der Semantik der Anweisungen modulieren. Die Modelle lernen also flexibel, die Bedeutung der Sprache auf die Verarbeitung von Sinnesreizen und motorischen Aktionen abzubilden.
Modelle können Aufgaben auch in Worten beschreiben
Nachdem ein Modell eine neue Aufgabe durch Ausprobieren identifiziert hatte, konnte es diese anschließend auch in Textform beschreiben. Diese Beschreibung konnte dann wiederum von einem anderen Modell interpretiert werden, um dieselbe Aufgabe auszuführen. Dies unterstreicht das bidirektionale Verständnis der Modelle für den Zusammenhang zwischen Sprache und Handlung.
Vorhersagen für Sprachverarbeitung im menschlichen Gehirn
Die Forschungsergebnisse liefern mehrere überprüfbare Vorhersagen dazu, wie sprachliche Informationen im menschlichen Gehirn repräsentiert sein müssen, um flexibles und generalisiertes Verhalten zu ermöglichen.
Insbesondere die gemeinsame geometrische Struktur zwischen Aktivitätsmustern in sprachverarbeitenden und sensomotorischen Arealen könnte ein neuronales Korrelat der Fähigkeit sein, bekannte Fertigkeiten anhand von Anweisungen neu zu kombinieren. Auch die semantikabhängige Modulation einzelner Neuronen ließe sich möglicherweise im Gehirn nachweisen.
Fazit Künstliche Intelligenz lernt nur durch Sprachanweisung
Die vorgestellten Modelle demonstrieren eindrucksvoll, wie künstliche Intelligenz natürliche Sprache nutzen kann, um ähnlich flexibel und anpassungsfähig zu lernen wie Menschen. Gleichzeitig liefern sie neue Einsichten in die möglichen Hirn-Mechanismen, die unsere Fähigkeit zur sprachlichen Instruktion und Beschreibung von Tätigkeiten ermöglichen. Zukünftige Studien können nun gezielt untersuchen, ob sich die vorhergesagten neuronalen Phänomene auch im menschlichen Gehirn nachweisen lassen.
Die Studie von Riveland und Pouget stellt einen bedeutenden Fortschritt in der Erforschung der kompositionellen Generalisierung dar, einer Kernkompetenz menschlicher Lernfähigkeit. Durch die Verknüpfung von Neurowissenschaften und künstlicher Intelligenz konnten die Autoren zeigen, dass abstrakte interne Repräsentationen sowohl im menschlichen Gehirn als auch in künstlichen neuronalen Netzen (KNNs) eine entscheidende Rolle für die Fähigkeit spielen, aus bekannten Bausteinen neue Konzepte zu bilden.
Besonders bemerkenswert ist, dass die in KNNs durch effizientes Pretraining induzierten abstrakten Repräsentationen nicht nur zu exzellenter Generalisierung und dateneffizientem Lernen führten, sondern auch mit den im menschlichen Gehirn beobachteten Aktivierungsmustern übereinstimmten. Diese Ergebnisse deuten darauf hin, dass KNNs durch geeignete Vorverarbeitung Fähigkeiten entwickeln können, die einer Kernkompetenz menschlicher Intelligenz – dem flexiblen Kombinieren von Gelerntem – sehr nahekommen.
Die Studie leistet damit einen wichtigen Beitrag zum Verständnis der neuronalen Grundlagen kompositioneller Generalisierung und zeigt vielversprechende Wege auf, diese Fähigkeiten in künstlichen Systemen zu implementieren. Auch wenn KNNs die menschliche Lernfähigkeit noch nicht in ihrer ganzen Komplexität abbilden, stellt diese Arbeit einen bedeutenden Schritt hin zu intelligenteren, flexibler einsetzbaren KI-Systemen dar, die uns tiefe Einblicke in die Funktionsweise des menschlichen Gehirns ermöglichen.
Quelle: Nature
#KünstlicheIntelligenz #NeuronaleNetze #ZeroShotLearning #SprachverarbeitungImGehirn #KognitivePsychologie #artificalintelligence #AI #NLP