2025. 05. 02. - 08:20
Bukta: a társas interakciókat nemigen értelmezi jól a mesterséges intelligencia
Kudarcot vallottak a mesterséges intelligencia modellek a társas interakciók előrejelzésében – az emberek még mindig jobbak ezen a területen.
Az emberek még mindig jobbak, mint a jelenlegi mesterséges intelligencia-modellek a mozgó jelenetekben zajló társas interakciók leírásában és értelmezésében – tudatta egy új kutatás.
A fenti készség elengedhetetlen az önvezető autókhoz, a segítő robotokhoz és más, mesterséges intelligencia-rendszerekre támaszkodó technológiákhoz a valós világban történő navigáláshoz.
A Johns Hopkins Egyetem tudósai által vezetett kutatás állapította meg, hogy a mesterséges intelligencia-rendszerek nem értik meg az emberekkel való interakcióhoz szükséges társadalmi dinamikát és kontextust, s arra is utalt, hogy a probléma az MI-rendszerek infrastruktúrájában gyökerezhet.
„Egy önvezető autó mesterséges intelligenciájának például fel kellene ismernie az ember sofőrök és a gyalogosok szándékait, céljait és cselekedeteit. Azt szeretnénk, hogy tudja, merre készül egy gyalogos elindulni, vagy hogy két ember beszélget-e, vagy éppen átkelni készül az úton” – mondta Leyla Isik, a tanulmány vezető szerzője, a Johns Hopkins Egyetem kognitív tudomány adjunktusa. Olvasd el: Nemcsak látja, érti is a történéseket az új MI-kamera
„Bármikor, amikor azt szeretnénk, hogy egy mesterséges intelligencia emberekkel kommunikáljon, fontos, hogy képes legyen felismerni, mit is csinálnak az emberek. Szerintem ez rávilágít arra a tényre, hogy ezek a rendszerek jelenleg nem képesek erre” – jelezte a szakember.
A kutatás eredményét a Tanulási Reprezentációk Nemzetközi Konferenciáján mutatta be Kathy Garcia, a kutatás idején Isik laboratóriumában dolgozó doktorandusz és a cikk társszerzője.
A mesterséges intelligencia nem tudta leírni, mit csinálnak az emberek
A klipekben olyan emberek szerepeltek, akik egymással léptek interakcióba, egymás melletti vagy önálló tevékenységeket végeztek.
A kutatók ezután több mint 350 MI nyelvi, videó- és képmodellt kértek meg, hogy jelezzék előre, hogyan ítélik meg az emberek a videókat, s miként reagál az agyuk a nézésre. Nagyobb nyelvi modellek esetében a kutatók a mesterséges intelligenciákkal rövid, ember által írt feliratokat értékeltettek.
A résztvevők többnyire egyetértettek egymással minden kérdésben; a mesterséges intelligencia modelljei, méretüktől vagy a betanított adatoktól függetlenül, nem tudták pontosan leírni, hogy mit csinálnak az emberek a videókban.
Még a képmodellek sem tudták megbízhatóan megjósolni, hogy az emberek kommunikálnak-e. A nyelvi modellek jobban jósolták meg az emberi viselkedést, míg a videómodellek az agy idegi aktivitásának előrejelzésében bizonyultak hatékonyabbnak.
Az eredmények éles ellentétben állnak a mesterséges intelligencia állóképek olvasásában elért sikereivel – emelték ki a kutatók.
„Nem elég csak látni egy képet, felismerni a tárgyakat és az arcokat. Ez volt az első lépés, ami messzire vitt minket a mesterséges intelligencia területén. De a való élet nem statikus. Szükségünk van a mesterséges intelligenciára, hogy megértsük a jelenetben kibontakozó történetet. A társas interakciók kapcsolatainak, kontextusának és dinamikájának megértése a következő lépés, s ez a kutatás arra utal, hogy lehet egy vakfolt a mesterséges intelligencia modellfejlesztésében” – mondta Kathy Garcia.
A kutatók úgy vélik, hogy ez azért van, mert a mesterséges intelligencia neurális hálózatait az agy statikus képeket feldolgozó részének infrastruktúrája inspirálta, amely eltér a dinamikus társas jeleneteket feldolgozó agyterülettől.
„Sok apró részlet van ebben, azonban a lényeg az, hogy egyik mesterséges intelligencia-modell sem képes az emberi agy és viselkedés reakcióit a jelenetekre úgy összehangolni, mint a statikus jelenetek esetében. Azt hiszem, van valami alapvető dolog abban, ahogyan az emberek feldolgozzák a jeleneteket, amit ezek a modellek nem vesznek észre” – mondta el Leyla Isik.
B.A.
