Είμαστε πραγματικά λογικοί; Η τεχνητή νοημοσύνη αμφισβητεί μια μακροχρόνια επιστημονική πεποίθηση
Οι επιστήμονες μελετούν εδώ και πολύ καιρό τον τρόπο με τον οποίο οι άνθρωποι και τα ζώα λαμβάνουν αποφάσεις, δίνοντας ιδιαίτερη έμφαση στο πώς η εμπειρία, οι δοκιμές και τα σφάλματα επηρεάζουν τη συμπεριφορά. Οι παραδοσιακές προσεγγίσεις στη γνωστική επιστήμη και τη νευροεπιστήμη βασίζονται σε μοντέλα που θεωρούν ότι οι οργανισμοί λειτουργούν με γνώμονα τη λογική και την επιδίωξη του βέλτιστου αποτελέσματος.
Με άλλα λόγια, ότι κάθε απόφαση που λαμβάνουμε βασίζεται στην αξιολόγηση προηγούμενων αποτελεσμάτων και στην προσπάθεια επιλογής της καλύτερης δυνατής εναλλακτικής. Ωστόσο, αυτές οι θεωρίες, παρά τη συμβολή τους στην κατανόηση της συμπεριφοράς, αγνοούν συχνά τη χαοτική, ατελή και συχνά παράλογη φύση των αποφάσεών μας.
Μια νέα μελέτη που δημοσιεύθηκε στο επιστημονικό περιοδικό Nature, έρχεται να αμφισβητήσει αυτή τη θεμελιώδη υπόθεση. Οι ερευνητές, με επικεφαλής επιστήμονες από το Πανεπιστήμιο της Νέας Υόρκης και το Πανεπιστήμιο της Καλιφόρνια στο Σαν Ντιέγκο, υιοθέτησαν μια διαφορετική προσέγγιση: αντί να προτείνουν πώς θα έπρεπε να μαθαίνει ο εγκέφαλος ώστε να λαμβάνει τις καλύτερες αποφάσεις, αναρωτήθηκαν πώς πραγματικά μαθαίνει ο εγκέφαλος και ποιοι μηχανισμοί καθοδηγούν την ανθρώπινη επιλογή στην πράξη.
Για να το κάνουν αυτό, χρησιμοποίησαν τεχνητή νοημοσύνη, και συγκεκριμένα μικρά τεχνητά νευρωνικά δίκτυα—υπολογιστικά μοντέλα που μιμούνται τη λειτουργία του ανθρώπινου εγκεφάλου, αλλά είναι αρκετά απλά ώστε να μπορούν να γίνουν πλήρως κατανοητά.
Όπως εξηγεί ο Marcelo Mattar, επίκουρος καθηγητής Ψυχολογίας στο NYU και ένας από τους συγγραφείς της μελέτης, η νέα αυτή προσέγγιση λειτουργεί σαν ένας «γνωστικός ντετέκτιβ» που δεν ξεκινά από θεωρίες, αλλά προσπαθεί να αποκαλύψει την αλήθεια της συμπεριφοράς μέσα από την ανάλυση της ίδιας της εμπειρίας. Χρησιμοποιώντας μικροσκοπικά νευρωνικά δίκτυα—αρκετά μικρά για να μπορεί κανείς να αναλύσει πλήρως τη δομή και τη λειτουργία τους αλλά και αρκετά ισχυρά ώστε να μπορούν να μοντελοποιήσουν πολύπλοκες συμπεριφορές—οι ερευνητές εντόπισαν μοτίβα και στρατηγικές λήψης αποφάσεων που είχαν αγνοηθεί για δεκαετίες.
Τα μικρά αυτά δίκτυα απέδωσαν εντυπωσιακά. Οι προβλέψεις τους σχετικά με τις επιλογές ζώων και ανθρώπων ξεπέρασαν τις επιδόσεις των κλασικών γνωστικών μοντέλων, τα οποία υποθέτουν ότι οι επιλογές μας είναι σχεδόν πάντα οι βέλτιστες. Επιπλέον, σε εργαστηριακά πειράματα, οι επιδόσεις των μικρών αυτών δικτύων ήταν συγκρίσιμες με εκείνες πολύ μεγαλύτερων, πιο πολύπλοκων νευρωνικών δικτύων όπως αυτά που χρησιμοποιούνται σε εμπορικές εφαρμογές τεχνητής νοημοσύνης. Το κρίσιμο όμως πλεονέκτημα των μικρών δικτύων ήταν η διαφάνεια: μπορούσαν να αναλυθούν εις βάθος και να αποκαλύψουν ξεκάθαρα ποιοι παράγοντες οδηγούν σε μια συγκεκριμένη απόφαση.
Ο Ji-An Li, υποψήφιος διδάκτορας στο πρόγραμμα Νευροεπιστημών του UC San Diego και ένας από τους συγγραφείς της μελέτης, επισημαίνει ότι η απλότητα των μικρών δικτύων τα καθιστά ιδανικά για την ανάπτυξη μαθηματικών εργαλείων που εξηγούν τις συμπεριφορές σε επίπεδο μηχανισμών. Αυτό θα ήταν εξαιρετικά δύσκολο σε πολύπλοκα, αδιαφανή δίκτυα, όπως αυτά που χρησιμοποιούνται στην εμπορική ΤΝ.
Ο Marcus Benna, επίσης συν-συγγραφέας της μελέτης και επίκουρος καθηγητής Νευροβιολογίας στο UC San Diego, προσθέτει ότι, ενώ τα μεγάλα μοντέλα ΤΝ είναι εξαιρετικά στην πρόβλεψη αποτελεσμάτων (όπως το ποια ταινία μπορεί να σας αρέσει), είναι σχεδόν αδύνατο να κατανοήσει κανείς πώς κατέληξαν σε αυτήν την πρόβλεψη. Τα μικρά μοντέλα, αντίθετα, επιτρέπουν πλήρη πρόσβαση στις «σκέψεις» τους.
Τα αποτελέσματα της μελέτης ξεπέρασαν τις προσδοκίες. Το μοντέλο που ανέπτυξαν οι ερευνητές ήταν σε θέση να προβλέψει τις επιλογές όχι μόνο ανθρώπων αλλά και ζώων όπως μη ανθρώπινα πρωτεύοντα και εργαστηριακοί αρουραίοι. Αυτό από μόνο του δεν θα ήταν εντυπωσιακό αν οι προβλέψεις ήταν βέλτιστες. Αντιθέτως, το μοντέλο κατάφερε να προβλέψει υποβέλτιστες αποφάσεις—δηλαδή επιλογές που δεν οδηγούν πάντα στο καλύτερο δυνατό αποτέλεσμα, αλλά τις οποίες όντως παίρνουν οι οργανισμοί στον πραγματικό κόσμο. Με αυτόν τον τρόπο, αντανακλά καλύτερα την πολύπλοκη και συχνά μη λογική φύση της λήψης αποφάσεων όπως τη βιώνουμε καθημερινά.
Ένα από τα σημαντικότερα ευρήματα της έρευνας ήταν η ικανότητα του μοντέλου να προβλέπει τις επιλογές σε ατομικό επίπεδο. Ενώ τα περισσότερα κλασικά μοντέλα επιδιώκουν να αποδώσουν μια γενικευμένη «συνταγή» για το πώς λειτουργεί ο ανθρώπινος νους, το μοντέλο των Mattar και συνεργατών αποκάλυψε ότι κάθε άτομο εφαρμόζει τις δικές του στρατηγικές, οι οποίες συχνά διαφέρουν ριζικά από άτομο σε άτομο. Αυτή η διαφοροποίηση είναι ουσιώδης και ενδέχεται να έχει τεράστιες επιπτώσεις σε τομείς όπως η ψυχική υγεία, η εκπαίδευση και η γνωστική θεραπεία.
Ο Marcelo Mattar επισημαίνει ότι, όπως η κατανόηση των ατομικών διαφορών στα φυσιολογικά χαρακτηριστικά έχει ήδη μεταμορφώσει την ιατρική μέσω της εξατομικευμένης θεραπείας, έτσι και η κατανόηση των ατομικών διαφορών στη λήψη αποφάσεων θα μπορούσε να μεταμορφώσει τη διαχείριση της ψυχικής υγείας και της νοητικής λειτουργίας. Σε έναν κόσμο όπου η επιστήμη και η τεχνολογία τείνουν να επιδιώκουν το «τέλειο» και το «βέλτιστο», η αποδοχή και η μοντελοποίηση της ατελούς, ανθρώπινης φύσης μας μπορεί τελικά να αποδειχθεί το πιο ακριβές και ελπιδοφόρο μονοπάτι προς την κατανόηση του νου.
