Η Τεχνητή Νοημοσύνη χρειάζεται 92.000 χρόνια για να μάθει γλώσσες όσο... ένα παιδί

Μια νέα μελέτη εκτιμά ότι θα χρειαστούν 92.000 χρόνια για να φτάσει ένα σύστημα τεχνητής νοημοσύνης όπως το ChatGPT στην ίδια ταχύτητα εκμάθησης γλωσσών με ένα φυσιολογικό παιδί.

Το γεγονός ότι τα παιδιά μαθαίνουν τη γλώσσα πιο αποτελεσματικά από οποιοδήποτε τρέχον σύστημα τεχνητής νοημοσύνης (AI) θα μπορούσε να διαμορφώσει το μέλλον της εκπαίδευσης , της τεχνολογίας και της επιστήμης του εγκεφάλου - Εικόνα φωτογραφίας

Νέα έρευνα από την καθηγήτρια Caroline Rowland στο Ινστιτούτο Max Planck για την Ψυχολογία των Γλωσσών (Ολλανδία) δείχνει ότι τα παιδιά μαθαίνουν τη γλώσσα πολύ πιο αποτελεσματικά από την τρέχουσα τεχνολογία τεχνητής νοημοσύνης.

Τα παιδιά όχι μόνο απορροφούν τη γλώσσα, αλλά και χτίζουν τα δικά τους συστήματα μέσω αλληλεπιδράσεων, συναισθημάτων και έντονων εμπειριών. Εν τω μεταξύ, η τεχνολογία τεχνητής νοημοσύνης εξακολουθεί να δυσκολεύεται να συνδέσει πολυαισθητηριακές πληροφορίες.

Αυτή η έρευνα όχι μόνο βοηθά στην κατανόηση της γλωσσικής ανάπτυξης στα παιδιά, αλλά ανοίγει και νέες κατευθύνσεις για τη βελτίωση της τεχνολογίας τεχνητής νοημοσύνης στο μέλλον.

Τα παιδιά «ζουν μέσα στη γλώσσα», η τεχνητή νοημοσύνη απλώς «επεξεργάζεται δεδομένα»

Σύμφωνα με τον καθηγητή Ρόουλαντ, τα παιδιά «ζουν μέσα στη γλώσσα», ενώ η Τεχνητή Νοημοσύνη απλώς «επεξεργάζεται δεδομένα». Η ενεργός συμμετοχή στον κόσμο : από το σέρσιμο, το άγγιγμα, την ακρόαση, την όραση, μέχρι το ερώτημα και τη μίμηση είναι αυτή που βοηθά τον εγκέφαλο του παιδιού να συνδέει φυσικά τη γλώσσα με συναισθήματα, χειρονομίες και συμφραζόμενα.

Στην πραγματικότητα, έρευνες εκτιμούν ότι ένα σύστημα τεχνητής νοημοσύνης όπως το ChatGPT θα χρειαζόταν 92.000 χρόνια για να φτάσει την ίδια ταχύτητα εκμάθησης γλωσσών με ένα φυσιολογικό παιδί.

Οι επιστήμονες βρήκαν μια εξήγηση για το γιατί τα παιδιά μαθαίνουν γλώσσες πολύ πιο γρήγορα και αποτελεσματικά από τα συστήματα τεχνητής νοημοσύνης (AI). Συνεπώς, ο ανθρώπινος εγκέφαλος διαθέτει ειδικούς μηχανισμούς μάθησης που οι μηχανές δεν έχουν ακόμη καταφέρει να προσομοιώσουν, εστιάζοντας σε τρεις βασικές διαφορές: τον τρόπο λήψης των πληροφοριών, την κοινωνική αλληλεπίδραση και τον μηχανισμό κατασκευής της γλώσσας.

Τα παιδιά μαθαίνουν τη γλώσσα όχι μόνο από δεδομένα κειμένου, αλλά συνδυάζουν επίσης πληροφορίες από πολλές αισθήσεις ταυτόχρονα: ακοή, όραση, αφή, ακόμη και όσφρηση και γεύση. Για παράδειγμα, όταν ένα μωρό μαθαίνει τη λέξη «σκύλος», ο εγκέφαλος θυμάται ταυτόχρονα τον ήχο του γαβγίσματος ενός σκύλου, την εικόνα ενός σκύλου, την αίσθηση της απαλής γούνας του και το χαρούμενο συναίσθημα του παιχνιδιού μαζί του.

Αυτός ο πολυεπίπεδος συνδυασμός βοηθά τα παιδιά να κατανοήσουν και να θυμούνται τη γλώσσα σε βάθος, δημιουργώντας συνδέσεις μεταξύ ήχων, εικόνων, συναισθημάτων και νοημάτων. Εν τω μεταξύ, τα τρέχοντα συστήματα τεχνητής νοημοσύνης εξακολουθούν να επεξεργάζονται κυρίως στατικά δεδομένα κειμένου και δεν έχουν την ικανότητα να συνδέουν πληροφορίες από πολλαπλές αισθήσεις, γεγονός που δυσχεραίνει την επίτευξη φυσικής κατανόησης από τις μηχανές, όπως οι άνθρωποι.

Διαφορετικά «μαθησιακά» πλαίσια

Η τεχνολογία τεχνητής νοημοσύνης, παρά την ευφυΐα της, εξακολουθεί να υστερεί κατά πολύ σε σχέση με τους ανθρώπους στην εκμάθηση γλωσσών - Φωτογραφία: AI

Ένας άλλος βασικός παράγοντας είναι ότι τα παιδιά μαθαίνουν τη γλώσσα σε έντονα περιβάλλοντα. Όταν οι γονείς διαβάζουν βιβλία, δείχνουν ένα πουλί στον ουρανό ή παίζουν με φίλους, τα παιδιά λαμβάνουν συνεχώς πληροφορίες από ήχους, εικόνες, χειρονομίες και συναισθήματα. Αυτό βοηθά τον εγκέφαλο να σχηματίζει πλούσια δίκτυα συνδέσεων, μαθαίνοντας και χρησιμοποιώντας έτσι τη γλώσσα πιο φυσικά.

Αντιθέτως, η Τεχνητή Νοημοσύνη μαθαίνει από στατικά δεδομένα κειμένου και δεν διαθέτει τις συναισθηματικές, χειρονομιακές και κοινωνικές αποχρώσεις που αποτελούν βασικά συστατικά της έκφρασης και κατανόησης της ανθρώπινης γλώσσας.

Επιπλέον, τα παιδιά δεν «προφορτώνουν» γνώσεις όπως η Τεχνητή Νοημοσύνη, αλλά χτίζουν το δικό τους γλωσσικό σύστημα μέσω δοκιμών και σφαλμάτων.

Για παράδειγμα, τα παιδιά μπορούν να προσθέσουν λέξεις που εκφράζουν μια ενέργεια σε παρελθοντικό χρόνο χωρίς να έχουν διδαχθεί επίσημα, όπως η λέξη "đà…rổi": "Con đã ăn cơm" (Έχω ήδη φάει ρύζι). Αυτή είναι μια βήμα προς βήμα διαδικασία, που αναπτύσσεται και τελειοποιείται συνεχώς με την πάροδο του χρόνου, μια ικανότητα που η Τεχνητή Νοημοσύνη δεν μπορεί ακόμη να αναπαράγει.

Αυτή η νέα έρευνα όχι μόνο βοηθά στην καλύτερη κατανόηση της γλωσσικής ανάπτυξης στα παιδιά, αλλά ανοίγει και νέες προσεγγίσεις για την Τεχνητή Νοημοσύνη. Οι επιστήμονες πιστεύουν ότι για να μπορέσουν οι υπολογιστές να μάθουν τη φυσική γλώσσα όπως οι άνθρωποι, η Τεχνητή Νοημοσύνη πρέπει να αλληλεπιδρά περισσότερο με τον πραγματικό κόσμο, συμπεριλαμβανομένης της κίνησης, της αφής, της παρατήρησης και της ανατροφοδότησης.

Επιπλέον, η μελέτη υποδηλώνει ότι τα πρότυπα εκμάθησης γλωσσών των παιδιών μπορεί να αντικατοπτρίζουν τον τρόπο με τον οποίο οι άνθρωποι εξέλιξαν την επικοινωνία πριν από εκατοντάδες χιλιάδες χρόνια. Η γλώσσα μπορεί να εμφανίστηκε όχι μόνο για τη μεταφορά πληροφοριών, αλλά και για κοινωνική σύνδεση, παιχνίδι και εκπαίδευση.

Νέες ερευνητικές τεχνολογίες, όπως συσκευές παρακολούθησης των ματιών, η τεχνητή νοημοσύνη ανάλυσης φωνής και τα τρισδιάστατα μοντέλα εγκεφάλου, βοηθούν τους επιστήμονες να αποκτήσουν βαθύτερη γνώση σχετικά με τον τρόπο με τον οποίο τα παιδιά μαθαίνουν και επεξεργάζονται τη γλώσσα σε πραγματικό χρόνο.

Όπως μοιράστηκε ο καθηγητής Ρόουλαντ: «Αν θέλουμε η Τεχνητή Νοημοσύνη να μαθαίνει γλώσσα όπως οι άνθρωποι, πρέπει να επανασχεδιάσουμε τις μηχανές από την αρχή, έτσι ώστε όχι μόνο να επεξεργάζονται δεδομένα, αλλά και να βιώνουν τον κόσμο σαν παιδιά».

Επιστροφή στο θέμα

ΜΙΝΧ ΧΑΪ

Πηγή: https://tuoitre.vn/ai-can-92-000-nam-moi-hoc-ngon-ngu-gioi-bang-mot-dua-tre-20250910100215411.htm