Исследовательская группа Чжэцзянского университета предложила новый подход: научить ИИ понимать мир так, как это делает человеческий мозг
Исследователи из Чжэцзянского университета обнаружили, что увеличение параметров ИИ-моделей (SimCLR, CLIP, DINOv2) улучшает распознавание конкретных объектов, но снижает способность понимать абстрактные концепции. При росте параметров с 22,06 млн до 304,37 млн точность в задачах с конкретными понятиями выросла с 74,94% до 85,87%, а с абстрактными — упала с 54,37% до 52,82.
В отличие от людей, которые классифицируют объекты через иерархические структуры (например, птицы → животные), модели полагаются на статистические закономерности в данных, что затрудняет обобщение.
Команда предложила использовать сигналы мозга (данные мозговой активности при просмотре изображений) для обучения моделей более человеко-подобной организации концепций. Эксперименты с 150 известными и 50 новыми категориями показали, что такие модели лучше справляются с малоресурсным обучением и абстрактными задачами (улучшение до 20,5%), превосходя более крупные аналоги.
Этот подход смещает фокус с масштабирования моделей («bigger is better») на развитие структурированного интеллекта («structured is smarter»), что может привести к созданию ИИ с способностью к абстрактному мышлению и непрерывной эволюции, аналогичной человеческой.
marsbit04/05 04:41
