人与人工智学学习之间的相似性提供直观的设计见解
作者：by Gretchen Schrafft, Brown University
新的研究发现，人类和人工智能如何整合两种学习，提供有关人们学习方式以及如何开发更直观的AI工具的新见解。
这项研究是出版在国家科学院论文集。
由杰克·罗素（Jake Russin）领导，博士后研究助理计算机科学在布朗大学（Brown University），通过训练AI系统发现的研究，该系统灵活而增量的学习模式与人类的工作记忆和长期记忆相似。
罗素说：“这些结果有助于解释为什么在某些情况下，人类看起来像是基于规则的学习者，而在其他情况下则是渐进的学习者。”“他们还暗示了最新的AI系统与人脑的共同点。”
鲁斯金（Russin）在布朗·卡尼（Carney）脑科学研究所的认知和心理科学教授，计算脑科学中心主任迈克尔·弗兰克（Michael Frank）和计算机科学学院的计算脑科学中心主任，计算机科学副教授艾莉·帕夫利克（Ellie Pavlick）领导了AI助手AI助手的AI研究所在Brown的AI助手。
根据任务，人类以两种方式获取新信息。对于某些任务，例如学习TIC-TAC-TOE的规则，“中文”学习使人们可以在几个示例后快速找出规则。在其他情况下，逐步学习基于信息，以提高随着时间的流逝的理解，例如学习在钢琴上播放歌曲的缓慢，持续的实践。
尽管研究人员知道人类和AI整合了两种形式的学习，但尚不清楚两种学习类型如何共同起作用。在研究团队正在进行的合作过程中计算神经科学开发了一种理论，即动态可能类似于人类工作记忆和长期记忆的相互作用。
为了检验这一理论，俄语使用了一种“元学习” - 一种培训，可以帮助AI系统学习学习自己的行为，以取消两种学习类型的关键特性。该实验表明，通过多个示例进行了元学习后，AI系统的执行秘密学习的能力出现了。
一个实验是根据人类的一个实验改编的，通过挑战AI重组类似的想法来应对新情况，对中文学习进行了测试。如果教授了颜色清单和动物列表，AI可以正确地确定以前从未一起看到的颜色和动物的组合（例如绿色长颈鹿）吗？在通过对12,000个类似任务挑战的AI元学习之后，它获得了成功识别颜色和动物新组合的能力。
结果表明，对于人类和人工智能，在进行了一定量的增量学习之后，就产生了更快，更灵活的内在学习。
帕夫利克说：“在第一场棋盘游戏中，您需要一段时间才能弄清楚如何玩。”“当您学习第一台棋盘游戏时，即使您以前从未见过那个特定的游戏，也可以快速掌握比赛规则。”
该团队还发现了权衡取舍，包括在学习保留和灵活性之间：与人类类似，AI正确完成任务的难度越难，将来会记住如何执行它的可能性越大。据弗兰克（Frank）说，弗兰克（Frank）在人类中研究了这种悖论，这是因为错误提示大脑更新存储在长期记忆中的信息，而在上下文中学习的无错误动作会提高灵活性，但不会以相同的方式参与长期记忆。
对于弗兰克（Frank）的弗兰克（Frank），他专门构建以生物学启发的计算模型来了解人类的学习和决策，该团队的工作表明了分析人工神经网络中不同学习策略的优势和劣势如何为您提供有关有关该的新见解。人脑。
弗兰克说：“我们的结果在多个任务中可靠地保持着可靠的成果，并将神经科学家直到现在尚未汇总在一起的人类学习的不同方面。”
这项工作还提出了开发直观和值得信赖的AI工具的重要考虑因素，尤其是在诸如心理健康之类的敏感领域。
帕维利克说：“要获得乐于助和值得信赖的AI助手，人类和AI认知需要意识到每个人的工作方式以及它们与众不同的程度。”“这些发现是一个很好的第一步。”
更多信息：Jacob Russin等人，人类认知和神经网络中的平行权衡：内在和权威学习之间的动态相互作用，国家科学院论文集（2025）。doi：10.1073/pnas.2510270122
引用：人与人工智学学习之间的相似性提供了直观的设计见解（2025年，9月4日）检索2025年9月5日来自https://techxplore.com/news/2025-09-simerities-human-iintuitive-intuitive-insights.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《人与人工智学学习之间的相似性提供直观的设计见解》的评论
暂无评论