Машинная психология — это междисциплинарная область на стыке искусственного интеллекта и когнитивных наук, которая изучает поведение алгоритмических систем (например, языковых моделей) с помощью

Машинная психология — это междисциплинарная область на стыке искусственного интеллекта и когнитивных наук, которая изучает поведение алгоритмических систем (например, языковых моделей) с помощью методов экспериментальной психологии. Она исследует эвристики, когнитивные искажения и паттерны реагирования ИИ, а также то, как люди переносят на машины человеческие черты и доверяют им.

Вместо того чтобы учить ИИ на огромных датасетах, машинная психология предлагает воспроизвести путь развития человеческого познания:

Шаг 1: Оперантное обусловливание. База — обучение на основе проб и ошибок, как у ребенка. ИИ учится различать сигналы и адаптировать поведение к меняющимся условиям. Эксперименты показывают, что системы вроде NARS (Non-Axiomatic Reasoning System) достигают здесь 100% точности.

Шаг 2: Произвольное применимое реляционное реагирование (AARR). Следующий уровень — умение связывать понятия не по сходству, а по правилам. Это основа абстракции и аналогии. Суть в том, чтобы система могла выводить, что "А = В" и "В = С", значит "А = С", даже если видит эти символы впервые.

Эта структура позволяет ИИ не просто запоминать ответы, а достраивать логические цепочки в новых ситуациях, что гораздо ближе к человеческому мышлению.

Почему это круто?

Традиционный ИИ (LLM вроде ChatGPT) — это гениальный «компилятор». Он копирует стиль, объединяет данные из миллионов книг и сравнивает паттерны. Но он не создает нового в философском смысле — он предсказывает следующее слово на основе статистики.

Машинная психология (и когнитивные архитектуры вроде NARS) преследует цель создать «изобретателя». Её задача — дать ИИ способность к абдукции (выдвижению гипотез) и переносу опыта в условия, которых не было в обучении.

Критерий: При столкновении с задачей

Традиционный LLM: Ищет в памяти похожие примеры.

Цель машинной психологии: Строит модель мира «на лету», даже если примеров нет.

Критерий: Ошибка

Традиционный LLM: Воспроизводит ошибки датасета.

Цель машинной психологии: Анализирует ошибку как новую информацию о среде.

Критерий: Творчество

Традиционный LLM: Смешивает известные жанры (например, «стиль Толстого про киберпанк»).

Цель машинной психологии: Создает новый жанр, исходя из внутренней логики задачи.

Вместо гигантской нейросети, запоминающей всё подряд, машинная психология использует принцип «достаточного знания»:

1. Системе даются не факты, а правила вывода и операторы действий.

2. При столкновении с новой ситуацией ИИ не перебирает базу знаний, а активно экспериментирует с операторами, отслеживая результат.

3. Это и есть оперантное обусловливание — ИИ «пробует», получает обратную связь и рождает новое поведение, которого не было в коде.

Создатели LLM говорят: «Мы не знаем, как работает сознание, поэтому строим статистику».

Машинная психология отвечает: «Мы не знаем, как работает сознание, поэтому строим систему, которая сама научится учиться».

Был проведен эксперимент. ИИ-систему типа NARS обучили двум базовым правилам: «одинаковое» (круг=круг) и «противоположное» (круг=квадрат). Затем ей дали логическую цепочку: «А противоположно Б» и «Б противоположно В» — и спросили, как связаны А и В. В отличие от ChatGPT, который просто перебирает тексты из интернета, NARS вычислил ответ как уравнение: два отрицания дают утверждение, значит А и В — «одинаковые». При этом систему никто не учил этому конкретному примеру — она вывела новое правило сама на основе уже известных.

Таким образом NARS показал способность к абстрактному выводу — он создал новое знание в реальном времени, действуя как математик, а не как библиотекарь. Это первый шаг к ИИ, который не просто имитирует мышление, а действительно строит модель мира «на лету», открывая путь к настоящему адаптивному интеллекту.

Но чем это поможет при создании ассоциативного мышления, подобного человеку?

Именно здесь машинная психология делает следующий, ещё более важный шаг. Человеческие ассоциации — это не случайная статистика, а контекстный вывод. Один и тот же объект (например, зажжённая свеча) у одного человека связан с праздником, а у другого — с трауром, и оба будут правы. LLM в такой ситуации просто усреднит миллион текстов и выдаст самый частотный ответ, смешав все смыслы. А NARS, благодаря правилам вывода, поступает иначе: он анализирует текущий контекст (что ещё есть в комнате, какие сигналы поступили до этого) и выводит наиболее логичную ассоциацию именно для этой ситуации. Причём в другом окружении он так же легко выберет противоположное значение. Это не жёсткая логика калькулятора, действующего формальными алгоритмами, а гибкая логика исследователя. Именно так — через контекст, опыт и обратную связь — учится связывать понятия человек, и именно этому сейчас начинают учить ИИ.

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: