Hat sich die KI gerade weiterentwickelt? Ich glaube nicht – Dr. Victoria N. Alexander
Quelle: Did AI just Evolve? I don’t think so. – OffGuardian
Am 23. Oktober berichteten Bret Weinstein und Heather Heying, Moderatoren des DarkHorse-Podcasts, über diese Entdeckung, die in einem Preprint-Artikel (nicht peer-reviewed) beschrieben wird. Weinstein und Heying waren von dieser Behauptung erschrocken und vermuteten, dass dieser Fall nur der Anfang sein könnte. Bald könnten LLMs die Wissenschaft zu schnell in beispiellose Bereiche vorantreiben, bevor angemessene Vorsichtsmaßnahmen getroffen werden können.
Nachdem ich mir die DarkHorse-Folge angehört hatte, beschloss ich, mich näher mit diesem Thema zu befassen.
In vielen Bereichen der Wissenschaft ist es heutzutage durchaus üblich, LLMs einzusetzen, um in verschiedenen Datenbanken nach unbekannten Mustern zu suchen. Ich würde erwarten, dass ein LLM ein hervorragendes Werkzeug ist, um große Datenmengen zu durchforsten und bereits bekannte Informationen hervorzuheben.
Das LLM in diesem Fall, genannt Cell2Sentence, wurde anhand von Datensätzen trainiert, die RNA in der Zelle (die Aufschluss über den Zustand der Zelle gibt) mit zellulären Reaktionen in Verbindung bringen. Mit diesem Tool können Forscher die Zellaktivität auf der Grundlage vergangener Daten vorhersagen und rückwirkend bestimmen und sogar Verallgemeinerungen über neuartige Kombinationen von Zuständen treffen. Das ist keine Zauberei.
Die Forscher suchten nach möglichen Verwendungsmöglichkeiten für 4.000 bekannte Krebsmedikamente. Dies ist eine typische Aktivität in der Krebsforschung: eine Verwendung für einen synthetischen Wirkstoff zu finden, für den ein Unternehmen ein Patent besitzt. Es ist eine Lösung, die nach einem Problem sucht.
(Warum nicht stattdessen nach Umweltgiften suchen, die Krebs verursachen? Sie kennen die Antwort.)
Der Artikel ist sehr wortreich, daher habe ich die Eingabe, die sie dem LLM gegeben haben, vereinfacht:
Finde ein Medikament, das das Immunsignal [Antigenpräsentation] nur dort verstärkt, wo bereits niedrige [und unzureichende] Interferonspiegel vorhanden sind.
Ich werde versuchen, dies so gut wie möglich zu erklären.*
In einem gesunden Körper wird eine Krebszelle durch ein Antigen markiert, das als Signal für das Immunsystem dient, diese Zelle zu zerstören. Interferon ist ein Protein, das von der Zelle produziert wird, um zu signalisieren, dass sie in Gefahr ist. Interferon erhöht die Expression von Antigenen des Haupthistokompatibilitätskomplexes (MHC): Diese sind Teil der „Töte mich”-Markierungen. Mit anderen Worten: Interferon führt dazu, dass die ungesunde Zelle vom Immunsystem zur Zerstörung markiert wird.
Die Forscher suchten nach einem Medikament, das Interferon verstärkt, um die Expression von MHC-Antigenen (den kleinen Markierungen) zu erhöhen, die das Immunsystem dazu bringen würden, die Krebszelle zu töten.
Die Forscher behaupten, dass das LLM eine neuartige Hypothese aufgestellt habe, als es vorschlug, dass Silmitasertib, eines der 4.000 untersuchten Medikamente, die MHC-Antigene nur in Zellen erhöhen würde, die bereits einen niedrigen Interferonspiegel aufweisen, und dass Silmitasertib in Zellen ohne Interferon nur eine geringe oder gar keine Wirkung hätte. Sie behaupten, dass dies eine neuartige Entdeckung sei, da dies in der Literatur, auf der Cell2Sentence trainiert wurde, nicht erwähnt worden sei.
Laut der Ankündigung von Google zu dieser Veröffentlichung „wurde in der Literatur bisher nicht berichtet, dass es die MHC-I-Expression oder Antigenpräsentation explizit verstärkt [meine Hervorhebung]“.
Silmitasertib erhielt ein Patent für seine Fähigkeit, ein Enzym namens Casein-Kinase 2 (CK2) zu hemmen, das für zahlreiche zelluläre Prozesse unerlässlich ist und in Krebszellen überaktiv sein kann. Da CK2 eine Rolle bei der Regulierung der Interferon-Signalwege spielt, könnte man erwarten, dass Silmitasertib eine gewisse Wirkung auf Interferon hat, was wahrscheinlich der Grund dafür ist, dass dieses Medikament in die Liste der 4.000 Medikamente aufgenommen wurde, die mit dem Prompt getestet werden sollten.
Ich vermute, dass die neuartige Hypothese in der Literatur impliziert war, da die Hemmung von CK2 die Zelle belasten und die Interferonproduktion auslösen könnte; Interferon führt zu einem Anstieg des MHC. Die Tatsache, dass es keine Auswirkungen auf Zellen ohne Interferon hatte, könnte überraschend sein. Mir ist das nicht ganz klar.
Wie Weinstein und Heying anmerken, handelt es sich bestenfalls um einen „kleinen Sprung weg von dem, was bekannt ist“. Weinstein versichert uns, dass es sich hierbei nicht um einen Fall von AGI (echter allgemeiner Intelligenz) handelt. Wenn dies jedoch kein reiner Zufall ist (was nicht ausgeschlossen ist), „stehen wir am Anfang einer KI, die Hypothesen erstellt”, und das „macht den DarkHorse-Moderatoren eine Heidenangst”.
Meine Schlussfolgerung ist, dass die Entdeckung von Cell2Sentence nicht so bemerkenswert ist. Es handelt sich um die Art von Muster, die man von einem Computer erwarten würde, wenn man ihn ausdrücklich auffordert, nach dieser Art von Muster zu suchen. Meine Frage lautet: Wie viele von LLM generierte „Hypothesen“ mussten im Labor tatsächlich getestet werden, bevor eine als richtig befunden wurde?
Noch wichtiger ist die Frage, welche potenziellen Off-Target-Effekte Silmitasertib haben könnte. Ein LLM könnte mit dieser Aufgabe viel mehr Schwierigkeiten haben.
Vielleicht irre ich mich. Ich bin kein Biologe. Ich wurde ursprünglich anhand eines philosophischen Datensatzes trainiert, der viele schwer verständliche poststrukturalistische und postmoderne Texte enthielt. Ich habe gelernt, wie man Bullshit herausfiltert, um zu der eher simplen Aussage zu gelangen, die gemacht wurde, um sie zu analysieren. Ich konnte meine Fähigkeiten auf unsinnige Artikel anwenden, die von der Pharmaindustrie gesponsert wurden, und hier wende ich dieselbe Methode auf diesen von Google gesponserten Artikel über ein neues Produkt an, das sie verkaufen möchten.
Das Cell2Sentence LLM hat 27 Milliarden Parameter. Das sagt mir, dass es wie alle Computerprozesse mit roher Gewalt arbeitet und alle möglichen Kombinationen und Muster ausprobiert. Biologische Systeme sind in der Regel viel effizienter, und ich glaube, ich weiß auch warum.
Die Neuheit der LLM-Leistungen wird meiner Meinung nach immer in der Eingabe liegen, sofern die Forscher gute Fragen stellen. Sie wollten ein Medikament finden, das etwas Interferon benötigt, um Interferon zu verstärken. Irgendwo im Datentraining-Set war dies impliziert. Sie fanden, was sie dem LLM zu suchen auftrugen.
LLMs sind gute Werkzeuge zum Durchsuchen von Daten; sie sind keine kreativen Köpfe
KI wird niemals empfindungsfähig oder wirklich kreativ sein. (Ich hätte das mit „Meiner Meinung nach“ abmildern können, habe mich aber dagegen entschieden, um Ihr Interesse zu wecken.) Ich behaupte, dass KI keine neuen Hypothesen aufstellen kann, weil sie nur eine Art von Zeichen verwendet, nämlich Symbole oder Codes, und nicht die anderen Zeichen, die biologische Systeme verwenden, um durch das Sammeln qualitativer Informationen aus physikalischen Kontexten überzeugende neue Hypothesen aufzustellen.
Computer manipulieren nur abstrakte Symbole in abstrakten Kontexten.
Biologische Semiotik findet in einer feuchten, chaotischen Suppe statt. Anstelle von Drähten, die Knotenpunkte verbinden, wie in einem elektronischen Schaltkreis, gibt es chemische Reaktionen, eine Reihe von Transduktionen/Transformationen von Molekülen. Diese lokalen Reaktionen führen zu koordinierten elektrochemischen Feldern, die Zellen unterschiedlich beeinflussen.
Es gibt Moleküle (synthetische, fremde oder natürliche), die mit Formen herumschweben, die die Form anderer Moleküle nachahmen könnten, was zu unvorhersehbaren Nebenwirkungen führt. In der Biologie spielt die Physikalität des Zeichens eine Rolle. Die räumliche Position spielt eine Rolle. Interferenzen spielen eine Rolle. Gleichzeitig aktivierte Signalwege – die sich gegenseitig stören und beeinflussen können, wenn sie Moleküle gemeinsam haben – können miteinander in Verbindung gebracht werden; auf diese Weise kann eine vom Organismus wahrgenommene Sache für eine andere stehen.
Lebende Systeme können neue Zeichen schaffen. Sie müssen nicht programmiert werden.
Wer sich für weitere Details interessiert, kann meinen Artikel „Self-Reinforcing Cycles and Mistakes: The emergence of subjective meaning” lesen, der in einem Buch aus einer Reihe über Astrobiologie enthalten ist, einem Fachgebiet, in dem Philosophen und Biologen die Grundvoraussetzungen für die Entstehung von Leben und Intelligenz erforschen. Die Astrobiologie ist ein geeigneter Boden für die Untersuchung von Theorien zur künstlichen Intelligenz.
Weinstein, Evolution und KI
DarkHorse ist einer meiner Lieblingspodcasts. Die weltlichen intellektuellen Interessen von Weinstein und Heying entsprechen meinen eigenen: Sie sind Evolutionsbiologen und Wissenschaftler für komplexe Systeme. Heying hat ursprünglich Literatur studiert. Ich mag ihre Scherze. Ich fühle mich bei ihnen wohl. Ich vermute, dass sie von nichts, was ich hier sage, schockiert wären.
In einem Interview mit Joe Rogan vor einigen Jahren räumte Weinstein ein, dass die Kreationisten, die die Evolutionstheorie durch natürliche Selektion kritisieren, zu Recht argumentieren, dass die von der Theorie geforderten Zeiträume zu groß sind. (Ich mache ähnliche, aber säkulare Arbeit mit Schmetterlingsmimikry als Testfall.) Weinstein vermutet, dass eine andere Art von „Computersprache”, die wir nicht kennen, auf der digitalen Hardware der Genome läuft und eine schnellere Anpassung ermöglicht.
Die Selektion nach Fortpflanzungsfähigkeit „trainiert“ das Genom einer Population langsam und verändert es so, dass sich die schnellsten Vermehrungsmuster durchsetzen. Die seltenen Genialitäten eines Individuums geraten in Vergessenheit, wenn sie nicht zu vielen Nachkommen führen. Dies lässt sich mit der Art und Weise vergleichen, wie LLMs lernen. Einzigartige individuelle Entscheidungen spielen kaum eine Rolle, da sich die häufigsten Muster durchsetzen.
Aber lassen wir die Computer-Metaphern beiseite, denn der Versuch, hochkomplexe Systeme (Organismen) durch den Vergleich mit einfacheren Systemen (Computern) zu verstehen, könnte eher verwirrend sein als hilfreich. Ich glaube zwar, dass Weinstein auf dem richtigen Weg ist, aber was er sucht, ist eine Theorie der Biosemiotik, nicht der Kodierung an sich. Organismen verwenden verschiedene Arten von Zeichen, nicht nur Codes, um sich schnell weiterzuentwickeln.
Ich wiederhole noch einmal, was ich bereits gesagt habe, und betone diesmal die Tatsache, dass diejenigen, die mich tendenziell ablehnen, aus zwei gegensätzlichen Richtungen kommen: dem Spiritualismus und dem Materialismus. Ich beschreite einen dritten Weg: Ich behaupte, dass Intelligenz und Kreativität biologische Konzepte sind.
Spiritualisten und Materialisten gegen Biologen
Spiritualisten begnügen sich mit der Aussage, dass Menschen eine Seele und einen von Gott gegebenen freien Willen haben und sich daher von Maschinen unterscheiden. Diese Antwort befriedigt jedoch nur einen bestimmten Teil der Bevölkerung. Ich möchte auch den Teil der Bevölkerung ansprechen, dessen Metaphysik keinen übernatürlichen Spiritualismus postuliert. Außerdem war es dieser Verrückte Descartes, der diese Denkweise populär gemacht hat. Letztendlich ist er kein Freund der Spiritualisten.
Descartes behauptete, die Welt sei unterteilt in das Materielle, das empirisch untersucht werden kann, und das Immaterielle, das nicht empirisch untersucht werden kann. Descartes brachte die Idee auf, dass das, was wir als „Geist“ oder „Élan vital“ bezeichnen, weder nachgewiesen noch analysiert werden kann. Dies ist mit ein Grund dafür, dass sich die sogenannte „moderne Wissenschaft“ selbst in der Biologie meist auf mechanistische Ansätze beschränkt hat und Wissenschaftler, die sich etwas zu sehr für Nichtlinearität, Irreduzibilität und komplexe Systemwissenschaften interessieren, von Materialisten oft mit Argwohn betrachtet werden.
Materialisten bestehen darauf, dass biologische Intelligenz mit ausreichenden Informationen über neuronale Aktivitäten letztendlich vollständig modelliert werden kann. Sie glauben, dass ein Neuron letztlich wie ein passiver Knotenpunkt in einem Computernetzwerk ist, da es lediglich durch elektrochemische Effekte beeinflusst wird. Sie räumen ein, dass Neuronen nicht nur ein- oder ausgeschaltet sind, sondern mehrere Zustände haben. Aber das, so sagen sie, sei nur eine Frage der Komplikation, nicht der Komplexität, und Computer seien gut geeignet, um die vielfältigen Dimensionen zu verarbeiten, die dazu beitragen, dass ein Neuron feuert oder nicht.
Bestenfalls räumen sie ein, dass ein einzelnes Neuron durch ein ganzes Netzwerk von Ein-/Aus-Schaltern dargestellt werden muss, aber letztendlich, so betonen die Materialisten, kann Intelligenz mit einer ausreichenden Anzahl gewichteter Verbindungen entstehen, also diskreten Gruppen, die in bestimmte Hierarchien unterteilt sind. Alle Informationen können digitalisiert und als objektive Quantitäten und nicht als subjektive Qualitäten ausgedrückt werden, sagen sie.
Biosemiotik
Ein Zeichen ist etwas/eine Eigenschaft, das/die für etwas anderes steht, für einen Akteur wie eine Zelle oder einen Organismus. Da die Biosemiotik eine Wissenschaft davon ist, wie Zellen bedeutungsvolle Assoziationen bilden und auf Zeichen reagieren, ist sie in gewisser Weise eine Wissenschaft des Immateriellen. Sie widerlegt die destruktiven dualistischen Vorstellungen von René Descartes, der, wie eine spätere CT-Untersuchung seines Schädels ergab, einen Gehirntumor hatte, möglicherweise unter dem Exploding-Head-Syndrom litt und Symptome einer Schädigung der rechten Gehirnhälfte aufwies, da er lebende Organismen oft mit Maschinen verwechselte.
Es gibt eine weit verbreitete Annahme, dass jedes Denken mit der Manipulation von Symbolen verbunden ist. Die Etymologie des Wortes Symbol ist syn (zusammen) + bol (werfen), zusammenwerfen. Es bezieht sich auf eine willkürliche Verbindung. Ein Symbol ist etwas, das willkürlich für etwas anderes steht. Der Begriff „Code” hat in der Semiotik die gleiche Bedeutung wie „Symbol”.
Beispiele für Symbole/Codes:
- Das Wort „Baum“ steht für eine große, blättrige Pflanze mit Rinde.
- Im Morsecode stehen Punkte und Striche für Buchstaben.
- Einsen und Nullen in Computern stehen für Zahlen, Buchstaben oder Funktionen.
- Die Programmiersprache Python steht für Einsen und Nullen.
Wie werden Codes erstellt?
- Eine Beziehung zwischen zwei beliebigen Dingen kann durch eine externe Intelligenz hergestellt werden: programmiert oder verschlüsselt nach einem Regelwerk.
- Eine beliebige Beziehung kann durch eine physische Verbindung hergestellt werden. Beispielsweise können Impfstoffforscher ein Konjugat verwenden, um ein Protein mit einem Toxin zu verbinden; oder, um ein natürliches Beispiel zu nennen, ein Nukleotid-Triplett wird mithilfe einer Protein-tRNA an eine Aminosäure gekoppelt.
- Eine beliebige Beziehung kann durch einen langwierigen Auswahlprozess hergestellt werden, der durch Wiederholung gemeinsame Muster erkennt, wie bei LLMs oder neuronalen Netzen. Dies ist auch eine Art „Fire Together Wire Together”-Idee, wie sie Donald Hebb für Neuronen vorgeschlagen hat.
- Man kann sich ein Symbol auch als Gewohnheit, als ausgetretenen Pfad, als Konvention vorstellen, die eine Sache willkürlich mit einer anderen verbindet.
Das Wichtigste ist, dass man lernen muss, worauf sich ein Symbol bezieht. Seine assoziierte Bedeutung ist nicht inhärent, sondern in gewisser Weise erzwungen.
Biologische Systeme entwickeln im Laufe der Zeit zwar Codes/Symbole (z. B. DNA), aber sie verwenden auch andere Arten von Zeichen, die keine Schulung oder Programmierung durch eine externe Quelle erfordern. Biologische Systeme verwenden auch Zeichen, deren Assoziationen sich aus den Eigenschaften des Kontexts ableiten.
Lassen Sie mich ein Beispiel für diese verschiedenen Arten von Zeichen geben, die wir als „geerdete“ Zeichen bezeichnen können. Stellen Sie sich vor, Sie fahren zum Flughafen in einem Land, dessen Sprache Sie nicht beherrschen, beispielsweise China. Unterwegs sehen Sie ein Schild mit dem Bild eines Flugzeugs, das in die Richtung zeigt, in die Sie fahren. Das ist ein Piktogramm. Sie wissen sofort, dass Sie Ihren Kurs beibehalten müssen, ohne einen willkürlichen Code wie 機場 entschlüsseln zu müssen. Bald kommen Sie an einer Autobahnausfahrt vorbei und sehen ein weiteres Schild mit dem Bild eines Flugzeugs. Dieses Mal zeigt das Flugzeug nach rechts in Richtung der Ausfahrt. Diese Art von Zeichen wird als Index bezeichnet. Ikonen und Indizes beziehen ihre Bedeutung aus Eigenschaften (ähnliche Formen) und physischen Kontexten (Zeigen).
Man braucht kein Gehirn, um über Ikonen und Indizes Assoziationen herzustellen. Alle biologischen Zellen können dies tun. Diese sehr primitive Form der Biosemiosis ging wahrscheinlich der komplexeren Semiosis voraus, die schließlich mit der menschlichen Sprache entstand. Ebenso begannen Wörter wahrscheinlich als Ikonen und Indizes, wurden dann aus ihrem Kontext abstrahiert und zu Symbolen, die man sich merken muss.
LLMs verwenden nur Symbole, also konventionelle Zeichen, die durch Wiederholung gelernt werden. Auswendiglernen ist etwas für Dummies.
Lebende Systeme können spontan neue Hypothesen auf der Grundlage des Kontexts generieren. Sie brauchen keinen externen Programmierer oder Millionen von Wiederholungen, um etwas Neues zu lernen.
Um die schnelle biologische Zeichenbildung/das schnelle biologische Lernen zu veranschaulichen, möchte ich zunächst die „Mind-Palace-Technik” zum Auswendiglernen erwähnen. Wenn Sie sich die Zeilen eines sehr langen Gedichts merken möchten, können Sie durch ein Haus mit mehreren Räumen gehen, sich einige Gegenstände in den Räumen ansehen und jedes Objekt mit einer Zeile des Gedichts assoziieren. Wenn Sie sich später an das Gedicht erinnern möchten, können Sie sich vorstellen, durch die Räume zu gehen. Wenn Sie jedes Objekt vor Ihrem inneren Auge betrachten, wird dies die Erinnerung an die richtige Zeile auslösen.
Zweitens kann bei Menschen, die eine posttraumatische Belastungsstörung (PTBS) entwickeln, ein zufälliges Objekt (wie ein grüner Schuh), das zufällig im Zusammenhang mit dem traumatischen Ereignis stand, später die Erinnerung an dieses Ereignis auslösen und bei der Person Angstzustände hervorrufen.
PTSD ähnelt dem, was man als „Blitzlichtgedächtnis” bezeichnet. Manche Menschen können sich genau an den Ort erinnern, an dem sie waren, als sie eine überraschende Nachricht erhielten. Denken Sie zum Beispiel daran, wo Sie waren, als Sie erfuhren, dass die Zwillingstürme am 11. September explodiert waren.
Aus eigener Erfahrung möchte ich ein weiteres Beispiel anführen. Ich höre mir im Auto viele Hörbücher an. Oft verliere ich den Faden und muss die Aufnahme durchsuchen, um die Stelle zu finden, an der ich am Vortag oder in der Woche zuvor aufgehört habe. Wenn ich Zeilen höre, die ich bereits gehört habe, stelle ich mir vor meinem inneren Auge genau vor, wo ich auf der Straße war, als ich diese Worte hörte.
All dies sind Beispiele für eine Art der Erinnerung, die auf der Nähe eines beliebigen Objekts zu etwas anderem basiert. Wichtig ist, dass dies in einem lebenden System offenbar sofort geschieht. KI müsste intensiv trainiert werden, um eine solche Assoziation herzustellen.
Wichtig ist, dass diese Art des Erinnerns mithilfe eines Indexzeichens sogar bei einfachen Organismen wie Schleimpilzen oder Erbsenpflanzen möglich ist. In meiner Arbeit argumentiere ich, dass solche Beispiele für sofortige pawlowsche Konditionierung wahrscheinlich möglich sind, wenn zwei verschiedene Signalwege zur Erkennung unterschiedlicher Objekte miteinander interferieren.
Im Gegensatz dazu sind Computerknoten in einem „neuronalen” Netzwerk passiv. Sie werden modifiziert, wenn Informationen durch sie hindurchfließen und ihre „gewichteten” Vorurteile verändern. Sie interpretieren die Informationen, die durch sie hindurchfließen, nicht (sie verbinden die Informationen nicht mit den Objekten im Raum, in dem sie sich befinden, und bemerken auch keine zufälligen Ähnlichkeiten in der physischen Form von Symbolen) und leiten die Informationen unverändert (abzüglich Reibungsverlusten) an einen anderen Knoten weiter.
Lebende Zellen treffen subjektive Entscheidungen als Reaktion auf Zeichen in ihrer Umgebung. Sie werden nicht passiv geformt. Subjektivität bedeutet, dass eine Zelle beispielsweise auf ein Molekül in ihrer Umgebung reagieren kann, das lediglich eine ähnliche Form hat wie eines, auf das sie sich im Laufe ihrer Evolution eingestellt hat. Zellen können gewissermaßen physikalische Wortspiele machen.
Mithilfe von Index- und Ikon-Zeichen können Zellen möglicherweise neuartige Reaktionen auf Dinge entwickeln. Wichtig ist, dass sie neue Werkzeuge nicht zufällig erforschen. Sie können nur mit Zeichen interagieren, die eine ähnliche Form haben oder zuvor mit einem bestimmten Kontext in Verbindung gebracht wurden. Die Kreativität von Zellen ist also in hilfreicher Weise eingeschränkt.
Die Zukunft der LLMs
Ich habe den KI-Suchassistenten von DuckDuckGo gebeten, meinen oben genannten Artikel zusammenzufassen:
Überblick über „Selbstverstärkende Zyklen und Fehler“
Der Artikel untersucht, wie subjektive Bedeutung in lebenden Systemen entsteht.
Er betont die Rolle des Gedächtnisses bei der Gestaltung von Reaktionen auf Umweltsignale.
Es werden zwei Ebenen der Subjektivität identifiziert: eine aus dem Gedächtnis und eine aus interpretativen Reaktionen auf Signale.
Schlüsselthemen
Gedächtnis und Antizipation: Das Gedächtnis modifiziert interne Pfade und ermöglicht es Organismen, zukünftige Bedingungen zu antizipieren.
Interpretation: Reaktionen auf Signale können als Fehlinterpretationen angesehen werden, die zur Entstehung subjektiver Bedeutung beitragen.
Implikationen
Das Verständnis subjektiver Bedeutung kann zu besseren Einblicken in kognitive Prozesse sowohl in biologischen als auch in künstlichen Systemen führen.
Die Ergebnisse könnten in Bereichen wie Robotik und künstlicher Intelligenz Anwendung finden, insbesondere bei der Entwicklung adaptiver Lerngeräte.
In meiner Arbeit behaupte ich nicht, dass meine Arbeit zur Weiterentwicklung der Robotik oder KI genutzt werden könnte. Wahrscheinlich lassen sich die meisten Arbeiten zum Thema Intelligenz im Technologiebereich anwenden, da diese Art von Forschung heutzutage gefördert wird. Der LLM sagt also lediglich, dass meine Arbeit auch in der Robotik oder KI Anwendung finden könnte.
Es ist nicht richtig zu sagen, dass ich „die Rolle des Gedächtnisses bei der Gestaltung von Reaktionen auf Umweltsignale” betone. Die traditionelle Literatur, auf der das LLM trainiert wurde, stellt zweifellos diese offensichtliche Tatsache fest. Ich betone hingegen die kreative Verzerrung des Gedächtnisses beim Erlernen neuer Reaktionen auf Umweltsignale.
Außerdem sage ich, dass nur bestimmte „Reaktionen auf Signale als Fehlinterpretationen angesehen werden können”, was selten, aber potenziell bedeutsam ist.
Es ist schon komisch, wie KI jede neuartige Idee wieder in die Konsensmeinung zurückverwandelt, die der Autor zu widerlegen oder zu überwinden versucht. Wenn wir uns beim Denken auf KI verlassen, werden wir unser Wissen vielleicht nie weiterentwickeln.
*Ich habe drei Graduiertenkurse zum Thema Immunsystem bei James Lyons-Weiler an der IPAK-EDU.org absolviert, was mir das Selbstvertrauen gegeben hat, die Google-Yale-Studie zu kritisieren.
