En ny studie visar att duvor hanterar vissa problem precis som artificiell intelligens skulle göra – vilket gör att de kan lösa svåra uppgifter som skulle vara svåra för människor.
Tidigare forskning har visat att duvor lär sig att lösa komplexa kategoriseringsuppgifter som mänskliga sätt att tänka – som selektiv uppmärksamhet och explicit regelanvändning – inte skulle vara användbara för att lösa.
Forskare hade teoretiserat att duvor använde en ”brute force”-metod för att lösa problem som liknar den som används i AI-modeller, säger Brandon Turner, huvudförfattare till den nya studien och professor i psykologi vid The Ohio State University.
Men den här studien kan ha bevisat det: Turner och en kollega testade en enkel AI-modell för att se om den kunde lösa problemen på samma sätt som de trodde att duvorna gjorde – och det fungerade.
”Vi fann riktigt starka bevis för att de mekanismer som styr duvornas inlärning är anmärkningsvärt lika de principer som styr modern maskininlärning och AI-teknik”, säger Turner.
”Våra resultat tyder på att naturen i duvan kan ha hittat ett sätt att skapa en otroligt effektiv inlärare som inte har någon förmåga att generalisera eller extrapolera som människor skulle göra.”
Turner genomförde studien tillsammans med Edward Wasserman, professor i psykologi vid University of Iowa. Deras resultat publicerades nyligen i tidskriften iScience.
I studien fick duvor se ett stimulus, som kunde inkludera linjer med olika bredd och vinkel, koncentriska ringar och ringar med sektioner. De var tvungna att trycka på en knapp till höger eller vänster för att ange vilken kategori den tillhörde. Om de prickade rätt fick de en matbit – om de prickade fel fick de ingenting.
Det fanns fyra olika uppgifter i studien, vissa svårare än de andra. Resultaten visade att duvorna genom att pröva sig fram förbättrade sin förmåga att göra rätt val i ett av de enklare experimenten från cirka 55% till 95% av gångerna. Även i ett svårare scenario förbättrades deras korrekta svar från 55% till 68%.
Forskarna tror att duvorna använde sig av så kallad associativ inlärning, vilket innebär att två företeelser kopplas till varandra. Det är till exempel lätt att förstå kopplingen mellan ”vatten” och ”våt”. Människor lär sina hundar att koppla ihop att sitta när de blir kommenderade med att få en godbit.
Men dessa associationer är relativt enkla.
”Associativ inlärning antas ofta vara alldeles för primitiv och stel för att förklara komplex visuell kategorisering som det vi såg att duvorna gjorde”, säger Turner.
Men det är precis vad forskarna fann.
Forskarnas AI-modell klarade av samma uppgifter med hjälp av just de två enkla mekanismer som duvorna antogs använda: associativ inlärning och felkorrigering. Och precis som duvorna lärde sig AI-modellen att göra rätt förutsägelser för att avsevärt öka antalet korrekta svar.
För människor är utmaningen när de får liknande uppgifter som duvorna att de försöker komma på en eller flera regler som kan göra uppgiften enklare.
”Men i det här fallet fanns det inga regler som kunde hjälpa till att göra det enklare. Det gör människor väldigt frustrerade och de ger ofta upp inför sådana här uppgifter”, säger han.
”Duvor försöker inte skapa regler. De använder bara den här brutala metoden med trial and error och associativ inlärning, och i vissa specifika typer av uppgifter hjälper det dem att prestera bättre än människor.”
Det intressanta är dock att duvor använder en inlärningsmetod som är mycket lik AI som utformats av människor, säger Turner.
”Vi hyllar hur smarta vi är som har utvecklat artificiell intelligens, samtidigt som vi nedvärderar duvor som dumma djur”, säger han.
”Men de inlärningsprinciper som styr beteendet hos dessa AI-maskiner är ganska lika de som duvor använder.”
Ytterligare information: Brandon M. Turner et al, The pigeon as a machine: Complex category structures can be acquired by a simple associative model, iScience (2023). DOI: 10.1016/j.isci.2023.107998
Lämna ett svar