Οι μεγάλοι σκακιστές θεωρούνται συχνά ως η επιτομή της πρωτοποριακής σκέψης. Μπορούν όμως άλλοι, με μέτρια εξάσκηση, να μάθουν να σκέφτονται περαιτέρω; Για την αντιμετώπιση αυτής της ερώτησης, μια ομάδα γνωστικών επιστημόνων δημιούργησε ένα υπολογιστικό μοντέλο που αποκαλύπτει την ικανότητά μας να σχεδιάζουμε μελλοντικά γεγονότα. Η εργασία ενισχύει την κατανόησή μας για τους παράγοντες που επηρεάζουν τη λήψη αποφάσεων και δείχνει πώς μπορούμε να ενισχύσουμε τις δεξιότητές μας στον προγραμματισμό μέσω της εξάσκησης.
Η έρευνα, που διεξήχθη από επιστήμονες στο Κέντρο Νευρωνικής Επιστήμης του Πανεπιστημίου της Νέας Υόρκης και αναφέρεται στο περιοδικό Nature, επικεντρώνεται στον ρόλο του «βάθους σχεδιασμού» – του αριθμού των βημάτων που σκέφτεται ένα άτομο μπροστά – στη λήψη αποφάσεων. «Ενώ η τεχνητή νοημοσύνη έχει σημειώσει εντυπωσιακή πρόοδο στην επίλυση περίπλοκων προβλημάτων προγραμματισμού, πολύ λιγότερα είναι κατανοητά για τη φύση και το βάθος του προγραμματισμού στους ανθρώπους», εξηγεί ο Wei Ji Ma, καθηγητής νευροεπιστήμης και ψυχολογίας στο NYU και ανώτερος συγγραφέας της εργασίας.
“Η δουλειά μας προσθέτει σε αυτό το σύνολο γνώσεων δείχνοντας ότι ακόμη και μια σχετικά μέτρια πρακτική μπορεί να βελτιώσει το βάθος του προγραμματισμού.” Έχει αποδειχτεί εδώ και καιρό ότι χαρακτηριστικό της ανθρώπινης νοημοσύνης είναι η ικανότητα να σχεδιάζει πολλά βήματα στο μέλλον. Ωστόσο, είναι λιγότερο σαφές εάν οι ειδικευμένοι υπεύθυνοι λήψης αποφάσεων σχεδιάζουν ή όχι περισσότερα βήματα μπροστά από τους αρχάριους. Αυτό συμβαίνει επειδή οι μέθοδοι μέτρησης αυτής της ικανότητας (π.χ. πειράματα που περιλαμβάνουν επιτραπέζια παιχνίδια) έχουν αξιοσημείωτες ελλείψεις—εν μέρει επειδή δεν εκτιμούν αξιόπιστα το βάθος σχεδιασμού.
Οι συντάκτες της εφημερίδας Nature έβαλαν τους ανθρώπους να παίξουν ένα σχετικά απλό παιχνίδι – μια πιο εξελιγμένη έκδοση του tic-tac-toe – που απαιτούσε ακόμα από τους παίκτες να προγραμματίσουν βαθιά (δηλαδή, πολλά βήματα μπροστά). Στη συνέχεια, για να κατανοήσουν ακριβώς τι συμβαίνει στο μυαλό των ανθρώπων καθώς σκέφτονται την επόμενη κίνησή τους σε αυτό το παιχνίδι, οι συγγραφείς σχεδίασαν ένα μοντέλο υπολογιστή βασισμένο στις αρχές της τεχνητής νοημοσύνης. Το μοντέλο τους επιτρέπει να περιγράφουν και στη συνέχεια να προβλέψουν τις κινήσεις που κάνουν οι άνθρωποι όταν έρχονται αντιμέτωποι με νέες καταστάσεις στο παιχνίδι.
«Σε αυτό το υπολογιστικό μοντέλο, οι παίκτες χτίζουν ένα «δέντρο αποφάσεων» στα κεφάλια τους με τον ίδιο τρόπο που θα μπορούσατε να σχεδιάσετε πολλαπλά πιθανά σενάρια για ένα σύνθετο ταξίδι ταξιδιού», εξηγεί ο Ma. Εδώ, οι υπολογισμοί τους έδειξαν ότι η ανθρώπινη συμπεριφορά μπορεί να αποτυπωθεί χρησιμοποιώντας ένα υπολογιστικό γνωστικό μοντέλο που βασίζεται σε έναν ευρετικό αλγόριθμο αναζήτησης – έναν αλγόριθμο που χαρτογραφεί μια σειρά υποσχόμενων κινήσεων και για τους δύο παίκτες.
Για να επικυρώσουν το μοντέλο, οι ερευνητές διεξήγαγαν μια σειρά από πειράματα συμπεριφοράς με ανθρώπους που συμμετείχαν. Συγκεκριμένα, παρακολούθησαν τον τρόπο με τον οποίο οι παίκτες σχεδίαζαν τις κινήσεις τους κάτω από διαφορετικά σενάρια, ενώ δοκίμασαν επίσης τη μνήμη τους και την ικανότητά τους να μαθαίνουν και να ανασυνθέτουν τις εμπειρίες τους στο παιχνίδι. Επιπλέον, η ομάδα διεξήγαγε ένα πείραμα δοκιμής Turing στο οποίο ζητήθηκε από παρατηρητές, οι οποίοι είχαν παίξει το παιχνίδι στο παρελθόν, να προσδιορίσουν εάν οι ακολουθίες κινήσεων που είδαν δημιουργήθηκαν από το μοντέλο ή από ανθρώπους παίκτες.
Αυτοί οι παρατηρητές μπόρεσαν να κάνουν τη σωστή διάκριση μόνο περίπου τις μισές φορές, υποδηλώνοντας ότι το μοντέλο παίρνει παρόμοιες αποφάσεις που θα έπαιρνε ένας άνθρωπος. Αρκετά από αυτά τα πειράματα μπορούν να παιχτούν online μεταβαίνοντας στον ιστότοπο του εργαστηρίου του Ma. Συνολικά, τα αποτελέσματά τους έδειξαν ότι ο καλύτερος σχεδιασμός καθοδηγείται από την ικανότητα αναγνώρισης προτύπων με μεγαλύτερη ακρίβεια και σε λιγότερο χρόνο – αποτελέσματα που δείχνουν τα οφέλη της πρακτικής και της εμπειρίας.
«Είναι γνωστό ότι οι γνωστικές ικανότητες μπορούν να βελτιωθούν στην ενήλικη ζωή μέσω της εξάσκησης», παρατηρεί ο Ma. “Αυτά τα ευρήματα δείχνουν ότι ακόμη και μια σχετικά μέτρια πρακτική μπορεί να βελτιώσει το βάθος του προγραμματισμού κάποιου. Αυτό ανοίγει νέους δρόμους έρευνας. Για παράδειγμα, μπορούμε να χρησιμοποιήσουμε αυτές τις μεθόδους για να μελετήσουμε την ανάπτυξη των ικανοτήτων προγραμματισμού στα παιδιά ή να ελέγξουμε εάν οι ικανότητες προγραμματισμού μπορεί να διατηρηθεί σε μεγάλη ηλικία. Φυσικά, είναι επίσης σημαντικό να συνδέσουμε τον προγραμματισμό στο εργαστήριο με τον προγραμματισμό στην πραγματική ζωή».