Дослідження опублікували в журналі Nature Machine Intelligence.
Йдеться про дедуктивне мислення — коли з кількох відомих фактів потрібно зробити логічний висновок. Наприклад: якщо всі коти — тварини, а Мурчик — кіт, то Мурчик є твариною. Для експерименту дослідники використали відкритий набір даних fMRI — сканування мозку людей, які розв’язували такі логічні задачі. Потім ті самі завдання дали 10 мовним моделям із кількістю параметрів від 1,5 млрд до 72 млрд.
Науковці порівняли те, що відбувається в ділянках людського мозку, пов’язаних із логічним мисленням, із внутрішньою активністю нейромереж. Виявилося, що між ними є певна схожість, хоча моделі й люди обробляють інформацію зовсім не однаково.
Потім дослідники створили метод, який використовує патерни активності людського мозку як орієнтир і трохи змінює внутрішню роботу LLM під час розв’язання задач. Із ним модель ніби отримує додаткову підказку не про те, в якому напрямку обробляти інформацію, радше ніж про те, яку відповідь треба дати.
Метод випробували на всіх 10 моделях. За даними авторів роботи, він покращував результати в логічних задачах і навіть міг працювати на дещо інших типах завдань, ніж ті, на яких його налаштовували. В окремих експериментах точність зростала до 13 процентних пунктів.
Дослідники також хочуть перевірити цей підхід і на інших когнітивних здібностях та з іншими способами запису активності мозку. Вони припускають, що такі дані можуть бути особливо корисними там, де складно навчити модель лише на текстових прикладах.
Раніше dev.ua писав про систему UCLA, яка дозволяє керувати роботизованою рукою або курсором за допомогою мозкових сигналів
/
Дослідники з Пекінського університету та Університету Цінхуа знайшли часткову схожість між тим, як людський мозок і великі мовні моделі обробляють логічні задачі. А потім пішли далі — використали дані про активність мозку під час мислення, щоб покращити відповіді ШІ.
