W praktyce oznacza to, że człowiek potrafi znajdować rozwiązania problemów korzystając z ich związków ze znanymi mu zagadnieniami. Claire Stevenson początkowo zajmowała się zagadnieniem myślenia analogicznego u dzieci, jednak z czasem skupiła się na tym samym, ale w odniesieniu do kognitywnej sztucznej inteligencji oraz naśladowaniu ludzkiego mózgu.
Czytaj też: Sztuczna inteligencja klasyfikuje tysiące galaktyk w sekundę. Może być przełomowa
Stevenson dzieli inteligencję na dwie formy: płynną i skrystalizowaną. Ta pierwsza obejmuje naszą umiejętność rozwiązywania problemów, druga natomiast – nabytą wiedzę. Ze względu na ogromne możliwości obliczeniowe, sztuczna inteligencja nie ma problemu z nabywaniem i analizowaniem informacji. Takowy pojawia się jednak, kiedy trzeba wykazać się rozumowaniem analogicznym.
Sztuczna inteligencja jest w stanie analizować ogromne ilości danych, ale ma problemy z rozumowaniem analogicznym
Sztuczna inteligencja jest w stanie wykazać się z abstrakcyjnym myśleniem tylko po odpowiednio długim przygotowaniu i w przypadku określonych dziedzin. Tego typu trudności obserwowano już w latach 80. ubiegłego wieku, a obecnie – pomimo ogromnych postępów – algorytmy nadal są dalekie od dorównania ludzkiemu mózgowi.
Czytaj też: Sztuczna inteligencja Facebooka wykryje deepfakes i wyśledzi ich pochodzenie
Ważne w tym kontekście wydają się też badania prowadzone około 60 lat temu przez Michaiła Bongarda. Rosyjski uczony zaprojektował problemy, do rozwiązania których konieczne było odkrycie ukrytych wzorów. Tak samo jak wtedy, tak i teraz, ludzie lepiej od maszyn radzili sobie z wyzwaniem. Perspektywa, w której sztuczna inteligencja wyprzedza w tym względzie człowieka, jest zarówno fascynująca, jak i przerażająca. Biorąc pod uwagę jej obecne zdolności do analizowania milionów informacji jednocześnie, moglibyśmy otrzymać narzędzie potężniejsze nawet o całej grupy naukowców.