За то время, которое требуется среднестатистическому ребенку, чтобы научиться говорить на своем родном языке, он сталкивается с гораздо меньшим количеством слов, чем требуется для обучения машинному переводу (MT) или большой языковой модели (LLM).И все же детям удается воспроизводить язык без особых усилий и с большей точностью, чем эти модели.
Команда исследователей решила создать модель, способную разрабатывать и тестировать собственные теории о человеческом языке на основе небольших наборов данных. Проще говоря, исследователи разработали модель, которая может анализировать примеры человеческого языка, а затем выводить возможные грамматические, морфологические и фонологические правила, объясняющие, почему разные формы появляются в определенных контекстах.
Моделям машинного обучения обычно требуется гораздо больше данных, чем людям. Однако при тестировании своей модели исследователи обнаружили, что модель способна выводить правила из очень небольших наборов данных, взятых из тех же проблем с фонологией, с которыми студент-лингвист может столкнуться на первом или втором курсе университета. Он смог разработать эти правила с точностью до 60% — по общему признанию, это не идеально, но исследователи считают, что работа может пролить дополнительный свет на природу человеческого языка.
— Индукция теории – это грандиозная задача для ИИ, и наша работа здесь охватывает лишь небольшие фрагменты процесса построения теории, — говорится в исследовании. — Как и в нашей модели, теоретики-люди создают модели, изучая экспериментальные данные, но они также предлагают новые теории, объединяя существующие теоретические основы, проводя мысленные эксперименты и изобретая новые формализмы.
