Mensenachtige cognitieve generalisatie voor grote modellen via door mentale representaties geleide supervisie

Waarom het belangrijk is AI te leren denken zoals wij

Moderne kunstmatige intelligentie kan gezichten herkennen, foto’s labelen en vloeiend tekst produceren, maar heeft nog moeite met het soort flexibele begrip dat mensen dagelijks gebruiken. Wij zien één vogel en herkennen daarna vele soorten vogels, of beseffen dat een hangmat en een kinderwagen allebei een plek bieden om te liggen en te rusten. Dit artikel verkent een nieuwe manier om computermodellen dichter bij dat mensachtige denken te brengen door hersenactiviteit zelf als leersignaal te gebruiken.

Waar de slimme machines van vandaag tekortschieten

Standaard deep-learningsystemen worden beter vooral door groter te worden en getraind te worden op meer data. Dat werkt goed voor concrete taken zoals het herkennen van sokken, zwanen of auto’s op foto’s. De auteurs tonen echter aan dat enkel meer modelparameters weinig verbetering brengt in het begrijpen van abstracte begrippen zoals kleding, vogels, of de bredere scheiding tussen levende en niet-levende dingen. Bij tests voor one-shot learning verbeterden ze sterk op specifieke objecten naarmate ze groter werden, maar amper of zelfs negatief op hoog-niveau categorieën. Analyse van hoe de modellen intern concepten scheiden liet zien dat ze, in tegenstelling tot het menselijk brein, niet van nature levende wezens apart groeperen van gereedschap en andere objecten.

De machine laten leiden door het brein

Om deze kloof te dichten, ontwikkelden de onderzoekers wat zij noemen mentale representatie-gestuurde supervisie. Vrijwilligers lagen in een hersenscanner terwijl ze veel natuurlijke afbeeldingen bekeken. Uit deze opnames haalde het team activiteitspatronen in gebieden van de visuele cortex die bekendstaan om het coderen van rijke, hoog-niveau informatie over wat we zien. Tegelijk verwerkte een kunstmatig netwerk dezelfde beelden. Het sleutelidee was om de interne structuur van overeenkomsten en verschillen tussen objecten in het netwerk te dwingen overeen te stemmen met de structuur die in het brein werd gevonden. De auteurs behandelden zowel brein als model als grafen van onderling verbonden concepten en gebruikten een iteratieve grafen-afstemmingsprocedure om ze dichter bij elkaar te brengen.

Hoe brein-afgestelde modellen zich gedragen

Na deze speciale training memoriseerden de modellen niet alleen de gesuperviseerde beelden. In plaats daarvan ontwikkelden ze een mensachtiger kaart van concepten die generaliseerde naar veel nieuwe objecten die nooit met hersengegevens gekoppeld waren. De verbeterde modellen werden veel beter in one-shot learning voor abstracte categorieën, met strakkere clusters voor begrippen als dier, voertuig of muziekinstrument. Hun interne hiërarchieën gingen lijken op WordNet, een handmatig opgebouwde database van hoe Engelse woorden zich tot elkaar verhouden, hoewel de modellen daar nooit expliciet op getraind waren. Wanneer hen gevraagd werd het ‘odd one out’ te kiezen uit drie afbeeldingen, kozen de brein-gestuurde modellen op manieren die meer overeenkwamen met grote sets menselijke oordelen. Ze bleken ook moeilijker te misleiden met kleine, zorgvuldig gemaakte vervormingen van afbeeldingen, wat wijst op een dieper en robuuster begrip van wat objecten zijn.

Een venster naar een mensachtiger conceptruimte

De auteurs gingen verder en onderzochten de ‘conceptuele manifold’, of lage-dimensionale kaart, die ten grondslag ligt aan de brein-gestuurde modellen. Door over deze kaart te bewegen en punten terug te decoderen naar natuurlijke taalbeschrijvingen, toonden ze dat nabijgelegen posities semantisch verwante ideeën weerspiegelden, zoals verschillende soorten kleding of voertuigen. Interpolatie tussen regio’s gaf vloeiende overgangen, zoals verschuiven van elektronische apparaten naar dieren en het uitkomen op paarden bij het kruisen tussen voertuigen en hoefdieren. Het systeem kon ook meerdere gerelateerde beelden samenvatten in één betekenisvolle zin en eenvoudige ‘concept-wiskunde’ uitvoeren, door bijschriften aan te passen door elementen als paard of motorfiets op een manier toe te voegen of weg te nemen die overeenkomt met menselijke intuïtie.

Wat dit betekent voor toekomstige AI

In gewone bewoordingen suggereert dit werk dat een duwtje vanuit het menselijk brein AI-systemen kan helpen voorbij patroonherkenning te komen, naar iets dat dichter bij onze eigen manier van ordenen van kennis ligt. In plaats van alleen modellen groter te maken, laat de studie zien dat het vormgeven van hun interne conceptruimte om de hersenstructuur te weerspiegelen hun vermogen kan vergroten om nieuwe, abstracte en ongebruikelijke situaties aan te kunnen. Hoewel de aanpak nog steeds afhankelijk is van gedetailleerde hersenscans van individuele personen, zou het uitbreiden van dergelijke brein-geïnformeerde training kunnen leiden tot artificiële systemen die adaptiever, beter uitlegbaar en meer in lijn met hoe mensen de wereld waarnemen en redeneren zijn.

Bronvermelding: Chen, J., Qi, Y., Wang, Y. et al. Human-like cognitive generalization for large models via mental representation-guided supervision. Nat Commun 17, 4709 (2026). https://doi.org/10.1038/s41467-026-71267-5

Trefwoorden: door de hersenen geleide leerprocessen, abstracte concepten, diepe neurale netwerken, concepthiërarchie, cognitieve generalisatie