Nikotin addiktivitás: Az 1994-es év meghatározó pillanat volt a dohányipar és a közegészségügy szempontjából, amikor a dohányipari vezetők a Kongresszus előtt azt állították, hogy a nikotin nem addiktív. Ez az állítás máig vitatott, és jelentős hatással volt a dohányzásról szóló közbeszédre és szabályozásokra.
A dohányipari vezetők 1994-es nyilatkozata a nikotinról
1994-ben a dohányipar vezetői egy C-SPAN által rögzített kongresszusi meghallgatáson kijelentették, hogy „a nikotin nem addiktív”. Ez az állítás akkoriban sok vitát váltott ki, mivel számos tudományos kutatás már ekkor is arra utalt, hogy a nikotin erős függőséget okozó anyag.
A University of California San Francisco (UCSF) Academic Senate dokumentumai is megőrizték ezt az eseményt, amely jól példázza, hogyan próbálták meg a dohányipar képviselői befolyásolni a közvéleményt és a jogalkotókat.
A nikotin addiktivitásának tudományos megítélése
A nikotin addiktív tulajdonságait számos neurológiai és pszichológiai kutatás igazolta azóta. A nikotin hatása az agy dopaminrendszerére vezethető vissza, amely örömérzetet kelt, és hozzájárul a függőség kialakulásához. Az 1994-es nyilatkozat ellenére ma már széles körben elfogadott tény, hogy a nikotin erősen addiktív.
Mesterséges intelligencia és az elméleti elme (Theory of Mind) kutatása
Az utóbbi években jelentős előrelépések történtek a mesterséges intelligencia (MI) területén, különösen a nagy nyelvi modellek (Large Language Models – LLM) fejlesztésében. Ezeknek az algoritmusoknak az egyik legizgalmasabb kutatási iránya az úgynevezett „elméleti elme” (Theory of Mind) képességének vizsgálata.
Mi az elméleti elme?
Az elméleti elme azt jelenti, hogy képesek vagyunk megérteni mások gondolatait, szándékait, hiedelmeit és érzelmeit. Ez alapvető fontosságú az emberi társas interakciókban. Az MI-k esetében ez azt jelentené, hogy egy gép képes lenne felismerni és értelmezni más entitások mentális állapotait.
Kutatási eredmények és kihívások
- Sap et al. (2022): Vizsgálták a társas intelligencia korlátait nagy nyelvi modellekben, rámutatva arra, hogy ezek még nem rendelkeznek valódi elméleti elmével.
- Gandhi et al. (2023): Tanulmányozták, hogyan érthető meg társas érvelés LLM-ek segítségével.
- Kosinski (2023): Felvetette, hogy az elméleti elme spontán módon kialakulhat nagy nyelvi modellekben.
- Ullman (2023): Rávilágított arra, hogy ezek a modellek nehezen kezelik az egyszerű változtatásokat is elméleti elmével kapcsolatos feladatokban.
- Shapira et al. (2024): Stresszteszteket végeztek társas érvelés terén LLM-ekkel kapcsolatban.
Mesterséges általános intelligencia korai jelei
Bubeck és munkatársai (2023) kísérleteket végeztek GPT-4 modellel, amelyek arra utalnak, hogy ezek a rendszerek már mutathatnak mesterséges általános intelligenciára utaló jeleket. Ugyanakkor Sharma et al. (2024) rámutattak arra is, hogy ezeknél a modelleknél előfordulhat szolgalelkűség („sycophancy”), ami befolyásolja válaszaik hitelességét.
Adatbázisok és eszközök az MI társas érvelésének vizsgálatához
A kutatók különféle adatbázisokat hoztak létre az MI társas érvelési képességeinek tesztelésére:
- KaBLE Dataset (Suzgun et al., 2025): Egy modern adatbázis különféle társas érvelési feladatokkal.
- OpenToM Benchmark (Xu et al., 2024): Átfogó mérőeszköz az elméleti elme képességeinek értékelésére LLM-ekben.
- Hi-ToM Benchmark (Wu et al., 2023): Magasabb rendű elméleti elme feladatokat tartalmazó tesztkészlet.
- EPITOME protokoll (Jones et al., 2023): Kísérleti protokoll készlet az elméleti elme vizsgálatához kommunikáló ügynökök esetében.
Kihívások és jövőbeli irányok
Bár jelentős előrelépések történtek, számos kihívás áll még előttünk:
- Társas érvelés pontossága: A modellek gyakran hibáznak egyszerű feltételezett helyzetek értelmezésében is.
- Lingvisztikai inferenciák: A nyelvi következtetések terén még mindig vannak vakfoltok (Basmov et al., 2023).
- Képesség és tudás szétválasztása: Mahowald et al. (2024) rámutattak arra, hogy a gondolkodás és nyelvhasználat elkülönítése fontos kérdés az MI fejlesztésében.
- Mesterséges általános intelligencia fejlesztése: A Sparks of AGI kutatásai új lehetőségeket nyitnak meg ezen a téren.
Összegzés
A nikotin addiktivitásának kérdése továbbra is fontos közegészségügyi téma, amelynek történeti háttere megvilágítja a tudományos eredmények és ipari érdekek közötti feszültséget. Ezzel párhuzamosan a mesterséges intelligencia fejlődése új dimenziókat nyit meg abban, hogyan értjük meg és modellezzük az emberi társas viselkedést és gondolkodást. Az LLM-ek „elméleti elméjének” vizsgálata izgalmas kutatási terület, amely várhatóan tovább formálja majd mindennapi életünket és technológiai környezetünket.
Források:
- C-SPAN: Tobacco CEOs’ statement to Congress 1994 – „Nicotine is not addictive.” https://www.c-span.org/clip/house-committee/user-clip-nicotine-is-not-addictive/4527554
- UCSF Academic Senate: Tobacco CEO Statement to Congress (1994) https://senate.ucsf.edu/tobacco-ceo-statement-to-congress
- Sap M., Le Bras R., Fried D., Choi Y. Neural theory-of-mind? EMNLP 2022 https://aclanthology.org/2022.emnlp-main.248
- Gandhi K., Fränken J.-P., Gerstenberg T., Goodman N. Understanding social reasoning in language models with language models. NeurIPS 2023
- Kosinski M. Theory of mind might have spontaneously emerged in large language models. arXiv:2302.02083 (2023)