Wanneer een AI-model een eenvoudige rekensom krijgt in verhalende vorm, zoals een vraag over het aantal appels dat iemand overhoudt, zou een kleine wijziging in namen geen verschil moeten maken voor het antwoord. Toch blijkt uit onderzoek dat dergelijke minimale aanpassingen de prestaties van GPT-modellen kunnen beïnvloeden. Waar mensen flexibel redeneren, tonen taalmodellen soms inconsistent gedrag.

Volgens Martha Lewis ligt dit aan de architectuur van huidige AI-systemen. Deze modellen zijn niet gebaseerd op menselijke cognitieve structuren, maar worden getraind op grote hoeveelheden data via machine learning. Dat maakt ze krachtig binnen bekende patronen, maar minder stabiel bij nieuwe of licht afwijkende input.

Lewis werkt daarom aan neurosymbolische AI: een benadering waarin symbolische AI, met expliciete logica en formele representaties, wordt gecombineerd met machine learning. Het doel is modellen te ontwikkelen met een verklaarbare interne werking en een sterkere theoretische basis. Door logische structuren expliciet te integreren, kunnen systemen niet alleen patronen herkennen, maar ook redeneringen beter structureren en generaliseren.

Een belangrijk onderdeel van dit onderzoek is het doorgronden van de ‘zwarte doos’ van AI. Hoewel taalmodellen in de praktijk succesvol zijn, is vaak onduidelijk hoe zij tot specifieke antwoorden komen. Binnen het ILLC worden methoden ontwikkeld om deze interne processen inzichtelijker te maken. De schaal en complexiteit van moderne modellen vormen daarbij een grote uitdaging.

In 2024 werd Lewis benoemd tot MacGillavry Fellow, wat haar in staat stelt een eigen onderzoeksgroep op te zetten. Haar werk bouwt voort op samenwerkingen binnen het ILLC, met onderzoekers uit de psychologie en internationale partners. Het uiteindelijke doel is AI-modellen te ontwikkelen die beter aansluiten bij menselijk redeneervermogen en transparanter functioneren.