آینده پژوه اهل آستین تگزاس، «برایان مولکانری»، معاون Sureify Labs، در این مقاله این سوال را مطرح میکند که چقدر به دنیایی نزدیک هستیم که در آن ماشینها از هوش انسان فراتر رفتهاند؟
به گزارش مجله خبری آی تی و دیجیتال و به نقل از Venturebeat، وی در این مقاله آورده است: در طول دوران حرفهایام مرتبا تلاش داشتم تا مانند رایانه فکر کرده و راه حلی کامپیوتری را تصویرسازی کنم.
در اینجا شکاف میان استدلال انسانی و کد نرم افزاری کاملا مبرهن بود.
چند هفته پیش «بلیک لمواین» مهندس هوش مصنوعی سابق گوگل پس از گفت و گو با ربات چت LaMDA گفت این ربات احساس دارد.
2 روز قبل از آن «داگلاس هافستادر» برنده پولیتزر و پیشگام در هوش مصنوعی و محقق علوم شناختی در مقاله خود تاکید کرد شبکه عصبی مصنوعی {نرم افزار پشت LaMDA } هوشیار نیست.
وی پس از یک سری گفت و گو با چت ربات قدرتمند GPT-3 به این نتیجه رسید.
هافستادر مقاله خود را با این پیش بینی به پایان رساند که ما هنوز چند دهه با آگاهی ماشینی فاصله داریم.
بعدا «یان لیکون» محقق ارشد آزمایشگاه هوش مصنوعی متا و برنده جایزه تورینگ 2018 مقالهای با عنوان مسیری به سوی هوش مصنوعی خودمختار منتشر کرد و معماری را به اشتراک گذاشت که فراتر از آگاهی و احساس است و مسیری متفاوت برای برنامهنویسی هوش مصنوعی با توانایی استدلال و برنامه ریزی مانند انسان را پیشنهاد کرد که محققان به آن هوش عمومی مصنوعی یا AGI میگویند.
ارزش علمی مقاله «یان لیکون» به دلایل زیر، به اندازه مقاله 1936 آلن تورینگ است که معماری رایانههای دیجیتال مدرن را توصیف میکند.
شبیه سازی عملی با استفاده از مدل جهانی
لیکون تلاش دارد از محدودیتهای هوش مصنوعی تخصصی امروزی با مفهوم مدل جهانی عبور کند. این امر با معماری سلسله مراتبی ممکن میشود که طبق آن مدلهای پیش بینی یاد میگیرند جهان را در سطوح مختلفی از انتزاع و در مقیاسی از زمان نشان دهند.
با مدل جهانی مد نظر لیکون، میتوان با شبیه سازی توالی عمل، حالات احتمالی آینده را پیش بینی کنیم.
بدین ترتیب استدلال از طریق قیاس با مدلی که برای یک موقعیت در موقعیت دیگر پیکره بندی شده، ممکن میشود.
هدایت یادگیری جدید با ماژول پیکره بندی
دومین نوآوری در مقاله لیکون ماژول پیکره بندی است. وی از این امر صحبت میکند که چگونه پیکره بندی کننده یاد میگیرد که یک کار پیچیده را به دنبالهای از اهداف فرعی تجزیه کند و این روشی است که ذهن انسان از قیاس استفاده میکند.
به عنوان مثال صبح در اتاق هتل برای اولین بار میخواهید دوش بگیرید.
این احتمال وجود دارد که شما به سرعت کار را به یک سری اهداف فرعی با استفاده از قیاسهایی که با اجرای دوشهای دیگه آموختهاید، تقسیم کنید.
ابتدا نحوه بازکردن آب با استفاده از دستگیره را تعیین کرده و سپس تایید کنید که دسته را به کدام طرف بچرخانید تا گرم شود و …
خودآموز شدن یادگیری ماشین پس از شروع
سومین نکته مورد تاکید لیکون که قدرتمندترین هم هست، بحث خودآموز شدن یادگیری ماشین است. معماری مد نظر لیکون بر اساس یک الگوی یادگیری خود نظارتی قابلیت اجرایی پیدا میکند.
این یعنی هوش مصنوعی قادر است به تنهایی با تماشای فیلم، خواندن متن، تعامل با انسان و پردازش دادههای حسگر، یاد بگیرد.
مهندسان گوگل در پروژه DeepMind به تازگی پایگاه داده عمومی تولید شده توسط هوش مصنوعی AlphaFold را منتشر کرد.
این پایگاه شامل 200 میلیون پروتئین شناخته شده در علم است.
گفتنی است محققان 3 تا 5 سال طول میکشید تا شکل یک پروتئین را به صورت تجربی پیش بینی کنند.
اما محققان پروژه گوگل 200 میلیون را در دوره 5 ساله به اتمام رساندند.
«برایان مولکانری» در پایان مقاله خود یادآور میشود که: وقتی هوش مصنوعی میتواند به تنهایی بدون مربی انسانی برنامهریزی و استدلال کند، چه معنایی دارد؟
فناوری پیشرو هوش مصنوعی امروزی شامل یاگیری ماشین، اتوماسیون فرایند رباتیک و رباتهای چت، سازمانها را در صنایع مختلف از آزمایشگاه تحقیقات داروسازی تا شرکتهای بیمه، متحول ساختهاند.
وقتی آگاهی ماشینی، طی چند دهه یا چند سال آینده وارد شود، هم فرصتهای جدید و هم خطرات شگفتانگیزی را تجربه خواهیم کرد.
نظرات کاربران