قام الباحثون بتدريب هذا الذكاء الاصطناعي على “التفكير” كطفل – إليكم ما حدث
يتعامل الأطفال مع العالم المادي ببعض “التوقعات المبدئية” حول كيفية عمله. ماذا يحدث عندما تتم برمجة نظام ذكاء اصطناعي بهذه الطريقة؟
في عالم مليء بآراء متعارضة، دعنا نلفت الانتباه إلى شيء يمكننا أن نتفق عليه جميعًا: إذا أريتك قلمي، ثم أخفته خلف ظهري، فلا يزال قلمي موجودًا – على الرغم من أنك لا تستطيع رؤيته بعد الآن.
يمكننا أن نتفق جميعًا على أنه لا يزال موجودًا، وربما يكون له نفس الشكل واللون الذي كان عليه قبل أن يتخلف عن ظهري. هذا شيء منطقي.
هذه القوانين المنطقية للعالم المادي مفهومة عالميًا من قبل البشر.
حتى الأطفال الرضع في عمر شهرين يشاركونهم هذا الفهم. لكن العلماء ما زالوا في حيرة من بعض جوانب كيفية تحقيقنا لهذا الفهم الأساسي.
وما زلنا بصدد بناء جهاز كمبيوتر يمكنه منافسة القدرات المنطقية للرضيع الذي ينمو بشكل نموذجي.
بحث جديد أجراه لويس بيلوتو وزملاؤه في جامعة برينستون – والذي أقوم بمراجعته لمقال في Nature Human Behavior – يتخذ خطوة نحو سد هذه الفجوة.
أنشأ الباحثون نظام ذكاء اصطناعي التعلم العميق (AI) الذي اكتسب فهمًا لبعض قوانين الفطرة السليمة للعالم المادي.
ستساعد النتائج في بناء نماذج حاسوبية أفضل تحاكي العقل البشري، من خلال الاقتراب من مهمة بنفس الافتراضات مثل الرضيع.
تصرف طفولي
عادةً ما تبدأ نماذج الذكاء الاصطناعي بلوحة فارغة ويتم تدريبها على البيانات مع العديد من الأمثلة المختلفة، والتي يبني النموذج المعرفة منها.
لكن الأبحاث التي أجريت على الأطفال تشير إلى أن هذا ليس ما يفعله الأطفال. بدلاً من بناء المعرفة من الصفر، يبدأ الأطفال ببعض التوقعات المبدئية حول الأشياء.
على سبيل المثال، يتوقعون أنهم إذا حضروا إلى كائن تم إخفاؤه بعد ذلك خلف كائن آخر، فسيستمر الكائن الأول في الوجود. هذا هو الافتراض الأساسي الذي يبدأهم في الاتجاه الصحيح. ثم تصبح معرفتهم أكثر دقة مع الوقت والخبرة.
الاكتشاف المثير الذي توصل إليه بيل وتو وزملاؤه هو أن نظام الذكاء الاصطناعي للتعلم العميق المصمم على غرار ما يفعله الأطفال يتفوق في الأداء على نظام يبدأ بسجل فارغ ويحاول التعلم بناءً على التجربة وحدها.
مكعب الشرائح والكرات في الجدران
قارن الباحثون كلا النهجين. في إصدار اللوح الفارغ، تم إعطاء نموذج AI العديد من الرسوم المتحركة المرئية للكائنات. في بعض الأمثلة، ينزلق المكعب إلى أسفل منحدر. في حالات أخرى، ارتدت كرة في الحائط.
اكتشف النموذج أنماطًا من الرسوم المتحركة المختلفة ثم تم اختباره بناءً على قدرته على التنبؤ بالنتائج باستخدام الرسوم المتحركة المرئية الجديدة للأشياء.
تمت مقارنة هذا الأداء بنموذج يحتوي على “توقعات مبدئية” مدمجة قبل أن يواجه أي رسوم متحركة بصرية.
استندت هذه المبادئ إلى توقعات الأطفال حول كيفية تصرف الأشياء وتفاعلها. على سبيل المثال، يتوقع الأطفال عدم مرور جسمين من خلال بعضهما البعض.
إذا أظهرت للرضيع خدعة سحرية حيث تنتهك هذا التوقع، فيمكنه اكتشاف السحر.
يكشفون هذه المعرفة من خلال النظر لفترة أطول بشكل ملحوظ في الأحداث ذات النتائج غير المتوقعة أو “السحرية”، مقارنة بالأحداث التي يتوقع فيها النتائج.
يتوقع الأطفال أيضًا ألا يكون الشيء قادرًا على وميض الوجود والخروج منه. يمكنهم اكتشاف متى يتم انتهاك هذا التوقع أيضًا.
وجد بيلوتو وزملاؤه أن نموذج التعلم العميق الذي بدأ بلوح فارغ قام بعمل جيد، لكن النموذج المعتمد على الترميز الذي يركز على الكائن والمستوحى من إدراك الرضع كان أفضل بكثير.
يمكن للنموذج الأخير أن يتنبأ بشكل أكثر دقة بكيفية تحرك الكائن، وكان أكثر نجاحًا في تطبيق التوقعات على الرسوم المتحركة الجديدة، وتعلم من مجموعة أصغر من الأمثلة (على سبيل المثال، تمكن من ذلك بعد ما يعادل 28 ساعة من الفيديو).
فهم فطري؟
من الواضح أن التعلم عبر الزمن والخبرة أمر مهم، لكنها ليست القصة الكاملة. يساهم هذا البحث الذي أجراه بيلوتو وزملاؤه في طرح نظرة ثاقبة على السؤال القديم حول ما قد يكون فطريًا لدى البشر، وما يمكن تعلمه.
علاوة على ذلك، فهي تحدد حدودًا جديدة للدور الذي يمكن أن تلعبه البيانات الإدراكية عندما يتعلق الأمر بالأنظمة الاصطناعية التي تكتسب المعرفة.
ويوضح أيضًا كيف يمكن للدراسات على الأطفال أن تساهم في بناء أنظمة ذكاء اصطناعي أفضل تحاكي العقل البشري.
المصدر: thenextweb
قد يهمك:
قالب ووردبريس GoodNews الاخباري
خطوات إنشاء موقع ويب strikingly
