لماذا تزداد سخونة مناقشة الذكاء الاصطناعي العام مرة أخرى
بين الحين والآخر، تعود الحجج إلى الظهور حول الذكاء الاصطناعي العام (AGI) على مقربة منك. والآن، نحن في منتصف إحدى تلك الدورات.
يحذر رواد الأعمال في مجال التكنولوجيا من الغزو الفضائي للذكاء الاصطناعي العام.
وسائل الإعلام غارقة في التقارير عن أنظمة الذكاء الاصطناعي التي تتقن اللغة وتتجه نحو التعميم. تمتلئ وسائل التواصل الاجتماعي بالمناقشات الساخنة حول الشبكات العصبية العميقة والوعي.
شهدت السنوات الأخيرة بعض التطورات المثيرة للإعجاب حقًا في مجال الذكاء الاصطناعي، وتمكن العلماء من إحراز تقدم في بعض أكثر المجالات صعوبة في هذا المجال.
ولكن كما حدث عدة مرات خلال تاريخ الذكاء الاصطناعي الممتد لعقود، قد يكون جزءًا من الخطاب الحالي حول تطورات الذكاء الاصطناعي عبارة عن دعاية غير مبررة.
هناك مجالات بحث لم تحظ باهتمام كبير، ويرجع ذلك جزئيًا إلى التأثير المتزايد لشركات التكنولوجيا الكبرى على الذكاء الاصطناعي.
التغلب على حدود التعلم العميق
في أوائل عام 2010، تمكنت مجموعة من الباحثين من الفوز بتحدي التعرف البصري على نطاق واسع على ImageNet (ILSVRC) بهامش واسع باستخدام نموذج التعلم العميق.
منذ ذلك الحين، أصبح التعلم العميق هو المحور الرئيسي لأبحاث الذكاء الاصطناعي.
تمكن التعلم العميق من إحراز تقدم في العديد من المهام التي كانت صعبة للغاية في السابق لأجهزة الكمبيوتر، بما في ذلك تصنيف الصور واكتشاف الأشياء والتعرف على الكلام ومعالجة اللغة الطبيعية.
ومع ذلك، فإن الاهتمام المتزايد بالتعلم العميق قد سلط الضوء أيضًا على بعض أوجه القصور فيه، بما في ذلك قابلية التعميم المحدودة، والصراع مع السببية وعدم القدرة على التفسير.
علاوة على ذلك، تطلبت معظم تطبيقات التعلم العميق أطنانًا من أمثلة التدريب المشروحة يدويًا، والتي أصبحت عنق الزجاجة.
شهدت السنوات الأخيرة تطورات مثيرة للاهتمام في بعض هذه المجالات. كان أحد الابتكارات الرئيسية هو نموذج المحولات، وهي بنية التعلم العميق التي تم تقديمها في عام 2017.
من السمات المهمة للمحولات قدرتها على التوسع. أظهر الباحثون أن أداء نماذج المحولات يستمر في التحسن مع نموها وتدريبها على المزيد من البيانات.
يمكن أيضًا تدريب المحولات مسبقًا من خلال التعلم غير الخاضع للإشراف أو الإشراف الذاتي، مما يعني أنه يمكنهم استخدام تيرابايت من البيانات غير المسماة المتوفرة على الإنترنت.
أدت المحولات إلى ظهور جيل من نماذج اللغات الكبيرة (LLMs) مثل OpenAI’s GPT-3 وDeepMind’s Gopher وGoogle’s PaLM.
في بعض الحالات، أظهر الباحثون أن LLMs يمكن أن تؤدي العديد من المهام دون تدريب إضافي أو مع أمثلة تدريب قليلة جدًا (تسمى أيضًا التعلم بدون طلقة أو واحدة أو قليلة).
بينما تم تصميم المحولات في البداية للمهام اللغوية، فقد توسعت لتشمل مجالات أخرى، بما في ذلك رؤية الكمبيوتر، والتعرف على الكلام، وأبحاث الأدوية، وإنشاء كود المصدر.
ركز العمل الأحدث على الجمع بين طرائق متعددة. على سبيل المثال، تدرب CLIP، وهي بنية التعلم العميق التي طورها باحثون في OpenAI، نموذجًا للعثور على العلاقات بين النص والصور.
بدلاً من الصور المشروحة بعناية المستخدمة في نماذج التعلم العميق السابقة، يتم تدريب CLIP على الصور والتعليقات التوضيحية المتوفرة بكثرة على الإنترنت.
هذا يمكّنها من تعلم مجموعة واسعة من مهام الرؤية واللغة. CLIP هي البنية المستخدمة في DALL-E 2 من OpenAI ، وهو نظام AI يمكنه إنشاء صور مذهلة من أوصاف النص.
يبدو أن DALL-E 2 قد تغلب على بعض حدود نماذج DL التوليدية السابقة، بما في ذلك الاتساق الدلالي (أي فهم العلاقة بين الكائنات المختلفة في صورة ما).
يأخذ Gato ، أحدث نظام AI لـ DeepMind، النهج متعدد الوسائط خطوة إلى الأمام من خلال جلب النصوص والصور والمعلومات التحسسية وأنواع أخرى من البيانات في نموذج محول واحد.
يستخدم Gato نموذجًا واحدًا لتعلم وتنفيذ العديد من المهام، بما في ذلك تشغيل Atari، ووضع تعليقات على الصور، والدردشة، وتكديس الكتل بذراع روبوت حقيقي.
يتمتع النموذج بأداء متوسط في العديد من المهام، لكن الباحثين في DeepMind يعتقدون أنها مسألة وقت فقط قبل أن يتمكن نظام الذكاء الاصطناعي مثل Gato من القيام بكل ذلك.
غرد مدير الأبحاث في DeepMind مؤخرًا، “كل شيء عن النطاق الآن! انتهت اللعبة!” مما يعني أن إنشاء نسخ أكبر من Gato سيصل في النهاية إلى الذكاء العام.
هل التعلم العميق هو الحل النهائي للذكاء الاصطناعي العام؟
يبدو أن التطورات الحديثة في التعلم العميق تتماشى مع رؤية مؤيديها الرئيسيين.
اقترح جيفري هينتون ويوشوا بنجيو ويان ليكون، ثلاثة علماء حائزين على جائزة تورينج معروفين بمساهمتهم الرائدة في التعلم العميق، أن بنى الشبكات العصبية الأفضل ستتغلب في النهاية على الحدود الحالية للتعلم العميق.
LeCun ، على وجه الخصوص، هو من دعاة التعلم الذاتي، والذي يستخدم الآن على نطاق واسع في تدريب المحولات ونماذج CLIP (على الرغم من أن LeCun تعمل على نوع أكثر تعقيدًا من التعلم تحت الإشراف الذاتي، ومن الجدير بالذكر أن LeCun لديه وجهة نظر دقيقة حول موضوع ذكاء الذكاء الاصطناعي العام ويفضل مصطلح “ذكاء على مستوى الإنسان”).
من ناحية أخرى، يشير بعض العلماء إلى أنه على الرغم من تقدمه، لا يزال التعلم العميق يفتقر إلى بعض الجوانب الأساسية للذكاء.
من بينهم جاري ماركوس و إميلي إم بيندر ، وكلاهما وثق بدقة حدود نماذج اللغات الكبيرة مثل GPT-3 ومولدات تحويل النص إلى صورة مثل DALL-E 2.
ماركوس، الذي كتب كتابًا عن حدود التعلم العميق، هو من بين مجموعة من العلماء الذين يؤيدون نهجًا هجينًا يجمع تقنيات الذكاء الاصطناعي المختلفة.
أحد الأساليب الهجينة التي اكتسبت قوة جذب مؤخرًا هو الذكاء الاصطناعي الرمزي العصبي، والذي يجمع بين الشبكات العصبية الاصطناعية والأنظمة الرمزية، وهو فرع من فروع الذكاء الاصطناعي سقط على جانب الطريق مع صعود التعلم العميق.
هناك العديد من المشاريع التي تُظهر أن الأنظمة الرمزية العصبية تعالج بعض القيود التي تعاني منها أنظمة الذكاء الاصطناعي الحالية، بما في ذلك الافتقار إلى الفطرة السليمة والسببية والتركيب والفيزياء البديهية.
أثبتت الأنظمة الرمزية العصبية أيضًا أنها تتطلب بيانات وموارد حسابية أقل بكثير من أنظمة التعلم العميق البحت.
دور التكنولوجيا الكبيرة
أدى الدافع نحو حل مشكلات الذكاء الاصطناعي باستخدام نماذج التعلم العميق الأكبر إلى زيادة قوة الشركات التي يمكنها تحمل التكاليف المتزايدة للبحث.
في السنوات الأخيرة، انجذب باحثو الذكاء الاصطناعي ومختبرات الأبحاث إلى شركات التكنولوجيا الكبيرة ذات الجيوب العميقة.
استحوذت Google على DeepMind ومقرها المملكة المتحدة في عام 2014 مقابل 600 مليون دولار.
تحولت شركة OpenAI، التي بدأت كمختبر أبحاث غير ربحي في عام 2015، إلى مؤسسة ذات حد أقصى للربح في عام 2019 وحصلت على تمويل بقيمة مليار دولار من Microsoft.
اليوم، لم تعد OpenAI تطلق نماذجها للذكاء الاصطناعي كمشاريع مفتوحة المصدر وقد قامت بترخيصها حصريًا لشركة Microsoft.
أقامت شركات التكنولوجيا الكبرى الأخرى مثل Facebook وAmazon وApple وNvidia مختبرات أبحاث الذكاء الاصطناعي الخاصة بحرق النقود وتستخدم رواتب مربحة لانتزاع العلماء من الأوساط الأكاديمية والمنظمات الأصغر.
وقد منح هذا بدوره هذه الشركات القدرة على توجيه أبحاث الذكاء الاصطناعي في اتجاهات تمنحها ميزة (أي نماذج التعلم العميق الكبيرة والمكلفة التي لا يستطيع أحد تمويلها).
على الرغم من أن ثروة التكنولوجيا الكبيرة ساعدت بشكل كبير في تقدم التعلم العميق، إلا أنها جاءت على حساب مجالات أخرى من البحث مثل الذكاء الاصطناعي الرمزي العصبي.
ومع ذلك، في الوقت الحالي، يبدو أن إلقاء المزيد من البيانات وقوة الحوسبة على المحولات ونماذج التعلم العميق الأخرى لا يزال يؤتي ثماره.
سيكون من المثير للاهتمام أن نرى إلى أي مدى يمكن توسيع الفكرة ومدى قربها من حل اللغز بعيد المنال لآلات التفكير.
المصدر: venturebeat
قد يهمك:
