آیا این 3 سرنخ می توانند قفل آینده هوش مصنوعی را باز کنند؟ – حساب کردن
Thتعدادی از پیشرفت ها در زمینه هوش مصنوعی وجود دارد که نشان می دهد ممکن است زمان تغییر مسیر فرا رسیده باشد. پیشرفت در چند سال گذشته سریع بوده است و هوش مصنوعی سریعتر از زمانی که ما برای قدردانی یا آمادگی کامل برای آن داشته ایم، به کار گرفته می شود. با این حال، دموکراتیک کردن ML، محدودیت های یادگیری عمیق و سوالات پاسخگویی در مدلها و دادههای جانبدارانه، ممکن است دلیل خوبی برای شروع به جستجوی سرنخهایی برای ساخت هوش مصنوعی به روشی جدید باشد.
کالایی شدن هوش مصنوعی و محدودیت های یادگیری عمیق
هوش مصنوعی، به شکل یادگیری ماشینی، که بیشتر از انواع “یادگیری عمیق” استفاده می کند، امروزه در همه جا استفاده می شود. از موتورهای ارجاع گرفته تا پیشبینیهای مبتنی بر بودجه، تا رسانههای اجتماعی و بسیاری موارد دیگر. شما فقط باید به آگهی های شغلی فناوری نگاه کنید تا ببینید در حال حاضر تقاضا چقدر بالا است. با افزایش تقاضا، عرضه متخصصان بسیار ماهر نمی تواند ادامه یابد و توانایی دموکراتیک کردن دسترسی به آن بسیار مطلوب می شود. این رویکرد جاه طلبانه جدید “هوش مصنوعی بدون کد” نامیده می شود. شرکتهای بزرگ و کوچک زیادی وجود دارند که ادعا میکنند توانایی ایجاد هوش مصنوعی (معمولاً یادگیری ماشینی در قالب شبکههای عصبی یادگیری عمیق) را به غیر توسعهدهندگان ارائه میدهند. این لیست را در بدون پلتفرم ML کد.
با این حال، درست در این مرحله، زمانی که فناوری به اندازه کافی برای تجاری سازی به این روش به بلوغ رسیده است، باید به این پرچم قرمز بزرگ توجه کنیم. معمولاً، اگر یک فناوری به اندازهای بالغ است که بتواند در یک بسته بدون کد بستهبندی شود، وقت آن است که به آینده فناوریها نگاه کنیم.
این تنها دلیلی نیست که ما در توسعه هوش مصنوعی به بن بست رسیده ایم. یادگیری عمیق به تنهایی تنها ما را در تعقیب هوش انسانی تا این حد می رساند. برای نوعی از هوش سطح بالاتر که ریسک آن مانند ماشین های خودران یا درک زبان پیچیده زیاد است، یادگیری عمیق کافی نیست. این یا نمی تواند پیچیدگی را مدیریت کند یا ناکارآمد و غیرقابل دسترس است.
مسئولیت و پاسخگویی در مدل ها و داده ها
اگر به متقاعد کردن بیشتری نیاز دارید که زمان آن فرا رسیده است، «پاسخگویی هوش مصنوعی» وجود دارد که روشهای فعلی ما برای آن ناکافی به نظر میرسند. به این می گویند خیلی چیزها – هوش مصنوعی انسان محور هوش مصنوعی مسئول، هوش مصنوعی مسئول و هوش مصنوعی اخلاقی. هدف تا حد زیادی یکسان است و بسیاری از افراد و سازمان ها به طور فزاینده ای از تأثیر آن آگاه می شوند. به طور خلاصه، روند فعلی یادگیری ماشینی به این امر کمک می کند جانبداری و تبعیض، زیرا از داده ها برای آموزش و مدل هایی استفاده می کند که بر داده های گذشته برای پیش بینی اتفاقات بعدی متکی هستند. اجتناب از آن آسان نیست، زیرا داده ها معمولاً شامل سوگیری هستند، همانطور که افراد مستعد آن هستند.
تلاش زیادی برای دور شدن از مدل «جعبه سیاه» ML انجام میشود، که میتواند سوگیری را بپوشاند و به آن اجازه میدهد تصمیمگیری ناشناخته را تحت تأثیر قرار دهد. راه حل ها شامل توضیح نحوه عملکرد مدل های ML، چه داده هایی است که استفاده می شود و غیره. این معمولاً به عنوان “تفسیرپذیری” شناخته می شود و تحقیقات زیادی برای پیشرفت این زمینه انجام می شود. راه حل دیگر می تواند طراحی نوع جدیدی از هوش مصنوعی باشد که می تواند تاثیر را کاهش دهد.
همه این نشانهها باعث میشوند که این زمان بهترین زمان برای کشف آنچه در آینده در هوش مصنوعی است باشد. سرنخ هایی وجود دارد که اخیراً ظاهر شده است. برخی در حال حاضر با موفقیتهای اولیه شکل میگیرند، و برخی دیگر در حال حاضر فقط ایدههایی هستند که از اکتشافاتی که در هوش انسانی از طریق تحقیقات پیشرفته در زیستشناسی و علوم اعصاب انجام میدهیم، الهام گرفته شدهاند. در زیر 3 مورد وجود دارد که راهنمایی هایی را در مورد مسیرهایی که می توان انجام داد ارائه می دهد.
نکته 1 – درک نمادها
هوش مصنوعی عصبی نمادین ما را به ماشینهایی با عقل سلیم نزدیکتر میکند
توانایی درک نمادها و هندسه به عنوان یک مهارت منحصر به فرد انسانی مطرح شده است. این مقاله بینش خوبی در مورد نظریه سیستمهای عصبی نمادین ارائه میکند، که ممکن است عنصر گمشده در فناوریهای هوش مصنوعی ما باشد. انسان ها می توانند نمادها را به گونه ای معنا کنند که ماشین ها (و سایر غیرانسان ها) نمی توانند. هر تصمیمی که مغز می گیرد از طریق تطبیق یا پیش بینی الگو نیست، همانطور که یادگیری عمیق برای انجام آن طراحی شده است. ما اغلب میتوانیم جهان را بر اساس آنچه میبینیم مدلسازی و تصور کنیم، که همیشه به حجم عظیمی از دادههای تجربی گذشته نیاز ندارد. احتمالاً این حوزه ای است که می تواند ما را به ایده هوش مصنوعی عمومی یا عقل سلیم نزدیک کند، چیزی که تاکنون از هوش مصنوعی طفره رفته است. این نوع جدید از سیستم عصبی نمادین نیز خود را به مشکلات فیزیکی وامی دارد و توانایی پیشبرد روباتیک را دارد.
سرنخ 2 – هوش مصنوعی که قادر به تدوین قوانین و آموزش به انسان است
دیدگاه گاردین در ارتباط با یادگیری ماشین و انسان: همه چیز در بازی است
این داستان اخیر اخیراً در مورد هوش مصنوعی جدیدی به نام Nook منتشر شد که می تواند انسان ها را در بازی Bridge شکست دهد. اگر بیشتر کنکاش کنیم، ترکیبی ترکیبی از فناوریهای هوش مصنوعی وجود دارد، اما به نظر میرسد در قلب راهحل، «قابلیت توضیح» هوش مصنوعی است تا انسانها بتوانند یاد بگیرند و با هم در مشارکت انسان و رایانه بتوانند برندگان این تیم باشند. بازی این راه حل ترکیبی (با برخی از کاربردهای درک شخصیت همانطور که در بالا توضیح داده شد) می تواند آینده هوش مصنوعی باشد. به جای تکیه بر یک مدل ML که فقط داده های بیشتری را برای بهبود دقت مصرف می کند، عنصری وجود دارد که قوانین جدیدی را فرموله می کند و آنها را توضیح می دهد. مشابه نحوه یادگیری افراد از یکدیگر برای بهبود جمعی هوش خود.
سرنخ 3 – ماژول ها و تکمیل مدل
سرنخ های جدید برای ریشه های هوش بیولوژیکی
این آهنگ از تحقیقات جدید در هوش بیولوژیکی و علوم اعصاب الهام گرفته است. بخش اعظم این مقاله اکتشافات اخیر را برای درک بهتر اینکه چگونه سلول ها دارای هوش برای تأثیرگذاری بر کل ارگانیسم هستند را توضیح می دهد. این یک راز در زیست شناسی است، اما پیشنهادهای اخیر سعی می کنند توضیح دهند که بدن چگونه ممکن است کار کند. این تئوری یک سیستم مدولار است که در آن ماژول های سطح پایین تر می توانند سطوح بالاتر را دستکاری کنند. مفهوم “تکمیل الگو” به تریگرها در یک ماژول اجازه می دهد تا خود ماژول را روشن کنند. به این ترتیب، تنظیمات کوچکی را می توان در یک ماژول انجام داد که می تواند کل سیستم را بدون نیاز به بازسازی آن تغییر دهد.
استفاده از این مورد در هوش مصنوعی نشان میدهد که طرحهای ما باید به ماژولها تقسیم شوند، با یادگیری مبتنی بر هدف تا هر یک از ماژولها مانند یک سلول انسانی زنده رفتار کنند. هر ماژول هوشمند است و می تواند بر تغییرات در سیستم سطح بالاتر تأثیر بگذارد. من با هیچ برنامه کاربردی هوش مصنوعی با استفاده از این نظریه برخورد نکرده ام، اما ایده شکستن یک مدل بزرگ مبتنی بر ML به ماژول هایی که می توانند این نوع کنترل بیولوژیکی را در خود جای دهند، می تواند قابل توجه باشد.
آیا با پیشرفتهای جدید دیگری در هوش مصنوعی مواجه شدهاید که میتواند منجر به تغییر بزرگی در مسیر شود؟ به ما اطلاع بدهید – contact@recknsense.com



