تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.
إنه وقت مناسب كأي وقت لمناقشة الآثار المترتبة على التطورات في الذكاء الاصطناعي (AI). شهد عام 2022 تقدمًا مثيرًا للاهتمام في التعلم العميق ، لا سيما في النماذج التوليدية. ومع ذلك ، مع زيادة قدرات نماذج التعلم العميق ، يزداد الارتباك المحيط بها.
من ناحية أخرى ، تعرض النماذج المتقدمة مثل ChatGPT و DALL-E نتائج رائعة وانطباع التفكير والتفكير المنطقي. من ناحية أخرى ، غالبًا ما يرتكبون أخطاء تثبت أنهم يفتقرون إلى بعض العناصر الأساسية للذكاء التي يمتلكها البشر.
ينقسم المجتمع العلمي حول ما يجب فعله من هذه التطورات. في أحد طرفي الطيف ، ذهب بعض العلماء إلى حد القول إن النماذج المتطورة حساسة ويجب أن تُنسب إلى الشخصية. اقترح آخرون أن مناهج التعلم العميق الحالية ستؤدي إلى الذكاء الاصطناعي العام (AGI). في غضون ذلك ، درس بعض العلماء إخفاقات النماذج الحالية وأشاروا إلى أنه على الرغم من كونها مفيدة ، إلا أن أنظمة التعلم العميق الأكثر تقدمًا تعاني من نفس النوع من الإخفاقات التي تعرضت لها النماذج السابقة.
في ظل هذه الخلفية ، عُقدت مناقشة AGI رقم 3 على الإنترنت يوم الجمعة ، واستضافها رئيس مونتريال للذكاء الاصطناعي فينسينت باوتشر وباحث الذكاء الاصطناعي غاري ماركوس. ناقش المؤتمر ، الذي تضمن محادثات من قبل علماء من خلفيات مختلفة ، دروسًا من العلوم المعرفية وعلم الأعصاب ، والطريق إلى التفكير المنطقي في الذكاء الاصطناعي ، واقتراحات للبنى التي يمكن أن تساعد في اتخاذ الخطوة التالية في الذكاء الاصطناعي.
حدث
قمة أمنية ذكية عند الطلب
تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.
مشاهدة هنا
ما الذي ينقص أنظمة الذكاء الاصطناعي الحالية؟
قال اللغوي والعالم المعرفي نعوم تشومسكي: “يمكن أن توفر مناهج التعلم العميق أدوات مفيدة في العديد من المجالات”. أصبحت بعض هذه التطبيقات ، مثل النسخ التلقائي والنصوص الإكمال التلقائي ، أدوات نعتمد عليها كل يوم.
لكن بعيدًا عن المنفعة ، ما الذي نتعلمه من هذه الأساليب حول الإدراك والتفكير في لغة معينة؟ قال تشومسكي. “[Deep learning] لا تميز الأنظمة بين اللغات الممكنة والمستحيلة. كلما تم تحسين الأنظمة كلما أصبح الفشل أعمق. سيكون أداؤهم أفضل مع اللغات المستحيلة والأنظمة الأخرى “.
يتجلى هذا الخلل في أنظمة مثل ChatGPT ، والتي يمكنها إنتاج نص صحيح نحويًا ومتسقًا ولكنه معيب منطقيًا وواقعيًا. قدم المحاضرون في المؤتمر أمثلة عديدة لمثل هذه العيوب ، مثل عدم قدرة النماذج اللغوية الكبيرة على فرز الجمل بناءً على الطول ، وارتكاب أخطاء جسيمة في المشكلات المنطقية البسيطة ، والإدلاء ببيانات خاطئة وغير متسقة.
وفقًا لتشومسكي ، فإن الأساليب الحالية لتطوير أنظمة التعلم العميق ، والتي تعتمد على إضافة بيانات التدريب ، وإنشاء نماذج أكبر ، واستخدام “البرمجة الذكية” ، لن تؤدي إلا إلى تفاقم الأخطاء التي ترتكبها هذه الأنظمة.
قال تشومسكي: “باختصار ، إنهم لا يخبروننا بأي شيء عن اللغة والفكر ، أو عن الإدراك بشكل عام ، أو عما يعنيه أن تكون إنسانًا أو أي رحلات خيالية أخرى في المناقشة المعاصرة”.
قال ماركوس إنه بعد عقد من ثورة التعلم العميق لعام 2012 ، تم إحراز تقدم كبير ، “ولكن لا تزال هناك بعض المشكلات”.
لقد وضع أربعة جوانب رئيسية للإدراك مفقودة من أنظمة التعلم العميق:
- التجريد: تكافح أنظمة التعلم العميق مثل ChatGPT مع المفاهيم الأساسية مثل العد وفرز العناصر.
- الاستدلال: تفشل النماذج اللغوية الكبيرة في التفكير في الأشياء الأساسية ، مثل تركيب الأشياء في الحاويات. قال ماركوس: “عبقرية ChatGPT هي أنها تستطيع الإجابة على السؤال ، لكن لسوء الحظ لا يمكنك الاعتماد على الإجابات”.
- التوافق: يفهم البشر اللغة من منظور الكل يتكون من أجزاء. يستمر الذكاء الاصطناعي الحالي في الصراع مع هذا الأمر ، والذي يمكن رؤيته عندما يُطلب من نماذج مثل DALL-E رسم صور لها هياكل هرمية.
- الواقعية: “يحتفظ البشر بنشاط بنماذج عالمية غير كاملة ولكن موثوقة. قال ماركوس: “نماذج اللغات الكبيرة لا تفعل ذلك ، وهذا له عواقب”. “لا يمكن تحديثها بشكل تدريجي من خلال منحهم حقائق جديدة. يحتاجون عادة إلى إعادة تدريبهم لدمج المعرفة الجديدة. إنهم يهلوسون “.
الذكاء الاصطناعي والمنطق المنطقي
قال Yejin Choi ، أستاذ علوم الكمبيوتر بجامعة واشنطن ، إن الشبكات العصبية العميقة ستستمر في ارتكاب الأخطاء في حالات الخصومة والحافة.
قال تشوي: “المشكلة الحقيقية التي نواجهها اليوم هي أننا ببساطة لا نعرف عمق أو اتساع نطاق حالات الخصومة أو الحافة”. من دواعي سروري أن هذا سيكون تحديًا حقيقيًا قد يستخف به الكثير من الناس. الفرق الحقيقي بين الذكاء البشري والذكاء الاصطناعي الحالي لا يزال شاسعًا للغاية “.
قالت تشوي إن الفجوة بين الذكاء البشري والذكاء الاصطناعي ناتجة عن الافتقار إلى الحس السليم ، والذي وصفته بأنه “المادة المظلمة للغة والذكاء” و “القواعد غير المعلنة لكيفية عمل العالم” التي تؤثر على طريقة استخدام الناس و تفسير اللغة.
وفقًا لتشوي ، فإن الفطرة السليمة تافهة بالنسبة للبشر وصعبة للآلات لأن الأشياء الواضحة لا يتم التحدث بها أبدًا ، وهناك استثناءات لا حصر لها لكل قاعدة ، ولا توجد حقيقة عالمية في الأمور المنطقية. قالت: “إنها أشياء غامضة وفوضوية”.
أكد باحث الذكاء الاصطناعي وعالم الأعصاب ، ديليب جورج ، على أهمية المحاكاة العقلية للتفكير المنطقي عبر اللغة. قال جورج إن المعرفة المنطقية المنطقية تُكتسب من خلال التجربة الحسية ، ويتم تخزين هذه المعرفة في النظام الإدراكي والحركي. نستخدم اللغة لفحص هذا النموذج وإطلاق عمليات المحاكاة في العقل.
“يمكنك التفكير في نظامنا الإدراكي والمفاهيمي على أنه جهاز المحاكاة ، والذي يتم اكتسابه من خلال تجربتنا الحسية. “اللغة هي الشيء الذي يتحكم في المحاكاة ،” قال.
تساءل جورج أيضًا عن بعض الأفكار الحالية لإنشاء نماذج عالمية لأنظمة الذكاء الاصطناعي. في معظم هذه المخططات للنماذج العالمية ، يعتبر الإدراك معالجًا أوليًا يخلق تمثيلًا يُبنى عليه النموذج العالمي.
وقال: “من غير المرجح أن ينجح ذلك لأن العديد من تفاصيل الإدراك تحتاج إلى الوصول إليها بسرعة حتى تتمكن من تشغيل المحاكاة”. “يجب أن يكون الإدراك ثنائي الاتجاه ويجب أن يستخدم اتصالات التغذية الراجعة للوصول إلى عمليات المحاكاة.”
بنية الجيل القادم من أنظمة الذكاء الاصطناعي
بينما يتفق العديد من العلماء على أوجه القصور في أنظمة الذكاء الاصطناعي الحالية ، فإنهم يختلفون في الطريق إلى الأمام.
قال David Ferrucci ، مؤسس Elemental Cognition والعضو السابق في IBM Watson ، إنه لا يمكننا تحقيق رؤيتنا للذكاء الاصطناعي إذا لم نتمكن من الحصول على آلات “لشرح سبب إنتاجهم للمخرجات التي ينتجونها.”
تعمل شركة Ferrucci على نظام ذكاء اصطناعي يدمج وحدات مختلفة. تولد نماذج التعلم الآلي فرضيات بناءً على ملاحظاتها وتعرضها على وحدة معرفة صريحة تصنفها. ثم تتم معالجة أفضل الفرضيات من خلال وحدة التفكير الآلي. يمكن لهذه البنية أن تشرح استنتاجاتها ونموذجها السببي ، وهما ميزتان مفقودتان في أنظمة الذكاء الاصطناعي الحالية. يطور النظام معرفته ونماذج سببية من مناهج التعلم العميق الكلاسيكية والتفاعلات مع البشر.
شدد عالم الذكاء الاصطناعي Ben Goertzel على أن “أنظمة الشبكة العصبية العميقة التي تهيمن حاليًا على المشهد التجاري الحالي للذكاء الاصطناعي لن تحقق تقدمًا كبيرًا نحو بناء أنظمة AGI حقيقية”.
قال جورتزل ، الذي اشتهر بصياغة مصطلح AGI ، إن تحسين النماذج الحالية مثل GPT-3 باستخدام مدققي الحقائق لن يصلح المشكلات التي يواجهها التعلم العميق ولن يجعلهم قادرين على التعميم مثل العقل البشري.
قال جورتزل: “إن هندسة استخبارات حقيقية ومفتوحة مع ذكاء عام ممكنة تمامًا ، وهناك عدة طرق للوصول إلى هناك”.
اقترح ثلاثة حلول ، بما في ذلك إجراء محاكاة حقيقية للدماغ ؛ صنع نظام تنظيم ذاتي معقد يختلف تمامًا عن الدماغ ؛ أو إنشاء بنية معرفية هجينة تنظم المعرفة بشكل ذاتي في رسم بياني معرفي يعيد البرمجة ذاتيًا ويعيد الكتابة ذاتيًا يتحكم في عامل متجسد. مبادرته الحالية ، مشروع OpenCog Hyperon ، تستكشف النهج الأخير.
اقترحت فرانشيسكا روسي ، زميلة IBM والزعيم العالمي لأخلاقيات الذكاء الاصطناعي في مركز أبحاث توماس جيه واتسون ، بنية ذكاء اصطناعي تستلهم من العلوم المعرفية وإطار عمل التفكير السريع والبطيء لدانيال كانيمان.
تستخدم البنية ، المسماة SlOw و Fast AI (SOFAI) ، نهجًا متعدد العوامل يتكون من حلول سريعة وبطيئة. تعتمد الحلول السريعة على التعلم الآلي لحل المشكلات. تكون أدوات الحل البطيئة أكثر رمزية وانتباه وتعقيدًا من الناحية الحسابية. هناك أيضًا وحدة ما وراء معرفية تعمل كحكم وتقرر الوكيل الذي سيحل المشكلة. مثل الدماغ البشري ، إذا لم يستطع المحلل السريع التعامل مع موقف جديد ، فإن وحدة ما وراء المعرفية تمرره إلى الحل البطيء. ثم تعيد هذه الحلقة تدريب المحلل السريع لتعلم كيفية معالجة هذه المواقف تدريجيًا.
قال روسي: “هذه بنية من المفترض أن تعمل لكل من الأنظمة المستقلة ودعم القرارات البشرية”.
قال يورغن شميدهوبر ، المدير العلمي لمختبر الذكاء الاصطناعي السويسري IDSIA وأحد رواد تقنيات التعلم العميق الحديثة ، إن العديد من المشكلات التي أثيرت حول أنظمة الذكاء الاصطناعي الحالية قد تم تناولها في الأنظمة والبنيات التي تم تقديمها في العقود الماضية. اقترح Schmidhuber أن حل هذه المشكلات هو مسألة تكلفة حسابية وأنه في المستقبل ، سنكون قادرين على إنشاء أنظمة التعلم العميق التي يمكنها القيام بالتعلم التلوي وإيجاد خوارزميات تعلم جديدة وأفضل.
الوقوف على أكتاف مجموعات البيانات العملاقة
قدم جيف كلون ، الأستاذ المساعد لعلوم الكمبيوتر بجامعة كولومبيا البريطانية ، فكرة “خوارزميات توليد الذكاء الاصطناعي”.
قال كلون: “الفكرة هي أن نتعلم قدر الإمكان ، وأن نبدأ في التمهيد من بدايات بسيطة للغاية وصولاً إلى الذكاء الاصطناعي العام”.
يحتوي مثل هذا النظام على حلقة خارجية تبحث في فضاء عوامل الذكاء الاصطناعي المحتملة وتنتج في النهاية شيئًا فعالاً للغاية في العينة وعمومًا للغاية. وقال كلون إن الدليل على أن هذا ممكن هو “الخوارزمية باهظة الثمن وغير الفعالة للتطور الدارويني التي أنتجت العقل البشري في النهاية”.
يناقش Clune الخوارزميات المولدة للذكاء الاصطناعي منذ عام 2019 ، والتي يعتقد أنها تستند إلى ثلاث ركائز رئيسية: معماريات التعلم التلوي ، وخوارزميات التعلم التلوي ، والوسائل الفعالة لإنشاء البيئات والبيانات. في الأساس ، هذا نظام يمكنه إنشاء بيئات وخوارزميات تعليمية جديدة وتقييمها وتحديثها باستمرار.
في مناظرة الذكاء الاصطناعي العام ، أضاف كلون ركيزة رابعة وصفها بأنها “الاستفادة من البيانات البشرية”.
قال كلون: “إذا شاهدت سنوات وسنوات من الفيديو عن وكلاء يقومون بهذه المهمة وتدربوا مسبقًا على ذلك ، فيمكنك حينئذٍ الاستمرار في تعلم مهام صعبة للغاية”. “إنه حقًا تسريع كبير لهذه الجهود لمحاولة التعلم قدر الإمكان.”
التعلم من البيانات التي تم إنشاؤها بواسطة الإنسان هو ما سمح لـ GPT و CLIP و DALL-E بإيجاد طرق فعالة لتحقيق نتائج مبهرة. قال كلون: “إن الذكاء الاصطناعي يرى أبعد من ذلك من خلال الوقوف على أكتاف مجموعات البيانات العملاقة”.
أنهى Clune بتوقعه فرصة بنسبة 30٪ للحصول على الذكاء الاصطناعي العام بحلول عام 2030. وقال أيضًا إن نماذج التعلم العميق الحالية – مع بعض التحسينات الرئيسية – ستكون كافية لتحقيق الذكاء الاصطناعي العام.
حذرت The Clune ، “لا أعتقد أننا جاهزون كمجتمع علمي وكمجتمع للوصول إلى AGI قريبًا ، ونحن بحاجة إلى البدء في التخطيط لذلك في أقرب وقت ممكن. نحن بحاجة إلى البدء في التخطيط الآن “.
مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.
اكتشاف المزيد من إشراق التقنية
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.