منذ وقت
Ornithopera دا فينشي ، أعظم العقول البشرية استلهمت من العالم الطبيعي. في العالم الحديث ، لم يتغير شيء ، وتم إنشاء أحدث الإنجازات في التعلم الآلي والذكاء الاصطناعي على أساس أكثر أجهزة الحوسبة تقدمًا: الدماغ البشري.
إن تقليد المادة الرمادية ليس مجرد فكرة جيدة في إنشاء ذكاء اصطناعي أكثر تقدمًا. هذا ضروري للغاية في تطورهم الإضافي. الشبكات العصبية العميقة القائمة على التعلم ، مثل تلك الموجودة في
AlphaGo ، بالإضافة إلى الجيل الحديث من أنظمة
التعرف على الأنماط والترجمة ، هي أفضل أنظمة التعلم الآلي التي طورناها حتى الآن. إنهم قادرون على أشياء لا تصدق ، لكنهم ما زالوا يواجهون تحديات تكنولوجية كبيرة. على سبيل المثال ، حقيقة أنهم بحاجة إلى الوصول المباشر إلى مجموعات البيانات الكبيرة لتعلم مهارة معينة. علاوة على ذلك ، إذا كنت تريد إعادة تدريب الشبكة العصبية لأداء مهمة جديدة ، فأنت بحاجة بشكل أساسي إلى محو ذاكرتها والبدء من الصفر - وهي عملية تعرف باسم "النسيان الكارثي".
قارن ذلك بدماغ الشخص الذي يتعلم تدريجيًا ولا يظهر على الفور مكونًا من كومة من البيانات. هذا اختلاف أساسي: يتم إنشاء الذكاء الاصطناعي القائم على التعلم العميق من الأعلى إلى الأسفل ، مع معرفة كل ما تحتاجه من البداية ، بينما يتم بناء العقل البشري من الصفر عندما يتم استخدام الدروس السابقة القابلة للتطبيق على التجارب الجديدة لإنشاء معرفة جديدة.
علاوة على ذلك ، فإن العقل البشري جيد بشكل خاص في أداء التفكير العلائقي القائم على المنطق ، وبناء الروابط بين التجارب السابقة من أجل فهم المواقف الجديدة على الطاير. إن الذكاء الاصطناعي الإحصائي (أي التعلم الآلي) قادر على تقليد مهارات الدماغ في التعرف على الأنماط ، لكنه لا يعمل عند تطبيق المنطق. من ناحية أخرى ، يمكن للذكاء الاصطناعي الرمزي استخدام المنطق (على افتراض أنه تم تدريبه على قواعد نظام التفكير هذا) ، ولكنه عادة غير قادر على تطبيق هذه المهارة في الوقت الحقيقي.
ولكن ماذا لو استطعنا الجمع بين أفضل مرونة حسابية للدماغ البشري
وقدرات معالجة الذكاء الاصطناعي
القوية ؟ هذا هو بالضبط ما حاول فريق DeepMind القيام به. أنشأوا شبكة عصبية قادرة على تطبيق التفكير العلائقي على مهامهم. يعمل بنفس الطريقة التي تعمل بها شبكة من الخلايا العصبية في الدماغ. في حين أن الخلايا العصبية تستخدم علاقات مختلفة مع بعضها البعض للتعرف على الأنماط: "من الواضح أننا نجعل الشبكة تكتشف العلاقات الموجودة بين أزواج من الأشياء في هذا السيناريو" ، قال تيموثي ليلي كراب ، وهو عالم في DeepMind ،
لمجلة Science .
عندما تم تكليفها في يونيو
بمهمة حول أسئلة معقدة حول المواضع النسبية للأشياء الهندسية في الصورة ، على سبيل المثال: "هل يوجد جسم أمام كائن أزرق ، هل له نفس شكل الشيء الأزرق الصغير على يمين كرة معدنية رمادية؟" - حددت الكائن بشكل صحيح في 96 ٪ من الحالات. أعطت أنظمة التعلم الآلي التقليدية الحل الصحيح في 42-77 ٪ من الحالات. حتى الأشخاص اجتازوا الاختبار في 92٪ فقط من الحالات. هذا صحيح ، يقوم هذا
الذكاء الاصطناعي الهجين بعمل أفضل من الأشخاص الذين بنوه.
كانت النتائج هي نفسها عندما عرضت منظمة العفو الدولية مشاكل في الكلمة. على الرغم من أن الأنظمة التقليدية كانت قادرة على مطابقة DeepMind في أسئلة بسيطة ، مثل "سارة تملك الكرة. تدخل سارة مكتبها. أين الكرة؟ " كان نظام الذكاء الاصطناعي الهجين خارج المنافسة بشأن قضايا أكثر تعقيدًا مثل: "ليلي بجعة. زنبق أبيض. جريج هو بجعة. ما هو لون جريج؟ " أجاب DeepMind عليهم بشكل صحيح في 98٪ من الحالات مقارنة بنحو 45٪ من المنافسين.
يعمل DeepMind حتى على نظام
"يتذكر" المعلومات المهمة ويطبق هذه المعرفة المتراكمة على الطلبات المستقبلية. لكن IBM تتخذ خطوتين إضافيتين إلى الأمام. في ورقتين بحثيتين تم تقديمهما في
المؤتمر التعاوني الدولي حول الذكاء الاصطناعي لعام 2017 المنعقد في ملبورن ، أستراليا الأسبوع الماضي ، قدمت شركة IBM دراستين: واحدة تستكشف
كيفية توفير "اهتمام" الذكاء الاصطناعي والأخرى استكشاف مسألة
تطبيق العملية البيولوجية لتكوين الخلايا العصبية ، أي ولادة وموت الخلايا العصبية ، لأنظمة التعلم الآلي.
"تم تصميم تدريب الشبكة العصبية عادة ، وهناك حاجة إلى الكثير من العمل لإنشاء بنية محددة تعمل بشكل أفضل. قالت Iradget Irina Rish ، باحثة من شركة IBM ، إنها تقريبًا طريقة تجريبية وخطأ. "سيكون من الجيد لو استطاعت هذه الشبكات أن تبني نفسها."
يقوم IBM Attention Algorithm بإعلام الشبكة العصبية عن المدخلات التي توفر أعلى مكافأة. كلما زادت المكافأة ، زاد الاهتمام الذي توليه لهم الشبكة. وهي مفيدة بشكل خاص في المواقف التي لا تكون فيها مجموعة البيانات ثابتة - أي في الحياة الواقعية. قال ريش: "الانتباه هو آلية قائمة على المكافأة ، فهي ليست مجرد شيء لا علاقة له بصنع القرار وأفعالنا".
قال ريش: "نعلم أنه عندما نرى صورة ، يكون للعين البشرية عادةً مجال رؤية صغير جدًا". "بناءً على الدقة ، لا ترى سوى عدد قليل من وحدات البكسل للصورة [حاد] ، ولكن كل شيء آخر يبدو ضبابيًا. والحقيقة هي أنك تحرك عينيك بسرعة ، وستسمح لك آلية تجميع الأجزاء المختلفة في صورة بالتسلسل الصحيح بالتعرف على الصورة بسرعة. "
من المرجح أن يكون أول استخدام لوظيفة الانتباه في التعرف على الأنماط ، على الرغم من أنه يمكن استخدامها في مجالات مختلفة. على سبيل المثال ، إذا قمت بتدريب الذكاء الاصطناعي باستخدام
مجموعة بيانات أكسفورد ، والتي هي في الأساس صور معمارية ، فيمكن بسهولة تحديد مناظر المدينة بشكل صحيح. ولكن إذا عرضت عليه مجموعة من الصور من الريف (الحقول والزهور ، وما إلى ذلك) ، فسيتم الخلط بين الذكاء الاصطناعي لأنه لا يعرف ما هي الزهور. وعندما تجري نفس الاختبارات مع الأشخاص والحيوانات ، ستحفز تكوين الخلايا العصبية ، حيث تحاول أدمغتهم تكييف ما يعرفونه بالفعل عن المدن مع المناظر الطبيعية الجديدة للبلاد.
تخبر الآلية النظام بما ينبغي التركيز عليه. على سبيل المثال ، خذ طبيبك ، يمكنها إجراء مئات الاختبارات الممكنة لتحديد ما يزعجك ، لكن هذا مستحيل: إما في الوقت المحدد أو بأسعار معقولة. لذا ، ما هي الأسئلة التي يجب أن تطرحها وما الاختبارات التي يجب إجراؤها للحصول على أفضل تشخيص في أقل وقت ممكن؟ وأوضح ريتش: "هذا ما تتعلمه الخوارزمية لمعرفة". لا يحدد فقط الحل الذي يؤدي إلى أفضل نتيجة ، ولكنه يكتشف أيضًا مكان البحث عن البيانات. وبالتالي ، فإن النظام لا يتخذ قرارات أكثر صحة فحسب ، بل يجعلها أيضًا أسرع ، لأنه لا يطلب أجزاء من مجموعة البيانات التي لا تنطبق على المشكلة الحالية. تمامًا مثلما لا يلمس طبيبك ركبتيك بمطرقة صغيرة غريبة عندما تأتي مع شكاوى من ألم في الصدر وضيق في التنفس.
في حين أن نظام الانتباه مناسب للتأكد من أن الشبكة تؤدي المهمة ، فإن عمل IBM على اللدونة العصبية (مدى تذكر "الذكريات") يعمل على توفير ذاكرة الشبكة على المدى الطويل. تم تصميم هذا في الواقع على أساس نفس آليات الولادة وموت الخلايا العصبية التي لوحظت في الحصين البشري.
وأوضح ريش أنه في هذا النظام ، "لا يتعين عليك تصميم الملايين من المعلمات". "يمكنك البدء بنموذج أصغر بكثير ، وبعد ذلك ، اعتمادًا على البيانات التي تراها ، ستتكيف."
عندما يتم تقديم بيانات جديدة لها ، يبدأ النظام الوراثي العصبي لشركة آي بي إم في تكوين اتصالات محسنة جديدة (الخلايا العصبية) ، في حين سيتم قطع بعض الأقدم منها والأقل فائدة ، كما قال ريش. هذا لا يعني أن النظام يحذف فعليًا البيانات القديمة ، ويصبح أقل ارتباطًا بها - تمامًا مثل ذكرياتك القديمة ، كقاعدة عامة ، تصبح غامضة على مر السنين ، ولكن تلك التي تحمل ضغطًا عاطفيًا كبيرًا تظل حية في لسنوات عديدة.
قال ريش: "إن تكوين الخلايا العصبية هو طريقة لتكييف الشبكات العميقة". "الشبكة العصبية هي نموذج ، ويمكنك بناء هذا النموذج من الصفر ، أو يمكنك تغيير هذا النموذج عند الحاجة ، لأن لديك عدة طبقات من الخلايا العصبية المخفية ويمكنك تحديد عدد (الخلايا العصبية) التي تريدها ... بناءً على البيانات ".
هذا مهم لأنك لا تريد التوسع اللامتناهي للشبكة العصبية. إذا حدث ذلك ، فستصبح مجموعة البيانات كبيرة جدًا لدرجة أنها لن تكون قادرة على تحمل حتى المكافئ الرقمي لفرط التعرق. قال ريش: "إنه يساعد أيضًا في التطبيع ، لذا فإن" الذكاء الاصطناعي "لا" يغير رأيه "بشأن البيانات.
يمكن أن تكون هذه الإنجازات معًا مفيدة جدًا لمجتمع أبحاث الذكاء الاصطناعي. يريد فريق Rish العمل على ما يسمونه "الاهتمام الداخلي". لن تختار فقط البيانات التي تريد رؤيتها على الشبكة ، ولكن أيضًا أجزاء الشبكة التي تريد استخدامها في العمليات الحسابية بناءً على مجموعة من البيانات والمدخلات. بشكل أساسي ، سيغطي نموذج الانتباه عملية فكرية قصيرة ونشطة ونشطة ، بينما سيسمح جزء من الذاكرة للشبكة بتحسين وظيفتها اعتمادًا على الوضع الحالي.
ولكن لا تتوقع أن تتمكن منظمة العفو الدولية في المستقبل القريب من التنافس مع العقل البشري ، كما حذر ريتشارد. "أود أن أقول على الأقل بضعة عقود ، ولكن مرة أخرى ، هذا مجرد افتراض. "ما نقوم به الآن ، من وجهة نظر التعرف على الأنماط عالية الدقة ، لا يزال بعيدًا جدًا عن النموذج الأساسي للعواطف البشرية". "لقد بدأنا للتو."
