كيف الذكاء الاصطناعي يغير العلم

تفهم أحدث خوارزميات الذكاء الاصطناعي تطور المجرات ، وتحسب وظائف الموجات الكمومية ، وتكتشف مركبات كيميائية جديدة ، وما إلى ذلك. هل هناك أي شيء في عمل العلماء لا يمكن أن يكون آليا؟

لا يمكن لأي شخص أو حتى مجموعة من الناس مواكبة معلومات الشلال التي تنتجها عدد كبير من التجارب في الفيزياء وعلم الفلك. البعض منهم يترك تيرابايت من البيانات يوميا ، وهذا التدفق يزداد فقط. سوف ينتج عن صفيف هوائي Square Kilometer Array ، وهو تلسكوب راديوي مخطط للتشغيل في منتصف عام 2020 ، سنويًا حجم بيانات مقارنة بالإنترنت بأكمله.

وقد أدى هذا الطوفان من البيانات العديد من العلماء إلى اللجوء إلى الذكاء الاصطناعي (AI) طلبا للمساعدة. مع الحد الأدنى من المشاركة البشرية ، يمكن لنظم الذكاء الاصطناعي مثل الشبكات العصبية - شبكات المحاكاة بواسطة الكمبيوتر من الخلايا العصبية التي تحاكي وظائف المخ - التنقل عبر الجبال من البيانات ، والعثور على الحالات الشاذة والتعرف على تسلسلات لم يكن الناس قد لاحظوها.

بالطبع ، تم استخدام مساعدة أجهزة الكمبيوتر في البحث العلمي منذ حوالي 75 عامًا ، وتم اختراع طريقة فرز البيانات يدويًا بحثًا عن تسلسل ذي معنى منذ آلاف السنين. لكن بعض العلماء يجادلون بأن أحدث التقنيات في التعلم الآلي و الذكاء الاصطناعى تمثل طريقة جديدة بشكل أساسي لممارسة العلوم. أحد هذه الأساليب ، النمذجة التوليفية (GM) ، يمكن أن تساعد في تحديد النظرية الأكثر احتمالا بين التفسيرات المتنافسة للبيانات المرصودة ، بناءً على هذه البيانات فقط ، ودون أي معرفة مبرمجة مسبقًا لما يمكن أن تحدثه العمليات الفيزيائية في النظام قيد الدراسة . يعتبر مؤيدو الآلية العالمية أنها مبتكرة بما يكفي لتكون بمثابة "الطريق الثالث" المحتمل لدراسة الكون.

عادة ما نكتسب معرفة الطبيعة من خلال الملاحظة. كيف درس يوهانس كيبلر جداول موقع كواكب تايكو براي ، محاولًا العثور على النمط الأساسي (أدرك في النهاية أن الكواكب تتحرك في مدارات بيضاوية). انتقل العلم أيضًا إلى الأمام من خلال المحاكاة. يستطيع عالم فلك محاكاة حركة درب التبانة والمجرة المجاورة لها ، أندروميدا ، ويتوقعان أنهما سيصطدمان خلال بضعة مليارات من السنين. تساعد الملاحظات والمحاكاة العلماء على ابتكار فرضيات يمكن التحقق منها باستخدام الملاحظات المستقبلية. جنرال موتورز يختلف عن كل من هذه النهج.

وقال كيفن شافينسكي ، عالم الفيزياء الفلكية وأحد أكثر المؤيدين للآلية العالمية ، والذي كان يعمل حتى وقت قريب في المعهد الفيدرالي السويسري للتكنولوجيا "هذا هو النهج الثالث في الأساس ، بين الملاحظة والمحاكاة". "هذه طريقة مختلفة لمهاجمة المهمة."

يعتبر بعض العلماء أن التقنيات المحورة وراثياً وغيرها من التقنيات هي أدوات قوية لممارسة العلوم التقليدية. لكن معظمهم يتفقون على أن الذكاء الاصطناعى سوف يؤثر بشكل كبير على هذه العملية ، وسوف ينمو دورها في العلوم فقط. براين نورد ، عالم الفيزياء الفلكية في مختبر مسرع فيرمي الوطني الذي يستخدم شبكات عصبية اصطناعية لدراسة الفضاء ، هو أحد أولئك الذين يخشون من أن أيا من أنشطة عالم الإنسان لن تفلت من الأتمتة. "الفكر مرعب جدا" ، قال.

اكتشاف الجيل

حتى في المعهد ، بدأ شافينسكي في بناء سمعة طيبة في العلوم على أساس البيانات. أثناء عمله على الدكتوراه ، التقى بمهمة تصنيف الآلاف من المجرات بناءً على مظهرها. لم تكن هناك برامج جاهزة لهذه المهمة ، لذلك قرر تنظيم الاستعانة بمصادر خارجية لهذا الغرض - هكذا ولد مشروع Galactic Zoo . منذ عام 2007 ، تمكن المستخدمون العاديون من مساعدة الفلكيين على وضع افتراضات حول أي مجرة ​​تنتمي إلى أي فئة ، وعادةً ما تصنف معظم الأصوات المجرة بشكل صحيح. لكن المشروع كان ناجحًا ، كما يلاحظ شافينسكي ، فقد جعلته منظمة العفو الدولية غير مجدية: "اليوم ، عالم موهوب لديه خبرة في منطقة موسكو والوصول إلى الحوسبة السحابية يمكن أن يصنع مثل هذا المشروع في نصف يوم."

تحولت Shavinsky إلى أداة GM القوية الجديدة في عام 2016. في الواقع ، يسأل المدير العام السؤال: ما مدى إحتمال حصولنا على النتيجة Y في ظل الشرط X؟ لقد أثبت هذا النهج أنه فعال وعالمي بشكل لا يصدق. على سبيل المثال ، دعنا نقول أنك أطعمت GM مجموعة من صور الوجوه البشرية ، ولكل شخص يتم تثبيت سنه. يقوم البرنامج بتمشيط هذه البيانات التدريبية ويبدأ في العثور على اتصال بين الوجوه القديمة وزيادة احتمال ظهور التجاعيد عليها. نتيجةً لذلك ، يمكنها أن تتخلى عن عمر أي شخص معين - أي التنبؤ بالتغييرات الجسدية التي قد يتعرض لها أي شخص في أي عمر.


لا شيء من هؤلاء الأفراد حقيقي. يتم إنشاء الصف العلوي (A) والعمود الأيسر (B) من خلال شبكة خصامية (GSS) باستخدام لبنات بناء مستمدة من عناصر أشخاص حقيقيين. بعد ذلك ، يجمع GSS بين ميزات الوجه الرئيسية من السلسلة A ، بما في ذلك نوع الجنس والنمو وشكل الوجه ، مع ميزات الوجه الأصغر للعمود B ، على سبيل المثال ، لون الشعر والعين ، وإنشاء وجوه في بقية الجدول.

من بين أنظمة جنرال موتورز ، فإن شبكات الخصومة التوليدية (GSS) هي الأكثر شهرة. بعد معالجة بيانات التدريب الكافية ، يمكن لـ GSS استعادة الصور ذات البيكسلات المفقودة أو التالفة أو جعل الصور الضبابية واضحة. يتم تدريب GSS على استخراج المعلومات المفقودة على أساس المنافسة (ومن ثم "الخصومة"): جزء من الشبكة ، المولد ، يولد بيانات خاطئة ، والثاني ، المميّز ، يحاول التمييز بين البيانات الخاطئة والبيانات الحقيقية. أثناء تشغيل البرنامج ، يعمل كلا الجزأين منه تدريجيًا بشكل أفضل. ربما تكون قد رأيت بعض "الوجوه" الفائقة الواقعية التي أنشأتها GSS - صور لـ "أشخاص واقعيين بشكل لا يصدق لا وجود لهم في الواقع" ، كما كتبوا في أحد العناوين الرئيسية.

في حالة أكثر عمومية ، تأخذ الآلية العالمية مجموعة بيانات (عادةً ما تكون صورًا ولكنها ليست ضرورية) ، وتقسيمها إلى مجموعات فرعية من لبنات البناء المجردة الأساسية - يطلق عليها العلماء "الفضاء الخفي" للبيانات. تقوم الخوارزمية بمعالجة عناصر المساحة المخفية لمعرفة كيف سيؤثر ذلك على البيانات الأولية ، مما يساعد على الكشف عن العمليات المادية التي تضمن تشغيل النظام.

فكرة الفضاء الخفي هي فكرة مجردة ويصعب تخيلها ، ولكن كقياس تقريبي ، فكر فيما يمكن أن يفعله عقلك عندما تحاول تحديد جنس الشخص عن طريق الوجه. ربما تلاحظ تسريحة شعر وشكل أنف وما إلى ذلك ، بالإضافة إلى أنماط ليس من السهل وصفها بالكلمات. يبحث برنامج الكمبيوتر أيضًا عن العلامات المخفية في البيانات: على الرغم من أنه ليس لديه فكرة عن نوع الشارب أو الجنس ، إذا تم تدريبه على مجموعة بيانات تحمل بعض الصور عليها اسم "رجل" أو "امرأة" ، وبعضها يحمل علامة "شارب" "، وقالت انها سوف تفهم بسرعة العلاقة.


كيفن شافينسكي ، عالم الفيزياء الفلكية ، رئيس شركة Modulos التابعة لمنظمة العفو الدولية

في مقالة نشرت في ديسمبر في مجلة Astronomy & Astrophysics ، استخدم Shavinsky وزملاؤه Denis Tharp و Che Zhen ، GM لدراسة التغيرات الجسدية في المجرات أثناء التطور (البرنامج الذي يستخدمونه يحسب المساحة المخفية بشكل مختلف قليلاً عن GSS ، لذلك فمن المستحيل تقنيًا استدعاء GSS ، على الرغم من أنها قريبة جدا من الخصائص). قام نموذجهم بإنشاء مجموعات بيانات اصطناعية لاختبار فرضيات حول العمليات الفيزيائية. لقد سألوا ، على سبيل المثال ، كيف يرتبط "توهين" تكوين النجوم - انخفاض حاد في سرعة تكوينها - بزيادة كثافة المجرة.

بالنسبة لشافينسكي ، فإن السؤال الأساسي هو مقدار المعلومات حول العمليات النجمية والمجرية التي يمكن استخراجها على أساس بيانات واحدة فقط. وقال "استبعد كل ما نعرفه عن الفيزياء الفلكية". "إلى أي مدى يمكننا إعادة اكتشاف هذه المعرفة باستخدام البيانات فقط؟"

أولاً ، تم تقليل صور المجرات إلى مساحة مخفية ؛ ثم يمكن لشافينسكي تصحيح عنصر واحد من هذا الفضاء بحيث يتوافق مع تغير معين في بيئة المجرة - على سبيل المثال ، كثافة بيئتها. ثم يمكنه تجديد المجرة ورؤية الاختلافات التي ستظهر هذه المرة. "والآن لدي آلة لتوليد الفرضيات" ، أوضح. "يمكنني أخذ مجموعة من المجرات التي كانت في الأصل محاطة بكثافة منخفضة ، وجعلها تبدو كثافتها عالية." وجد شافينسكي وتارب وزين أن الانتقال من درجة أقل إلى كثافة أعلى من البيئة يصبحون أكثر احمرارًا ، ويتركز نجومهم بدرجة أكبر. وقال شافينسكي إن هذا يتفق مع الملاحظات الحالية للمجرات. السؤال الوحيد هو لماذا.

يقول شافينسكي ، إن الخطوة التالية لم تتم آلياً بعد. "أنا ، رجل ، بحاجة إلى التدخل وأقول: حسنًا ، أي نوع من الفيزياء يمكنه تفسير هذا التأثير؟" يوجد تفسيران محتملان لهذه العملية: من الممكن أن تصبح المجرات أكثر احمرارًا في البيئات الأكثر كثافة لأنها تحتوي على مزيد من الغبار ، أو لأن هناك انخفاضًا في تكوين النجوم (بمعنى آخر ، عادة ما تكون نجومها أقدم). باستخدام النموذج التوليدي ، يمكننا اختبار كل من الأفكار. نقوم بتغيير عناصر الفضاء الخفي المرتبط بالغبار وسرعة تكوين النجوم ، ونرى كيف يؤثر ذلك على لون المجرات. "والإجابة واضحة" ، قال شافينسكي. المجرات الأكثر احمراراً هي تلك "حيث انخفضت سرعة تكوين النجوم ، وليس تلك التي يوجد فيها المزيد من الغبار. لذلك ، نحن نميل إلى التفسير الأول ".


الصف العلوي عبارة عن مجرات حقيقية في المناطق منخفضة الكثافة.
الصف الثاني - إعادة الإعمار على أساس الفضاء الخفي.
بعد ذلك تأتي التحولات التي تجريها الشبكة ، وفيما يلي المجرات المولدة في المناطق عالية الكثافة.

يرتبط النهج مع المحاكاة التقليدية ، ولكن لديه اختلافات جوهرية. وقال شافينسكي إن المحاكاة ، في الواقع ، "تستند إلى افتراضات". "هذا هو نفسه القول:" أعتقد أنني فهمت ما هي الأساسيات المادية التي تقوم عليها كل شيء أراه في النظام. " لدي وصفة لتشكيل النجوم ، وسلوك المادة المظلمة ، وهلم جرا. أضع كل فرضياتي وأبدأ المحاكاة ، ثم أسأل: هل هذا يبدو وكأنه حقيقة؟ " وقال إنه مع النمذجة التوليفية ، يبدو ذلك "بمعنى ما ، هو عكس المحاكاة بالضبط". نحن لا نعرف أي شيء ، لا نريد أن نفترض أي شيء. نريد أن تخبرنا البيانات بما يمكن أن يحدث ".

من الواضح أن النجاح الواضح للنمذجة التوليفية في مثل هذه الدراسة لا يعني أن علماء الفلك وطلاب الدراسات العليا أصبحوا غير ضروريين - ولكن يبدو أنه يدل على تحول في الدرجة التي يمكن أن تتعلم بها منظمة العفو الدولية أي شيء عن الكائنات والعمليات الفلكية الفيزيائية تقريبا فقط كمية كبيرة من البيانات. وقال شافينسكي: "هذا ليس علمًا آليًا بالكامل ، لكنه يوضح أننا قادرون على إنشاء أدوات تعمل على أتمتة التقدم العلمي على الأقل جزئيًا".

من الواضح أن النمذجة التوليدية قادرة على تحقيق الكثير - ولكن إذا كانت تمثل بالفعل مقاربة جديدة للعلم ، فهذه نقطة خلافية. بالنسبة إلى David Hogg ، عالم الكونيات في جامعة نيويورك ومعهد Flatiron ، فإن هذه التكنولوجيا ، على الرغم من أنها مثيرة للإعجاب ، هي في الواقع طريقة معقدة للغاية لاستخراج التسلسل من البيانات - وقد قام علماء الفلك بذلك منذ قرون. بمعنى آخر ، إنها طريقة متقدمة للمراقبة والتحليل. يعتمد عمل Hogg ، مثل Shavinsky ، اعتمادًا كبيرًا على الذكاء الاصطناعي. يستخدم الشبكات العصبية لتصنيف النجوم حسب الطيف واستخلاص استنتاجات حول الخصائص الفيزيائية الأخرى للنجوم باستخدام النماذج المعتمدة على البيانات. لكنه يعتبر عمله ، وعمل شافينسكي ، طريقة علمية قديمة وعريقة ومثبتة. قال مؤخراً: "لا أعتقد أن هذه هي الطريقة الثالثة". "أعتقد فقط أننا ، كمجتمع ، نستخدم بياناتنا بشكل متزايد. على وجه الخصوص ، نحن أفضل بكثير في مقارنة البيانات. لكن من وجهة نظري ، يناسب عملي تمامًا إطار نظام المراقبة ".

مساعدون متحمسون

سواءً كانت الذكاء الاصطناعي والشبكات العصبية أدوات جديدة من الناحية المفاهيمية أم لا ، فمن الواضح أنها بدأت تلعب دورًا مهمًا في علم الفلك الحديث والأبحاث المادية. في معهد هايدلبرغ للبحوث النظرية ، يقود الفيزيائي كاي بولستر مجموعة حول المعلومات الفلكية - فريق من الباحثين الذين يعملون مع أساليب جديدة في الفيزياء الفلكية تستند إلى معالجة البيانات. لقد استخدموا مؤخرًا خوارزمية مع MOs لاستخراج معلومات الانزياح نحو الأحمر من مجموعات بيانات المجرة - وهي مهمة كانت في السابق من الموهنة.

تعتبر Polsterer هذه الأنظمة الجديدة المستندة إلى الذكاء الاصطناعي "مساعدين متحمسين" ، قادرة على تمشيط البيانات لساعات دون الشعور بالملل والشكوى من ظروف العمل. وقال إن هذه الأنظمة يمكنها أن تقوم بكل الأعمال الرتيبة والعمل الشاق ، تاركة لنا "علمًا رائعًا وممتعًا".

لكنها ليست مثالية. على وجه الخصوص ، يحذر Polsterer ، الخوارزميات لا يمكن إلا أن تفعل ما تم تدريبهم. النظام غير مبال للمدخلات. أعطها مجرة ​​وستكون قادرة على تقدير تحولها الأحمر وعمرها. لكن أعطها صورة شخصية أو صورة للأسماك الفاسدة ، وستقدر سنها (بشكل طبيعي ، خطأ). وقال في النهاية ، إن مراقبة الناس لا تزال ضرورية. "كل شيء يغلق علينا ، الباحثين. نحن مسؤولون عن التفسير ".

من ناحيته ، يحذر نورد من فيرميلاب من أهمية أن تسفر الشبكات العصبية ليس عن نتائج فحسب ، بل عن أخطاء في العمل ، كما اعتاد أي طالب على ذلك. من المقبول في العلوم أنه إذا قمت بإجراء قياس ولكنك لم تقدم خطأً ، فلن يأخذ أحد نتائجك على محمل الجد.

مثل العديد من الباحثين في الذكاء الاصطناعي ، يشعر نورد بالقلق أيضًا من صعوبة فهم نتائج الشبكات العصبية ؛ تعطي الشبكة العصبية إجابة دون توفير طريقة واضحة للحصول عليها.

ومع ذلك ، لا يعتقد الجميع أن نقص الشفافية يمثل مشكلة. يشير لينكا زديبوروفا ، الباحث في معهد الفيزياء النظرية في فرنسا ، إلى أن الحدس البشري يستحيل فهمه أيضًا في بعض الأحيان. نظرت إلى الصورة واكتشفت أن القطة مصورة عليها - "لكنك لا تعرف كيف تعرف ذلك" ، كما تقول. "عقلك ، بطريقة ما ، هو أيضًا صندوق أسود".

ليس فقط علماء الفيزياء الفلكية وعلماء الكونيات يهاجرون إلى جانب العلوم باستخدام الذكاء الاصطناعى ومعالجة البيانات. استخدم أخصائي فيزياء الكم ، روجر ميلكو ، من معهد الفيزياء النظرية للمحيط وجامعة واترلو ، شبكة عصبية لحل بعض المشاكل الأكثر تعقيدًا وأهمية في هذا المجال ، على سبيل المثال ، وهو يمثل دالة موجية تصف نظامًا من العديد من الجزيئات. الذكاء الاصطناعى ضروري بسبب ما يسميه ميلكو "لعنة الأسية البعد". وهذا يعني أن عدد الأشكال المحتملة للدالة الموجية يزداد باطراد مع زيادة عدد الجسيمات في النظام الموصوف. تشبه الصعوبة محاولة اختيار أفضل حركة في لعبة مثل لعبة الشطرنج أو الذهاب: تحاول حساب الخطوة التالية من خلال تخيل كيف سيذهب خصمك واختيار أفضل إجابة ، ولكن مع كل خطوة يزداد عدد الفرص.

بالطبع ، أتقن AI هاتين الألعابتين ، وتعلم لعب الشطرنج قبل بضعة عقود ، وتفوق على أفضل لاعب في عام 2016 - لقد تم ذلك بواسطة نظام AlphaGo. تقول بدقة أنها تتكيف بشكل جيد مع مشاكل فيزياء الكم.

آلة العقل

سواء أكان شافينسكي محقًا في التصريح بأنه وجد "طريقًا ثالثًا" للانخراط في العلوم ، أو كما يقول هوج ، هذه مجرد ملاحظات تقليدية وتحليل البيانات "على المنشطات" ، فمن الواضح أن الذكاء الاصطناعى يغير جوهر الاكتشافات العلمية ويسرعه بوضوح. إلى أي مدى ستذهب ثورة الذكاء الاصطناعى في العلوم؟

يتم الإدلاء ببيانات عالية بشكل دوري حول إنجازات "علماء الروبوت". منذ عشرة أعوام ، فحص الكيميائي الآلي لآدم جينوم الخميرة وحدد الجينات المسؤولة عن إنتاج بعض الأحماض الأمينية. لقد فعل ذلك من خلال ملاحظة سلالات الخميرة التي تفتقر إلى جينات معينة ومقارنة نتائج سلوكهم مع بعضهم البعض. كتبت مجلة Wired ، "قام الروبوت باكتشاف علمي من تلقاء نفسه ."

بعد ذلك بقليل ، استخدم لي كرونين ، الكيميائي في جامعة جلازكو ، روبوتًا لخلط المواد الكيميائية بشكل عشوائي لمعرفة ما إذا كانت هناك مركبات جديدة ظهرت. من خلال تتبع ردود الفعل في الوقت الحقيقي باستخدام مطياف الكتلة ، وآلة الرنين المغناطيسي النووي ، وطيف الأشعة تحت الحمراء ، تعلم النظام في نهاية المطاف التنبؤ بالمجموعات الأكثر تفاعلية. وقال كرونين إنه على الرغم من أن هذا لم يؤد إلى الاكتشافات ، فإن النظام الآلي يمكن أن يسمح للكيميائيين بتسريع أبحاثهم بنسبة 90 ٪.

في العام الماضي ، استخدم فريق آخر من العلماء من زيوريخ الشبكات العصبية لاستنباط القوانين الفيزيائية القائمة على مجموعات البيانات. أعاد نظامهم ، وهو نوع من كبلر الروبوتية ، اكتشاف النموذج الشمسي للنظام الشمسي ، استنادًا إلى سجلات موقع الشمس والمريخ في السماء المرئية من الأرض ، واستنتج أيضًا قانون الحفاظ على الزخم من ملاحظات تصادمات الكرات. نظرًا لأن القوانين الفيزيائية يمكن التعبير عنها غالبًا بعدة طرق ، يهتم الباحثون بما إذا كان يمكن لهذا النظام تقديم طرق جديدة وربما أكثر بساطة للتعامل مع القوانين المعروفة.

كل هذه أمثلة على كيفية تسريع الذكاء الاصطناعي للاكتشافات العلمية ، رغم أنه في كل حالة يمكن المجادلة بمدى ثورة النهج الجديد.ربما يكون الأكثر إثارة للجدل هو مسألة مقدار المعلومات التي يمكن الحصول عليها من البيانات وحدها - وهي قضية مهمة في عصر الجبال الشاسعة والمتنامية باستمرار من البيانات. في كتاب The Why of 2018 ، يشير خبير علوم الكمبيوتر جادي بيرل والكاتب العلمي الشهير دانا ماكنزي إلى أن البيانات هي شيء "غبي للغاية". يكتبون أسئلة حول العلاقة السببية "لا يمكن الإجابة عليها بناءً على البيانات فقط". "في كل مرة تشاهد فيها عملًا أو تدرس تحليل البيانات دون أخذ النماذج في الاعتبار ، يمكنك التأكد من أن مخرجات هذا العمل تلخص ، وربما تتحول ، ولكنها لا تفسر البيانات." يتعاطف شافينسكي مع موقف بيرل ، لكنه يصف فكرة العمل فقط مع البيانات على أنها "رجل صغير من الشرطات". وقال إنه لم يوضح أبدًا إمكانية استنباط الأسباب والآثار من البيانات."لقد قلت للتو إنه يمكننا أن نفعل الكثير بالبيانات أكثر من المعتاد."

هناك حجة مشتركة أخرى هي أن العلم يحتاج إلى الإبداع ، وعلى الأقل حتى الآن ، ليست لدينا فكرة عن كيفية برمجته. التعداد البسيط لجميع الاحتمالات ، كما فعل الكيميائي الآلي كرونين ، لا يبدو مبدعًا بشكل خاص. وقال بولستر: "أعتقد أنه من أجل التوصل إلى نظرية ، والمنشآت المنطقية ، فإن الإبداع مطلوب". "في كل مرة تحتاج فيها إلى الإبداع ، فأنت بحاجة إلى شخص." ومن أين يأتي الإبداع؟ يشتبه Polsterer في أنه مرتبط بالملل - حقيقة أنه ، وفقًا له ، لم يتم اختبار السيارة. لكي تكون مبدعًا ، يجب ألا يحب الملل. ولا أعتقد أن الكمبيوتر سوف يشعر بالملل على الإطلاق. " من ناحية أخرى ، غالبًا ما تستخدم كلمات مثل "الإبداع" و "الإلهام" لوصف برامج مثل Deep Blue و AlphaGo. ومحاولات غير مجدية لوصفما يحدث داخل عقل الآلة يشبه إلى حد كبير الصعوبات التي نواجهها عند دراسة عمليات التفكير الخاصة بنا.

ترك Shavinsky مؤخرًا الأوساط الأكاديمية لصالح القطاع التجاري ؛ يدير الآن شركة Modulos الناشئة ، حيث يعمل العديد من العلماء من المعهد التقني السويسري ، ووفقًا لموقعهم على الويب ، "يعمل في عين عاصفة من التطورات في مجال الذكاء الاصطناعى والتعلم الآلي." مهما كانت العقبات التي تكمن بين الذكاء الاصطناعي الحديث والذكاء الاصطناعي الكامل ، يعتقد هو وغيره من الخبراء أن الآلات مصممة على القيام بالمزيد والمزيد من عمل العلماء. هل هناك حدود لذلك ، علينا فقط معرفة ذلك.

"هل سيكون من الممكن في المستقبل المنظور إنشاء آلة يمكنها أن تجعل الاكتشافات في الفيزياء أو الرياضيات أن أذكى الأشخاص الأحياء الذين يستخدمون المعدات البيولوجية غير قادرين على ذلك؟ - يعتقد شافينسكي. - هل سيتطور علم المستقبل بفضل الآلات التي تعمل على مستوى يتعذر علينا الوصول إليه؟ لا اعرف هذا سؤال جيد ".