عن المؤلف. ريتشارد سوتون أستاذ علوم الكمبيوتر بجامعة ألبرتا. يعتبر أحد مؤسسي أساليب التدريس الحسابية الحديثة مع التعزيز.وفقًا لنتائج 70 عامًا من البحث في الذكاء الاصطناعى ، فإن الدرس الرئيسي هو أن الطرق الحسابية العامة هي في النهاية الأكثر فعالية. وبهامش واسع. بالطبع ، السبب هو قانون مور ، أو بالأحرى الانخفاض الهائل في تكلفة الحوسبة.
أشارت معظم دراسات الذكاء الاصطناعى إلى أن العامل لديه حق الوصول إلى موارد الحوسبة المستمرة. في هذه الحالة ، فإن الطريقة الوحيدة لزيادة الإنتاجية هي استخدام المعرفة الإنسانية. لكن مشروع بحث نموذجي قصير الأجل للغاية ، وبعد بضع سنوات ، يزيد أداء الكمبيوتر حتماً.
في محاولة للتحسين على المدى القصير ، يحاول الباحثون تطبيق المعرفة الإنسانية في مجال الموضوع ، ولكن على المدى الطويل فقط قوة الحوسبة. لا ينبغي أن يتناقض هذان الاتجاهان مع بعضهما البعض ، ولكن في الواقع العملي يتعارضان. الوقت الذي يقضيه في اتجاه واحد يضيع الوقت لآخر. هناك التزامات نفسية للاستثمار في نهج واحد أو آخر. ويميل تطبيق المعرفة في مجال الموضوع إلى تعقيد النظام بحيث يكون أقل ملاءمة لاستخدام الأساليب الحسابية العامة. كان هناك العديد من الأمثلة التي تعلم فيها الباحثون هذا الدرس المرير بعد فوات الأوان ، ومن المفيد النظر في بعض من أشهرها.
في لعبة الشطرنج بالكمبيوتر ، كان النظام الذي هزم كاسباروف بطل العالم في عام 1997 يعتمد على البحث العميق عن الخيارات. في ذلك الوقت ، نظر معظم الباحثين في لعبة الشطرنج بالحاسوب إلى هذه الأساليب بقلق لأنهم طبقوا فهماً إنسانياً للموضوع - الهيكل الخاص للعبة الشطرنج. عندما اتضح أن النهج الأكثر بساطة والقائم على البحث مع الأجهزة والبرامج المتخصصة كان أكثر فاعلية ، رفض هؤلاء الباحثون الاعتراف بالهزيمة. وقالوا إن طريقة القوة الغاشمة ربما عملت مرة واحدة ، ولكنها ليست استراتيجية عامة. في أي حال ، الناس
لا يلعبون لعبة الشطرنج من هذا القبيل. أراد هؤلاء الباحثون أن يفوزوا بأساليب تعتمد على فهم الإنسان للعبة ، لكنهم أصيبوا بخيبة أمل.
يوجد موقف مماثل في دراسات لعبة الذهاب ، فقط مع تأخير لمدة 20 عامًا. كانت الجهود الأولية الضخمة تهدف إلى تجنب البحث ، واستخدام معرفة موضوع الإنسان أو ميزات اللعبة ، ولكن كل هذه الجهود كانت عديمة الفائدة عندما تم تطبيق بحث عميق عن الخيارات مع الحوسبة المتوازية الهائلة بشكل فعال. اتضح أن الدراسة الذاتية كانت مهمة أيضًا لإتقان وظيفة القيمة ، كما هو الحال في العديد من الألعاب الأخرى وحتى في لعبة الشطرنج ، على الرغم من أن هذه الوظيفة لم تلعب دورًا كبيرًا في برنامج 1997 ، الذي فاز لأول مرة ببطولة العالم. يتشابه التعلم في لعبة مع نفسه والتعلم بشكل عام في البحث بمعنى أنه يسمح باستخدام الحوسبة المتوازية الضخمة. يعد البحث والتدريب من أهم تطبيقات الطاقة الحاسوبية في أبحاث الذكاء الاصطناعى. كما هو الحال في لعبة الشطرنج على الكمبيوتر ، أثناء تطوير برنامج لعبة الذهاب ، ركز الباحثون أولاً على تطبيق فهم إنساني لمجال الموضوع (الذي يتطلب إجراء بحث أقل) ، وحققوا بعد ذلك نجاحًا كبيرًا في وقت لاحق عندما طبقوا البحث والتدريب.
في 1970s ، عقدت DARPA مسابقة نظام التعرف على الكلام. اقترح المنافسون العديد من الأساليب الخاصة التي تستخدم معرفة مجال الموضوع - معرفة الكلمات ، الصوتيات ، والمسار الصوتي البشري ، إلخ. من ناحية أخرى ، تم تقديم طرق جديدة كانت أكثر إحصائية في طبيعتها. لقد قاموا بحساب أكثر استنادًا إلى نماذج Markov الخفية (HMMs). ومرة أخرى ، انتصرت الأساليب الإحصائية على الأساليب القائمة على معرفة المجال. وقد أدى هذا إلى تغييرات كبيرة في جميع معالجة اللغة الطبيعية. تدريجيا ، على مر السنين ، أصبحت الإحصاءات والحسابات المهيمنة في هذا المجال. الارتفاع الأخير في التعلم العميق في التعرف على الكلام هو الخطوة الأخيرة في هذا الاتجاه. تعتمد أساليب التعلم العميق بدرجة أقل على المعرفة الإنسانية وتستخدم المزيد من العمليات الحسابية إلى جانب التعلم على مجموعات البيانات الضخمة. وقد تحسن هذا إلى حد كبير أنظمة التعرف على الكلام. كما هو الحال في الألعاب ، حاول الباحثون دائمًا إنشاء أنظمة تعمل على نموذج عقولهم: لقد حاولوا نقل معرفتهم بالموضوع إلى أنظمتهم. ولكن في النهاية ، تبين أن ذلك كان له نتائج عكسية وكان مضيعة للوقت بشكل كبير عندما أتاح قانون مور حسابات ضخمة وتم تطوير الأدوات لاستخدامها بشكل فعال.
في رؤية الكمبيوتر ، صورة مماثلة. تعتبر الطرق المبكرة الرؤية كبحث عن حدود الكائنات أو الأسطوانات المعممة أو من حيث علامات SIFT. ولكن اليوم تم تجاهل كل هذا. الشبكات العصبية الحديثة للتعلم العميق تستخدم فقط مفاهيم الإلتفاف وبعض الثوابت ، بينما تعمل بشكل أفضل.
هذا درس رائع في الصناعة ككل ، لم نفهمها تمامًا بعد ، حيث نواصل ارتكاب نفس الأخطاء. لمواجهة هذا بفعالية ، تحتاج إلى فهم ما يجعل هذه الأخطاء جذابة. علينا أن نتعلم درسًا مريرًا: بناء نموذج للعقل الإنساني لا يعمل على المدى الطويل. يعتمد الدرس المرير على عدة ملاحظات تاريخية:
- حاول الباحثون غالبًا دمج معارفهم في وكلاء الذكاء الاصطناعى.
- إنها تساعد دائمًا على المدى القصير وترضي شخصيًا الباحث ، لكن
- على المدى الطويل ، يقع هذا النهج على السقف ، بل يبطئ من التقدم.
- يأتي التقدم المذهل في النهاية من النهج المعاكس ، استنادًا إلى الحسابات الضخمة من خلال البحث والتدريب.
يتم تلوين النجاح النهائي بالمرارة وغالبًا ما لا يكون مقبولًا تمامًا ، لأنه انتصار على نهج جذاب يركز على الشخص.
يجب تعلم درس واحد من هذه التجربة المريرة: يجب أن ندرك القوة الهائلة للطرق الشائعة التي تستمر في التوسع مع زيادة قوة الحوسبة ، حتى عندما تكون هناك حاجة إلى كميات هائلة من الحساب. يبدو أن البحث والتدريب قابلان للتوسع.
النقطة العامة الثانية التي يمكن استخلاصها من الدرس المرير هي أن التفكير الإنساني الحقيقي صعب للغاية ولا رجعة فيه. يجب أن نتوقف عن محاولة إيجاد طريقة بسيطة لتقديم محتويات العقل كنماذج بسيطة من الفضاء أو الكائنات أو عوامل متعددة. كل هذا جزء من عالم خارجي معقد داخليًا. هذا لا يمكن أن يكون على غرار لأن التعقيد لا نهاية لها. بدلاً من ذلك ، يجب تطوير طرق التعريف التي يمكنها العثور على هذا التعقيد التعسفي والتقاطه. بالنسبة لهذه الطرق ، من المهم أن يجدوا تقريبًا جيدًا ، ولكن هذا البحث يتم بواسطة الطرق نفسها ، وليس من خلالنا. نحتاج إلى وكلاء لمنظمة العفو الدولية يمكنهم إجراء البحوث بأنفسهم ، وعدم استخدام المعرفة التي اكتشفناها. بناء نظام الذكاء الاصطناعى على المعرفة الإنسانية يعقد تدريبه فقط.