أنيما أناندكومار- أستاذ في معهد كاليفورنيا للتكنولوجيا ومدير الأبحاث في
"الوضع مع فيروس كورونا يظهر أن البشر متقدمون بفارق كبير عن الذكاء الاصطناعي"
كيف بدأت ثورة الذكاء الاصطناعي؟لعدة عقود ، مثيرة للاهتمامالاكتشافات في هذا المجال. بالنسبة لأي شخص ، لا يوجد شيء عادي أكثر من التعرف على الصور على الشاشة. لكن بالنسبة للذكاء الاصطناعي ، هذه مهمة صعبة للغاية ، لأنها لا تولد بالقدرات المعطاة بالفعل لهذا الغرض. واجه العلماء مهمة "تعليم" دماغ الآلة لتحديد ما رآه. في وقت مبكر من البحث ، بدأ أستاذ بجامعة ستانفورد في التقاط الصور لتسهيل عملية تصنيفها على الكمبيوتر. لقد تم تصنيفها على أنها الصور التي بدأت ثورة التعلم العصبي العميق.
بدأ الوصول إلى مستوى جديد من تطوير الذكاء الاصطناعي بإدراج مليارات من المعلمات في البرنامج والتي ستسمح له بالتعرف على كائن معين.تكمن صعوبة المهمة في تكوين شبكة عصبية عميقةفي ظل ظروف الثبات ، تعرفت ، على سبيل المثال ، على كلب بغض النظر عن الاختلاف في الموقف واللون والسلالة وما إلى ذلك. يعني تدريب الذكاء الاصطناعي أنه أثناء معالجة الصور ، يتم عرض عدد من طبقات الإطار بترتيب هرمي. لذلك ، على المستوى الأساسي ، تظهر الخطوط فقط بزوايا مختلفة لبعضها البعض. ثم يجمعون ويشكلون أشكالًا أكثر تعقيدًا ، على سبيل المثال ، وجه كلب ملون. يمكن بالفعل تمييز الشكل واللون والخصائص الفردية الأخرى. كانت المرحلة التي تعلمنا فيها تقسيم العملية إلى أجزاء ، إلى مستويات ، هي خطوة كبيرة إلى الأمام.
لا يتطلب المزيد من التطوير شبكات عصبية عميقة فحسب ، بل يتطلب أيضًا قوة حوسبة ضخمة.لقد شهدنا على مدى العقود الماضيةتباطؤ في نمو قدرات أجهزة الكمبيوتر لدينا، مع عدم تضاعف سرعات الحوسبة أحادية الخيط. ولكن في الوقت نفسه، يمكننا الآن حساب العمليات الضخمة من حيث الحجم والتعقيد في وقت واحد. أدى المستوى الحالي لتطور الشبكات العميقة إلى حقيقة أنه يمكن الآن حدوث مليارات العمليات فيها في وقت واحد. وهدفهم واحد فقط: تحديد ما يظهر في الصورة. يتم تنفيذ هذا الإجراء باستخدام عمليات الرسوم المتحركة للمصفوفة والتقنيات الأخرى. وهنا، بالطبع، كل هذا يتوقف على قوة بطاقات الفيديو.
بحلول عام 2014 ، تمكنت الشبكات العصبية العميقة من التعرف على الصور بشكل أفضل من البشر ، مما يعني أنها أصبحت اليوم أكثر تقدمًا.حدث هذا بفضل مزيج من الثلاثةالعوامل: قدرات البيانات المصنفة، ومرونة خوارزميات الشبكة العصبية العميقة الحالية والقدرات الهائلة لأجهزة الكمبيوتر. هناك العديد من الأمثلة الرائعة على الارتفاعات التي وصل إليها دماغ الآلة بالفعل، على سبيل المثال، ساعد التعلم المعزز العميق الذكاء الاصطناعي على التغلب على الإنسان في لعبة Go. هذا اللاعب كان من أفضل اللاعبين لكنه خسر. بالإضافة إلى ذلك، أصبح الذكاء الاصطناعي الآن قادرًا على إنتاج صور لأشخاص واقعية للغاية لدرجة أن هذه التكنولوجيا اجتازت بالفعل اختبار تورينج. لم يعد بإمكان الشخص أن يفهم أي صورة حقيقية وأيها تم إنشاؤها بواسطة الآلة. هذه أمثلة رائعة على نجاح الذكاء الاصطناعي، لكن التقدم لن يتوقف عند هذا الحد بالتأكيد.
ومع ذلك ، هناك عدد من الأمثلة حيث فشل الذكاء الاصطناعي في تحقيق التوقعات.لنفترض الوضع الذي يكون فيه الجانب الرئيسيهو السلامة. منذ عدة عقود، شهدنا زيادة في التكنولوجيا المستخدمة في السيارات ذاتية القيادة، ولكن لسوء الحظ، لا يزال افتقارها إلى التطور يؤدي إلى وقوع حوادث. كما أنه لا يمكن للآلة أن تحل محل الإنسان عندما يتعلق الأمر بإنشاء المحتوى وتحريره. ويظهر الوضع الحالي لفيروس كورونا أن البشر يتقدمون بفارق كبير على الذكاء الاصطناعي.
ماذا سنفعل في المستقبل لتطوير الذكاء الاصطناعي وتقنيات الشبكات العصبية العميقة؟تتطور حاليا بنشاطالروبوتات: على سبيل المثال، تمتلك إحدى الشركات روبوتًا يمكنه القيام بالشقلبة الخلفية. لكن لا يمكن حتى مقارنته بالكلب. هذا الروبوت محرج، يسقط باستمرار، لكن الحيوان، أثناء السقوط، يتعلم كيفية القيام بهذه الحركة أو تلك في المرة القادمة دون السقوط. لكن الروبوت غير قادر على ذلك، فهو غير مدرب. وهذا يثير السؤال، هل من الممكن صنع ذكاء اصطناعي جاهز للتعلم وحل المشكلات من تلقاء نفسه؟
"فهم الخوارزميات يتجاوز قدراتنا."
خوارزمية الذكاء الاصطناعي هي مزيج من المعلومات الموضوعة مسبقًا ومهمة واضحة جدًا.نحدد ما هي البيانات ومبدئياوينبغي استخدام المعلمات المعطاة، وكذلك كيفية تنفيذ عملية صنع القرار. يتطلب إنشاء خوارزمية الذكاء الاصطناعي وصيانتها كميات هائلة من البيانات. وهذا أمر صعب لأن هناك المزيد والمزيد من البيانات، على سبيل المثال، عند التعرف على دفق الفيديو، يكون عدد الإطارات المعترف بها كبيرًا جدًا. يعد وضع العلامات مشكلة لأن الأشخاص يعينون أسماء لملايين مقاطع الفيديو، وبالتالي للأشياء التي تظهر على الشاشة.
أما بالنسبة للمعلمات الموضوعة مسبقًا ، فيجب عليك مرة أخرى التعامل مع حقيقة أن كل شيء يتم يدويًا.من السهل خداع الذكاء الاصطناعي هذه الأيام.على سبيل المثال، إذا كانت لدينا علامة توقف وقمنا بوضع عدة كتل عليها، فلن يفهم الذكاء الاصطناعي معناها بعد الآن. والسيارة التي تتحرك دون مساعدة السائق لم تعد تتعرف على هذه الإشارة باعتبارها دعوة للتوقف. إن ذكائنا البشري مختلف تمامًا. ربما يمكننا نقل طريقة تفكيرنا إلى الكمبيوتر، لكننا لم نتمكن من القيام بذلك بعد. أما فيما يتعلق بالتوجيهات والأوامر والتعليمات، علينا أن نتصرف بكل بساطة: نعطي مهمة واحدة - التعرف على ما يظهر في هذه الصورة. أما بالنسبة لمعايير تقييم نجاح أو عدم فعالية الخوارزمية، فنحن هنا محدودون للغاية.
لا يمكننا أحيانًا فهم مدى نجاح الخوارزمية الحالية ، لأنها تتجاوز فهمنا.بالإضافة إلى ذلك، هناك العديد من المشاكل المرتبطةوالحقيقة هي أن البيانات المتوفرة لدينا تتعلق بشكل أساسي بالرجال ذوي البشرة الفاتحة. ولهذا السبب، يخطئ الذكاء الاصطناعي في التعرف على النساء ذوات البشرة الداكنة. هناك أخطاء أخرى في التعرف على الوجه. تنشأ المشكلة لأن تقييم فعالية الذكاء الاصطناعي محدود للغاية. ويجب ألا ننسى النموذج الذي يقول إننا بحاجة إلى كميات هائلة من البيانات، ويجب تصنيفها كلها. يجب أن تكون المعلمات المحددة مسبقًا واضحة للخوارزمية، ويجب أن تكون المهمة نفسها بسيطة ومنطقية.
أولاً ، عليك التأكد من أنك لست بحاجة إلى تسمية البيانات.يجب أن يعمل الذكاء الاصطناعي دون مساعدة بشريةلقد وجد الكمبيوتر نفسه المفاهيم وشكل الأفكار وفهم ميزات صورة معينة. هل هي صعبة؟ نعم كثيرًا، لكن الناس يفعلون ذلك وبسهولة. أما بالنسبة للبيانات المحددة مسبقًا، فنحن بحاجة هنا إلى إنشاء صور واضحة جدًا، وإظهار ماهية البيانات التي "نطعمها" للنظام. وهنا يمكنك أن تتعلم الكثير من العقل البشري. وأخيرًا، المهام التي نعطيها للخوارزمية. يجب أن يكون الذكاء الاصطناعي أكثر تكيفًا، لأننا الآن ندرب نظامنا من الصفر في كل مرة، لكننا بحاجة إلى جعله قادرًا على التكيف والتغيير وأداء مهام مختلفة. والآن نحن نتدرب على جعل الذكاء الاصطناعي مرنًا.
كيف نفهم أن هناك قطة أمامنا؟
نحن نتعرف على القطة، حتى لو كانت صورة ضبابية، لأن دماغنا يحاول باستمرار إعطاء حدة معينة للصورة الباهتة لمزيد من التحليل.هناك العديد من النظريات ومن أشهرهايقول إننا لا ننظر فقط إلى شيء ما ، ولكن في نفس الوقت يختار الدماغ خيارات لما يمكن أن يكون. الشبكات العصبية العميقة تفعل الشيء نفسه. لدينا بيانات مسبقة عن الشكل الذي يجب أن يبدو عليه القط. ونحاول مطابقة هذه الصورة بفكرة شكل القطط. من المهم فهم ذلك أثناء التطوير حتى يكون هناك اتساق في تحديد الصور.
كيف يمكننا تحقيق الاستقرار في التعرف على الأشياء عن طريق الشبكات الاصطناعية؟يحدث هذا بشكل طبيعي بسببالتكرار. نأخذ نوعًا من الصور الخارجية وننظر إليها ، وتذهب الإشارة إلى الدماغ. هناك أيضًا تعليقات من أعلى إلى أسفل. باستخدام معلومات حول شكل القطة ، يشكل الدماغ تصورًا معينًا. كيف نجعل هذه العمليات الأكثر تعقيدًا في دماغنا يتم تنفيذها بواسطة الذكاء الاصطناعي؟ من الضروري الجمع بين مصنف جيد لمفهوم "القط" ، والذي "يغذي" الشبكة العصبية ، مع مولد ممتاز لهذه الصور. في الوقت نفسه ، سيتم تصنيف المفهوم وتدريب الشبكة العصبية. سيتم الحصول على تعليقات للشبكات العصبية القياسية. وسيوفر هذا الاتصال فرصة لتلقي ردود الفعل التوليدية. بمعنى آخر ، عند محاولة معالجة الإشارة الواردة ، يحاول الشخص تحديد الصورة. ثم هناك تغذية راجعة عندما نحاول تكوين تصور قائم على ما نراه. يجب أن تكون هاتان العمليتان مترابطتين.
لا تستطيع الشبكة العصبية القياسية ، كقاعدة عامة ، التعرف على الصور الضبابية ، لكن نموذجنا ، بفضل آلية التغذية الراجعة ، يجعل الصور أكثر وضوحًا ومن ثم سيكون قادرًا على التعرف عليها.ونحن نرى أن مثل هذا المخطط قد أثبت فعاليتهالفعالية، حتى نتمكن من الاستلهام من الطريقة التي يرى بها البشر عند إنشاء الرؤية الحاسوبية. استنادًا إلى النماذج التي تم تطويرها بالفعل، يمكنك إنشاء خوارزميات أكثر تقدمًا تتمتع بأداء عالٍ. ولكننا نحتاج أيضًا إلى بنية تحتية فعالة يمكنها التعامل مع عمليات الذكاء الاصطناعي على نطاق واسع. نحن لا نعمل مع الخوارزميات بشكل فردي. أنت تأخذ بعض البيانات وتحتاج إلى تصورها، وهي عملية معقدة للغاية. لذلك، أنت بحاجة إلى معالج قوي قادر على معالجة كميات هائلة من المعلومات. بالإضافة إلى ذلك، نستخدم أطر عمل معينة (CLARA) لتطبيقات مختلفة، بما في ذلك الطب. الآن، ونظرًا لجائحة كوفيد-19، هناك حاجة لتدريب نماذج التعلم الآلي على نطاق واسع. والهدف من ذلك هو تطوير لقاحات وعلاجات للفيروس. يمكن لأداة CLARA العمل مع الهياكل الحجمية والخوارزميات المختلفة، حيث تكون في الأساس منسقًا لعملهم.
هناك فرصة أخرى لتعلم الذكاء الاصطناعي وهي استخدام البيانات المحفزة بدلاً من البيانات الحقيقية.لدينا مجموعة من الروبوتات التي يمكن أن تصبحالطهاة في مطابخنا. هذه الآلات قادرة على فتح وإغلاق الدرج، أو أخذ شيء ما، أو خلط شيء ما أو خفقه. وهذه العمليات، التي تعتبر بسيطة بالنسبة للبشر، صعبة للغاية بالنسبة للروبوتات، حيث يصعب تدريبها على القيام بذلك. لكن بمساعدة عمليات المحاكاة سنكون قادرين على فتح صناديق مبرمجة غير موجودة. وهكذا يتعلم الروبوت عمليات مماثلة. تتيح لنا البرامج القيام بذلك بالتوازي وعلى نطاق واسع، مما يسمح لنا بالتغلب على القيود التي تفرضها علينا البيانات. لكن مثل هذا النظام التدريبي يعني أن هناك حاجة إلى تطوير خوارزميات معقدة للغاية من شأنها أن تنقل الآلة من عالم المحاكاة إلى العالم الحقيقي، مما يفتح آفاقًا جديدة تمامًا ومثيرة للعمل مع الذكاء الاصطناعي. يوجد برنامج يسمح لك بإضافة محاكاة لتلك النماذج عندما يتم تدريب الذكاء الاصطناعي على بيانات حقيقية. وهذا مثال آخر على أن لدينا بنية تحتية جيدة ويمكننا العمل على حل مشكلات معقدة للغاية. أصبح من الممكن إنشاء خوارزميات ونماذج جديدة، وكذلك اختبارها بشكل أسرع بكثير من السابق.
يجب أن يكون مستقبل الذكاء الاصطناعي شاملاً وأن يتجسد في مجالات مختلفة حتى نمتلك أداة عالية التكيف والتعلم باستمرار.وللقيام بذلك، نحتاج الآن إلى إعادة التفكير في أساليب التعامل مع هذه المشكلةتعلم عميق. يعد التعلم الموجه ذاتيًا مفتاح النجاح، لذلك نحن بحاجة إلى إيجاد طرق لبناء برامج التعلم غير الخاضعة للإشراف في الأنظمة. وإذا تحدثنا عن الشبكات العصبية التلافيفية، فإن نظام التغذية الراجعة يجعلها أكثر استقرارًا. وهذه هي الخطوة الأولى نحو إنشاء قاعدة حقيقية للجيل القادم من الذكاء الاصطناعي.
انظر أيضا:
باحث عن الكنوز يعثر على كنز عمره 3000 عام في اسكتلندا
دش بيرسيدز نيزك - 2020: أين تراه ، أين تنظر وكيف تلتقط صورة
انظر إلى خريطة الكون ثلاثية الأبعاد: تم تجميعها لمدة 20 عامًا وقد فاجأت العلماء بالفعل