بدأت ثورة الذكاء الاصطناعي الحديثة بمنافسة بحثية سرية. حدث هذا في عام 2012 ، العام الثالث لمسابقة ImageNet. كان التحدي الذي يواجه الفرق هو بناء حل يتعرف على ألف صورة ، من الحيوانات والبشر إلى المناظر الطبيعية.
في العامين الأولين ، لم تحقق أفضل الفرق دقة أكثر من 75٪. في السنة الثالثة ، قام فريق من الباحثين - أستاذ وطلابه - باختراق هذا السقف فجأة. لقد فازوا بالمنافسة بنسبة مذهلة بلغت 10.8٪. كان اسم الأستاذ جيفري هينتون ، وطريقته كانت التعلم العميق.
عملت Hinton في التعلم العميق منذ الثمانينيات ، ولكن الكفاءة كانت محدودة بسبب نقص البيانات وقوة المعالجة. أدى إيمانه الراسخ بهذه الطريقة إلى تحقيق مكاسب ضخمة في النهاية. في السنة الرابعة من المسابقة ، طبق كل فريق تقريبًا التعلم العميق ، وحققوا مكاسب خارقة في الدقة. سرعان ما بدأ تطبيق التعلم العميق في مختلف الصناعات ، وليس فقط في مهام التعرف على الصور.
في العام الماضي ، تم منح هينتون ، جنبًا إلى جنب مع رواد الذكاء الاصطناعي يان ليكون وجوشوا بينجيو ، جائزة تورينج للمساهمات التأسيسية في هذا المجال من العلوم.
تعتقد أن التعلم العميق سيكون كافيًا لتكرار كل الذكاء البشري. ما الذي يجعلك واثقا جدا؟
أعتقد أن التعلم العميق يمكنه فعل كل شيء ، ولكن أعتقد أنه يجب أن يكون هناك عدد غير قليل من الاختراقات المفاهيمية. على سبيل المثال ، في عام 2017 ، قدم Ashish Vaswani وزملاؤه محولات تنتج ناقلات جيدة حقًا تمثل معاني الكلمات. لقد كان اختراقًا مفاهيميًا. يتم استخدامه الآن في جميع أفضل معالجة للغة الطبيعية تقريبًا. سنحتاج إلى مجموعة من هذه الاختراقات.
وإذا كان لدينا مثل هذه الاختراقات ، فهل سنقرب الذكاء الاصطناعي من الذكاء البشري باستخدام التعلم العميق؟
نعم. خاصةً الاختراقات المتعلقة بكيفية حصولك على نواقل كبيرة للنشاط العصبي لتنفيذ أشياء مثل التفكير. لكننا نحتاج أيضًا إلى مقياس ضخم. يمتلك دماغ الإنسان حوالي مائة تريليون معلمة أو مشابك عصبية. النموذج الكبير حقًا الذي نطلق عليه الآن GPT-3 مع 175 مليار معلمة. هذا هو أصغر ألف مرة من الدماغ. يمكن لـ GPT-3 الآن إنشاء نص معقول جدًا ، لكنه لا يزال صغيرًا مقارنة بالدماغ.
عندما تتحدث عن النطاق ، هل تقصد الشبكات العصبية الكبيرة أو البيانات أو كليهما؟
على حد سواء. هناك عدم تطابق بين ما يحدث في علوم الكمبيوتر وما يحدث عند البشر. يمتلك الأشخاص عددًا كبيرًا من المعلمات مقارنة بكمية البيانات التي يتلقونها. تعمل الشبكات العصبية بشكل جيد بشكل مدهش مع بيانات أقل بكثير ومعلمات أكثر ، لكن البشر أفضل.
يعتقد العديد من المتخصصين في الذكاء الاصطناعي أن سلامة الذكاء الاصطناعي هي قدرة تحتاج إلى المزيد من المتابعة. هل توافق؟
أوافق على أن هذا من أهم الأشياء. أعتقد أيضًا أن التحكم في الحركة مهم جدًا ، وشبكات التعلم العميق أصبحت جيدة في ذلك اليوم. على وجه الخصوص ، أظهرت بعض الأعمال الأخيرة التي أجرتها Google أنه من الممكن الجمع بين المهارات الحركية الدقيقة والكلام بطريقة تمكن النظام من فتح درج مكتب وإزالة كتلة وإخبار اللغة الطبيعية بما قام به.
بالنسبة لأشياء مثل GPT-3 ، التي تولد نصوصًا رائعة ، من الواضح أنه يجب أن تفهم الكثير من أجل إنشاء نص ، ولكن ليس من الواضح تمامًا مدى فهمه. ولكن عندما يفتح شيء ما درجًا ، ويخرج كتلة ويقول ، "لقد فتحت للتو درجًا وأخرجت منه" ، يصعب القول إنه لا يفهم ما يفعله.
لطالما نظر متخصصو الذكاء الاصطناعي إلى الدماغ البشري كمصدر إلهام لا ينضب ، وقد نشأت مناهج مختلفة للذكاء الاصطناعي من نظريات مختلفة في العلوم المعرفية. هل تعتقد أن الدماغ يبني حقًا وجهة نظر للعالم من أجل فهمه ، أم أنه مجرد طريقة مفيدة للتفكير؟
في العلوم المعرفية ، كان هناك نقاش طويل بين مدرستي الفكر. يعتقد قائد المدرسة الأولى ، ستيفن كوسلين ، أنه عندما يعمل الدماغ بالصور المرئية ، فإننا نتحدث عن البيكسلات وحركاتها. كانت المدرسة الثانية أكثر انسجاما مع الذكاء الاصطناعي التقليدي. قال أتباعها: "لا ، لا ، هذا هراء. هذه هي أوصاف هيكلية هرمية. العقل له بنية رمزية معينة ، نحن نتحكم في هذه البنية بالذات ".
أعتقد أن كلا المدرستين ارتكبت نفس الخطأ. اعتقد كوسلين أننا نتلاعب بالبكسل لأن الصور الخارجية تتكون من البيكسلات والبكسل هي التمثيل الذي نفهمه. اعتقدت المدرسة الثانية أنه نظرًا لأننا نتلاعب بالتمثيل الرمزي ونمثل الأشياء من خلال الرموز ، فإننا نفهم التمثيل الرمزي. أعتقد أن هذه الأخطاء متكافئة. يوجد داخل الدماغ نواقل كبيرة للنشاط العصبي.
لا يزال هناك أشخاص يعتقدون أن التمثيل الرمزي هو أحد مقاربات الذكاء الاصطناعي.
حق تماما. لدي أصدقاء حميمون ، مثل هيكتور ليفيسك ، الذي يؤمن حقًا بالنهج الرمزي وقد قام بعمل رائع بهذا المعنى. أنا أختلف معه ، لكن النهج الرمزي هو أمر منطقي تمامًا يجب تجربته. ومع ذلك ، أعتقد أننا في النهاية ندرك أن الرموز موجودة فقط في العالم الخارجي ، ونقوم بعمليات داخلية على نواقل كبيرة.
ما هي وجهة النظر للذكاء الاصطناعي التي تعتبرها الأكثر عكسًا بالنسبة للآخرين؟
حسنًا ، مشكلتي هي أن لديّ هذه الآراء المتعارضة ، وبعد خمس سنوات أصبحت سائدة. معظم وجهات نظري المتعارضة من الثمانينيات مقبولة الآن على نطاق واسع. من الصعب جدًا الآن العثور على أشخاص يختلفون معهم. لذا نعم ، تم تقويض آرائي المتعارضة بطريقة ما.
من يدري ، ربما ستكون آرائك وأساليبك في العمل مع الذكاء الاصطناعي أيضًا تحت الأرض ، وفي غضون سنوات قليلة ستصبح معيار الصناعة. الشيء الرئيسي هو عدم التوقف عن تقدمك. وسنساعدك بكل سرور في ذلك من خلال تقديم رمز ترويجي خاص HABR ، والذي سيضيف 10٪ للخصم على البانر.
- دورة متقدمة "التعلم الآلي + التعلم العميق"
- دورة "الرياضيات والتعلم الآلي لعلوم البيانات"
- دورة تعلم الآلة
- التدريب على مهنة علوم البيانات
- Data Analyst
- - Data Analytics