به عقیده محققان هوش مصنوعی گوگل مدلهای AI فعلی شاید در ریاضیات و برنامهنویسی بسیار قوی باشند، اما یک مانع بزرگ سر راه آنها قرار دارد که نمیگذارد به اینشتینِ بعدی تبدیل شوند.
تازهترین مقاله محققان گوگل دیپمایند (Google DeepMind) با عنوان «مدلهای زبانی بزرگ نمیتوانند بپرند» (LLMs can't jump)، میگوید که نداشتن جسم فیزیکی در نرمافزارهای هوش مصنوعی، یک سد شناختی غیرقابلعبور ایجاد کرده است.
این پژوهش با صراحت اعلام میکند که مدلهای زبانی بزرگ (LLMs) هرگز نمیتوانند جایگزین نبوغ نبوغ انسانها در کشف نظریههای جدید علمی شوند، چرا که هوشِ نرمافزارمحور تاکنون تنها توانسته بر یک نوع خاص از استدلال مسلط شود.
سقف شیشهای هوش مصنوعی: معمای سه نوع استدلال
این مقاله استدلالهای منطقی را به سه دسته «استقرا» (Induction)، قیاس» (Deduction) و استدلال بهترین تبیین یا (Abduction) تقسیم میکند.
به لطف روشهای تشخیص الگو آماری و فشردهسازی دادهها، هوش مصنوعی با موفقیت بر استقرا مسلط شده است. سیستمهایی مانند AlphaProof نیز با استفاده از اثباتهای منطقیِ برآمده از قوانین مشخص، توانستهاند در قیاس به مهارت بالایی دست یابند.
اما نقطه توقف و سقف شیشهای هوش مصنوعی کجاست؟ استدلال بهترین تبیین (Abduction) است. این نوع استدلال به توانایی تولید فرضیههای تبیینکننده با دادههای محدود اشاره دارد و این دقیقاً همان چیزی است که هوش مصنوعی درش لنگ میزند.
چرا هوش مصنوعی نمیتواند نسبیت عام را کشف کند؟
یورگن اشمیدهوبر (Jürgen Schmidhuber)، دانشمند سرشناس آلمانی، پیشتر ادعا کرده بود که «اکتشافات علمی تنها شکل پیشرفتهای از فشردهسازی دادهها هستند.» اما مقاله دیپمایند با مثال زدن نظریه نسبیت عام آلبرت اینشتین، این ادعا را بی اساس میداند.
زمانی که اینشتین در حال توسعه نظریه انقلابی خود بود، دادههای بصری و اطلاعات خام بسیار کمی درباره آن وجود داشت. او برخلاف هوش مصنوعی، هیچ مجموعه داده عظیمی برای تحلیل یا فشردهسازی از طریق تطبیق الگوهای آماری در اختیار نداشت. در عوض، اینشتین به «آزمایشهای فکری» تکیه کرد. مانند تصور اینکه یک انسان هنگام سقوط آزاد درون یک آسانسور بسته چه حسی خواهد داشت.
این اصول ریاضیاتی جدید، صرفاً با استفاده از «شهود فیزیکی» و برای پیوند دادن تجربیات حسی کشف شدند. اگر یافتههای اولیه اینشتین را به یک هوش مصنوعی امروزی بدهیم، بدون شک میتواند استنتاجات معادلات ریاضی آن را بهراحتی حل کند. اما یک مدل هوش مصنوعی هرگز نمیتواند با صرفاً تحلیل متنهای موجود، آن پیشفرضهای اولیه را از صفر «اختراع» کند.
توهم مقیاسپذیری: دیتاسنترهای بیشتر، نبوغ نمیآورند
مقاله محققان گوگل هشدار میدهد که چارچوبهای فعلی در هوش مصنوعی از جمله ابزارهای کدنویسی خودکار، به جای خلق چارچوبهای کاملاً جدید، همچنان محدود به کتابچههای قوانین و آستانههای مشخصی هستند. از آنجا که LLMها فاقد «لنگرگاه فیزیکی» در دنیای واقعیاند، ایجاد مدلهای شهودی بر اساس رابطه علت و معلول برای آنها غیرممکن است.
همچنین، دیپمایند تأکید میکند که گسترش زیرساختهای هوش مصنوعی با ساخت دیتاسنترهای عظیم و افزایش قدرت پردازشی، به طور جادویی به این مدلها «نبوغ انسانی» برای رسیدن به دستاوردهای انقلابیِ علمی اعطا نخواهد کرد.
آینده کجاست؟ هوش مصنوعی نیازمند درک فیزیکی است
برای پر کردن شکاف میان محاسبات منطقی و اختراعات علمیِ واقعی، معماری هوش مصنوعی در آینده باید از پردازش صرفِ متن و تصویر فراتر رفته و به سمت «مدلهای جهانی چندوجهی فیزیکی» حرکت کند.
به گفته دیپمایند، تنها با دادن قابلیت اجرای شبیهسازیهای فیزیکی در محیطهای مجازی، میتوان به سیستمهای هوش مصنوعی کمک کرد تا پیش از تولید معادلات یا کدها، به یک شهود فیزیکی از دنیای واقعی دست یابند.
نظر خود را اضافه کنید.
برای ارسال نظر وارد شوید
ارسال نظر بدون عضویت در سایت