دانشمندان آلمانی نسخه هوش مصنوعی اینشتین و نیوتن را ساختند

دانشمندان مرکز پژوهشی یولیش در آلمان با پیروزی یک هوشی مصنوعی آموزش داده‌اند که همانند آلبرت اینشتین یا آیزاک نیوتن فکر می‌کند. مدل با این نوع یادگیری می‌تواند الگوهایی را در مجموعه داده‌های پیچیده تشخیص دهد و نظریه‌های فیزیکی درمورد آن‌ها بسازد.

بزرگانی همانند اینشتین و نیوتن با نظریاتی که از آزمون زمان سربلند عبور کرده‌اند و آزمایش‌ها و نظریه‌های فرد دیگر که برپایه آن‌ها شکل گرفتند، در تاریخ ماندگار شده‌اند. این نظریه‌ها علاوه بر مشاهدات خود آن‌ها اتفاق‌های فرد دیگر را نیز که در دنیا اطراف ما جریان دارند توضیح خواهند داد. اما یک هوش مصنوعی چطور می‌تواند به تفکری شبیه برسد؟

آموزش هوش مصنوعی همانند به ذهن اینشتین و نیوتن

دو روش کلی برای تشکیل یک نظریه یا فرضیه تازه وجود دارد. می‌توان از اصول و معادلات شناخته‌شده یک حوزه برای استخراج فرضیه‌های تازه منفعت گیری کرد. یا می‌توان برای توضیح حرکت یک شیء یا اتفاق تازه از یک نظریه تازه منفعت گیری کرد. اما قسمت مشکل این است که از روشی درست برای تشکیل فرضیه منفعت گیری بشود.

دانشمندان به‌جای آن که هوش مصنوعی را برای تفکر درمورد داده‌های فیزیکی آموزش دهند، از فیزیک برای فهمیدن چگونگی کار هوش مصنوعی منفعت گیری کرده‌اند. پژوهشگران یولیش از یک شبکه عصبی برای ترسیم رفتارهای پیچیده در یک سیستم ساده‌تر طراحی کردند. هوش مصنوعی این ماموریت را با ساده‌سازی روابط بین اجزاء سیستم انجام می‌داد.

سپس پژوهشگران از سیستم ساده‌سازی‌شده برای ساخت یک ترسیم معکوس با هوش مصنوعی آموزش‌دیده منفعت گیری کردند. هنگامی این سیستم از اجزاء ساده به اجزاء پیچیده می‌رسید، نظریه‌ای تازه گسترش می‌داد. این رویکرد رویکرد شبیه چیزی است که فیزیکدانان انجام خواهند داد، با این تفاوت که اندرکنش‌ها تنها در پارامترهایی که هوش مصنوعی تعریف می‌کرد قابل‌خواندن می باشند.

به‌عبارت دیگر، با این روش، آن‌ها اندرکنش‌های قاعده‌مند بین قسمت‌های گوناگون یک سیستم کارکرد سیستم را توضیح خواهند داد. این شبیه کاری است که علم فیزیک انجام می‌دهد. به همین علت، این نوع مدل‌ها را «فیزیک هوش مصنوعی» می‌نامند.

تفاوت فیزیک هوش مصنوعی با مدل‌های دیگر چیست؟

دانشمندان یولیش برای نمایش چگونگی تفکر این مدل هوش مصنوعی به بازدید داده‌های اعداد دست‌نویس پرداخته‌اند. آن‌ها نشان داده‌اند که تعامل پیکسل‌ها چطور علتشکل‌گیری زیرساختارهایی کوچک، همانند لبه‌های اعداد، می‌بشود. پژوهشگران با پشتیبانی هوش مصنوعی به این نظریه رسیدند که گروه‌های پیکسل‌های روشن‌تر در شکل عدد دست‌نویس نقش دارند.

تعداد بسیاری از مدل‌های هوش مصنوعی که در سال‌های تازه گسترش یافته‌اند، همانند مدل ChatGPT، هوش‌هایی توضیح‌ناپذیر می باشند. به این معنی که آن‌ها از داده‌هایی که برای آموزش منفعت گیری می‌بشود یک نظریه داده استخراج می‌کنند. اما این نظریه‌ها را نمی‌توان تفسیر کرد، چون به‌طور ضمنی در پارامترهای مدل آموزش‌دیده مخفی می‌بشود.

مدلی که دانشمندان یولیش گسترش داده‌اند در حوزه هوش مصنوعی قابل‌توضیح، به‌طور خاص «فیزیک هوش مصنوعی»، قرار دارد. این هوش مصنوعی نظریه کشف‌شده را استخراج و آن را به‌زبان تعامل های بین اجزاء سیستم فرموله می‌کند. به عبارت دیگر، دانشمندان از زبان فیزیک منفعت گیری می‌کنند تا کارکرد داخلی هوش مصنوعی را به‌صورت نظریاتی درآورند که انسان‌ها می‌توانند بفهمند.

ملزوم به ذکر است که این مدل نیاز به منبع های تعداد بسیاری برای پردازش دارد. تعداد تعامل های بین اجزاء یک سیستم (ملنند پیکسل‌های یک عکس) می‌توانند به‌شدت افزایش یابند و حجم محاسبات به‌طور نمایی بالا رود. اما این امکان وجود دارد که این تعامل های را بهینه‌سازی کرد؛ برای مثال، مدل می‌تواند تنها قسمت‌هایی از سیستم با ۱٬۰۰۰ جزء را ببیند، یعنی قسمت‌هایی از عکس با ۱٬۰۰۰ پیکسل. پژوهشگران می‌گویند این نوع بهینه‌سازی در آینده می‌تواند زیاد تر بهینه بشود.