الأطفال هم علماء الطبيعة. إنهم يراقبون العالم ويشكلون الفرضيات ويختبرونها. في النهاية، يتعلمون شرح أسبابهم (المضحكة أحيانًا).
الذكاء الاصطناعي، ليس كثيرًا. ليس هناك شك في أن التعلم العميق – وهو نوع من التعلم الآلي الذي يعتمد بشكل فضفاض على الدماغ – يغير التكنولوجيا بشكل كبير. من التنبؤ بأنماط الطقس القاسية إلى تصميم أدوية جديدة أو تشخيص السرطانات القاتلة، يتم دمج الذكاء الاصطناعي بشكل متزايد في حدود العلم.
لكن التعلم العميق له عيب كبير: فالخوارزميات لا تستطيع تبرير إجاباتها. غالبًا ما يُطلق عليها مشكلة "الصندوق الأسود"، وهذا العتامة يعيق استخدامها في المواقف عالية الخطورة، كما هو الحال في الطب. يريد المرضى تفسيرًا عند تشخيص إصابتهم بمرض يغير حياتهم. في الوقت الحالي، لا تستطيع الخوارزميات القائمة على التعلم العميق - حتى لو كانت تتمتع بدقة تشخيصية عالية - توفير هذه المعلومات.
لفتح الصندوق الأسود، قام فريق من المركز الطبي الجنوبي الغربي بجامعة تكساس باستغلال العقل البشري للإلهام. في دراسة in علوم الطبيعة الحسابيةلقد جمعوا مبادئ من دراسة شبكات الدماغ مع نهج أكثر تقليدية للذكاء الاصطناعي يعتمد على وحدات بناء قابلة للتفسير.
يعمل الذكاء الاصطناعي الناتج قليلاً مثل الطفل. فهو يقوم بتكثيف أنواع مختلفة من المعلومات في "محاور". يتم بعد ذلك نسخ كل مركز إلى إرشادات ترميزية ليقرأها البشر — CliffsNotes للمبرمجين التي تشرح استنتاجات الخوارزمية حول الأنماط التي وجدتها في البيانات باللغة الإنجليزية البسيطة. يمكنه أيضًا إنشاء كود برمجة قابل للتنفيذ بالكامل لتجربته.
ويعمل الذكاء الاصطناعي، الذي يطلق عليه اسم "التقطير العميق"، كعالم عندما يواجه تحديات في مجموعة متنوعة من المهام، مثل المسائل الرياضية الصعبة والتعرف على الصور. ومن خلال البحث في البيانات، يقوم الذكاء الاصطناعي بتقطيرها إلى خوارزميات خطوة بخطوة يمكن أن تتفوق في الأداء على تلك التي صممها الإنسان.
"التقطير العميق قادر على اكتشاف مبادئ قابلة للتعميم ومكملة للخبرة البشرية" كتب الفريق في ورقتهم.
رقيق الورق
يرتكب الذكاء الاصطناعي أحيانًا أخطاء فادحة في العالم الحقيقي. خذ سيارة أجرة روبوتية. في العام الماضي، علق البعض مرارًا وتكرارًا في أحد أحياء سان فرانسيسكو، وهو ما كان مصدر إزعاج للسكان المحليين، لكنهم ما زالوا يضحكون. والأخطر من ذلك هو أن المركبات ذاتية القيادة عرقلت حركة المرور وسيارات الإسعاف، وفي إحدى الحالات، ألحقت أضرارًا بالغة بأحد المشاة.
وفي مجال الرعاية الصحية والبحث العلمي، يمكن أن تكون المخاطر عالية أيضًا.
عندما يتعلق الأمر بهذه المجالات عالية المخاطر، فإن الخوارزميات "تتطلب درجة منخفضة من التسامح مع الخطأ"، كما يقول الدكتور جوزيف بكرجي من الجامعة الأمريكية في بيروت، والذي لم يشارك في الدراسة، كتب في قطعة مصاحبة عن العمل.
إن العائق الذي يواجه معظم خوارزميات التعلم العميق هو عدم إمكانية تفسيرها. لقد تم تنظيمها كشبكات متعددة الطبقات. ومن خلال تلقي الكثير من المعلومات الأولية وتلقي عدد لا يحصى من ردود الفعل، تقوم الشبكة بتعديل اتصالاتها لإنتاج إجابات دقيقة في النهاية.
هذه العملية هي جوهر التعلم العميق. لكنها تواجه صعوبات عندما لا تكون هناك بيانات كافية أو إذا كانت المهمة معقدة للغاية.
مرة أخرى في عام 2021، الفريق طورت الذكاء الاصطناعي التي اتخذت نهجا مختلفا. تُسمى الشبكة العصبية بالاستدلال "الرمزي"، وتقوم بتشفير قواعد وتجارب واضحة من خلال مراقبة البيانات.
بالمقارنة مع التعلم العميق، فإن النماذج الرمزية أسهل في تفسيرها على الأشخاص. فكر في الذكاء الاصطناعي كمجموعة من قطع الليغو، يمثل كل منها شيئًا أو مفهومًا. ويمكن أن تتلاءم معًا بطرق إبداعية، لكن الروابط تتبع مجموعة واضحة من القواعد.
الذكاء الاصطناعي في حد ذاته قوي ولكنه هش. يعتمد بشكل كبير على المعرفة السابقة للعثور على اللبنات الأساسية. عندما يواجه موقفًا جديدًا دون خبرة سابقة، فإنه لا يستطيع التفكير خارج الصندوق، وينهار.
هنا يأتي دور علم الأعصاب. استوحى الفريق أفكاره من الوصلات العصبية، وهي نماذج لكيفية عمل مناطق الدماغ المختلفة معًا. ومن خلال دمج هذا الاتصال مع التفكير الرمزي، تمكنوا من إنشاء ذكاء اصطناعي له أسس متينة وقابلة للتفسير، ولكن يمكنه أيضًا التكيف بمرونة عند مواجهة مشاكل جديدة.
وفي العديد من الاختبارات، تفوق النموذج "المعرفي العصبي" على الشبكات العصبية العميقة الأخرى في المهام التي تتطلب التفكير.
ولكن هل يمكن أن يكون هناك معنى للبيانات والخوارزميات الهندسية لتفسير ذلك؟
لمسة إنسانية
أحد أصعب أجزاء الاكتشاف العلمي هو مراقبة البيانات الصاخبة واستخلاص النتائج. هذه العملية هي ما يؤدي إلى مواد وأدوية جديدة، وفهم أعمق لعلم الأحياء، ورؤى حول عالمنا المادي. في كثير من الأحيان، إنها عملية متكررة تستغرق سنوات.
قد يكون الذكاء الاصطناعي قادرًا على تسريع الأمور وربما العثور على أنماط غابت عن العقل البشري. على سبيل المثال، كان التعلم العميق مفيدًا بشكل خاص في التنبؤ بهياكل البروتين، ولكن من الصعب فهم أسبابه للتنبؤ بهذه الهياكل.
"هل يمكننا تصميم خوارزميات التعلم التي تلخص الملاحظات إلى قواعد بسيطة وشاملة كما يفعل البشر عادةً؟" كتب بكرجي.
أخذت الدراسة الجديدة النموذج المعرفي العصبي الحالي للفريق وأعطته موهبة إضافية: القدرة على كتابة التعليمات البرمجية.
يقوم الذكاء الاصطناعي، الذي يُطلق عليه اسم التقطير العميق، بتجميع المفاهيم المتشابهة معًا، حيث تقوم كل خلية عصبية اصطناعية بتشفير مفهوم معين وارتباطه بالآخرين. على سبيل المثال، قد تتعلم إحدى الخلايا العصبية مفهوم القطة وتعرف أنها مختلفة عن الكلب. وهناك نوع آخر يتعامل مع التباين عند تحديه بصورة جديدة - على سبيل المثال، نمر - لتحديد ما إذا كان يشبه قطة أم كلبًا.
ثم يتم تكديس هذه الخلايا العصبية الاصطناعية في تسلسل هرمي. مع كل طبقة، يقوم النظام بشكل متزايد بتمييز المفاهيم ويجد في النهاية حلاً.
فبدلاً من استخدام الذكاء الاصطناعي لمعالجة أكبر قدر ممكن من البيانات، يتم التدريب خطوة بخطوة، مثل تعليم طفل صغير تقريبًا. وهذا يجعل من الممكن تقييم منطق الذكاء الاصطناعي لأنه يحل المشكلات الجديدة تدريجيًا.
وأوضح باكارجي أنه بالمقارنة مع التدريب القياسي على الشبكات العصبية، فإن الجانب الذي لا يحتاج إلى شرح مدمج في الذكاء الاصطناعي.
في الاختبار، تحدى الفريق الذكاء الاصطناعي بلعبة فيديو كلاسيكية — لعبة الحياة لكونواي. تم تطوير اللعبة لأول مرة في السبعينيات، وهي تدور حول تنمية خلية رقمية إلى أنماط مختلفة وفقًا لمجموعة محددة من القواعد (جربها بنفسك هنا). تم تدريب الذكاء الاصطناعي على محاكاة بيانات اللعب، وتمكن من التنبؤ بالنتائج المحتملة وتحويل منطقها إلى إرشادات يمكن قراءتها بواسطة الإنسان أو كود برمجة كمبيوتر.
كما عمل الذكاء الاصطناعي بشكل جيد في مجموعة متنوعة من المهام الأخرى، مثل اكتشاف الخطوط في الصور وحل المسائل الرياضية الصعبة. وفي بعض الحالات، أنتجت كودًا حاسوبيًا إبداعيًا يفوق أداء الأساليب المتبعة، وكان قادرًا على تفسير السبب.
يمكن أن يكون التقطير العميق بمثابة دفعة للعلوم الفيزيائية والبيولوجية، حيث تؤدي الأجزاء البسيطة إلى أنظمة معقدة للغاية. أحد التطبيقات المحتملة لهذه الطريقة هو أن تكون بمثابة عالم مشارك للباحثين في فك تشفير وظائف الحمض النووي. جزء كبير من حمضنا النووي هو عبارة عن "مادة مظلمة"، حيث أننا لا نعرف ما هو الدور الذي تلعبه، إن وجد. يمكن للذكاء الاصطناعي القابل للتفسير أن يحلل التسلسلات الجينية ويساعد علماء الوراثة على تحديد الطفرات النادرة التي تسبب أمراضًا وراثية مدمرة.
وبعيدًا عن البحث، فإن الفريق متحمس لاحتمال وجود تعاون أقوى بين الذكاء الاصطناعي والإنسان.
"النهج العصبي الرمزي وكتب الفريق: "من المحتمل أن يسمح بمزيد من قدرات التعلم الآلي الشبيهة بالإنسان".
يوافق باكرجي. وتذهب الدراسة الجديدة إلى ما هو أبعد من التقدم التقني، حيث تتناول التحديات الأخلاقية والمجتمعية التي نواجهها اليوم. يمكن أن تعمل القابلية للتفسير كحاجز حماية، مما يساعد أنظمة الذكاء الاصطناعي على المزامنة مع القيم الإنسانية أثناء تدريبها. أما بالنسبة للتطبيقات عالية المخاطر، مثل الرعاية الطبية، فيمكنها بناء الثقة.
في الوقت الحالي، تعمل الخوارزمية بشكل أفضل عند حل المشكلات التي يمكن تقسيمها إلى مفاهيم. ولا يمكنه التعامل مع البيانات المستمرة، مثل تدفقات الفيديو.
كتب بكارجي أن هذه هي الخطوة التالية في التقطير العميق. "سيفتح إمكانيات جديدة في الحوسبة العلمية والبحث النظري."
الصورة الائتمان: 7AV 7AV / Unsplash
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://singularityhub.com/2024/02/22/like-a-child-this-brain-inspired-ai-can-explain-its-reasoning/
