سیستمهای هوش مصنوعی (AI) در برخی زمینهها بسیار جلوتر از ما هستند. به عنوان مثال، هوش مصنوعی در بازی Go یا جمعآوری مجموعه دادههای عظیم بسیار بهتر از ما انسانها است. با این حال، از جنبه های دیگر، هوش مصنوعی هنوز از انسان بسیار عقب است. حتی از یک نوزاد انسان چند ماهه.
برای روشن شدن این مشکل به مثالی اشاره می کنیم. ما می دانیم که حتی نوزادان خردسال نیز به طور غریزی می دانند که وقتی یک شی برای مدت کوتاهی از پشت یک شی دیگر عبور می کند، ناگهان ناپدید نمی شود. بلکه باید پس از عبور از پشت شی دوم در جای دیگری ظاهر شود. با دیدن این رویداد جادویی (و دور از انتظار حتی برای دنیای ذهنی نوزادشان)، نوزادان چند ماهه واکنش های شگفت انگیزی از خود نشان می دهند.
اما درک و پذیرش این قانون ساده تداوم حرکت اجسام در کنار برخی دیگر از قوانین اساسی فیزیک، برای هوش مصنوعی چندان شهودی و بدیهی نبوده است. اکنون در یک مطالعه جدید، گروهی از دانشمندان نوعی هوش مصنوعی به نام PLATO را با الهام از تحقیقات در مورد نحوه یادگیری نوزادان معرفی کرده اند.
PLATO مخفف عبارت Physics Learning through Automatic Encoding and Object Tracking است. هوش مصنوعی با استفاده از یک سری ویدیوهای کدگذاری شده آموزش داده شد که برای نشان دادن همان دانش اولیه ای که نوزادان در چند ماه اول زندگی خود دارند، طراحی شده است.
لویی خلبانعصب شناس در آزمایشگاه تحقیقاتی هوش مصنوعی DeepMind در بریتانیا می گوید:
خوشبختانه، روانشناسان رشد دههها را صرف مطالعه دانستههای نوزادان درباره دنیای فیزیکی و فهرستبندی مواد یا مفاهیم مختلفی کردهاند که به درک فیزیکی وارد میشوند. با گسترش کار آنها، ما یک مجموعه داده منبع باز بر اساس مفاهیم فیزیکی ایجاد کرده ایم. این مجموعه داده ویدیویی ترکیبی از آزمایشهای توسعه اولیه برای ارزیابی مفاهیم فیزیکی در مدلهای ما الهام گرفته شده است.
سه مفهوم کلیدی وجود دارد که همه ما از سنین جوانی آنها را درک می کنیم:
- پایداری: اشیا به طور ناگهانی ناپدید نمی شوند
- جامد: اجسام جامد نمی توانند از یکدیگر عبور کنند
- تداوم: اشیا به شیوه ای منسجم و منسجم در فضا و زمان حرکت می کنند
مجموعه داده هایی که محققان ایجاد کردند این سه مفهوم به اضافه دو مفهوم دیگر را پوشش می دهد:
- تغییرناپذیری: خصوصیات یک جسم مانند شکل آن تغییر نمی کند
- اینرسی جهت دار: حرکت اجسام به گونه ای است که با اصول اینرسی سازگار است
این مفاهیم با ایجاد حرکات توپ هایی که ابتدا به زمین می افتادند و سپس پس از پریدن از یکدیگر دور می شدند و در نهایت پشت اجسام دیگر ناپدید می شدند و دوباره ظاهر می شدند و… با تمرین افلاطون برای یادگیری این فیلم ها، صحنه های دانشمندان بیان شد. کار بعدی آزمایش آن بود.
هوش مصنوعی افلاطون وقتی با فیلم هایی از سناریوهای غیرممکن مواجه شد (و طبیعتاً با مفاهیم فیزیکی که قبلاً آموخته بود در تضاد بود) به طرز شگفت انگیزی واکنش نشان داد. از دیدگاه هوش مصنوعی، میتوان این واکنش را به این صورت توضیح داد: سیستم ابداعی دانشمندان آنقدر هوشمند بود که تشخیص دهد اتفاق عجیبی در آنجا افتاده و قوانین فیزیک زیر پا گذاشته شده است.
واکنش های سیستمیک نیز پس از دوره های آموزشی نسبتا کوتاه رخ می دهد. آموزش هایی که در برخی موارد تنها 28 ساعت طول می کشد. از نظر فنی، محققان به دنبال شواهدی از سیگنال های نقض انتظار (VoE) بودند، درست مانند مطالعات نوزادان. آنها می خواستند بر روی این سیگنال ها تکیه کنند تا نشان دهند که هوش مصنوعی قادر به “درک” مفاهیمی است که آموزش داده شده است.
محققان در مقاله تحقیقاتی منتشر شده خود می نویسند:
مدل مبتنی بر شی ما اثرات VoE قوی را در تمام پنج مفهومی که بررسی کردیم نشان داد.
سپس تیم تحقیقاتی آزمایشهای دیگری را انجام دادند و این بار از اشیاء متفاوتی نسبت به موارد استفاده شده در دادههای آموزشی استفاده کردند. یک بار دیگر، افلاطون درک عمیقی از آنچه باید و نباید اتفاق بیفتد نشان داد و ثابت کرد که می تواند دانش آموزشی پایه خود را بیاموزد و گسترش دهد.
با وجود همه اینها، افلاطون هنوز به اندازه یک نوزاد سه ماهه انسان نیست. هوش مصنوعی زمانی که با سناریوهایی مواجه شد که حاوی هیچ شیئی نبود، یا زمانی که شباهتی بین مدل های آزمایشی و آموزشی وجود داشت، تعجب کمتری نشان داد.
علاوه بر این، باید در نظر داشته باشیم که ویدئوهایی که PLATO روی آنها آموزش دیده است شامل داده های اضافی برای کمک به تشخیص اجسام و حرکت آنها در سه بعدی است.
به نظر می رسد که برای دریافت تصویر کامل هنوز به دانش خودی نیاز است. چنین نیازی دوباره ذهن دانشمندان را به چالش معروف طبیعت در مقابل پرورش می کشاند که در زبان انگلیسی به آن طبیعت در مقابل پرورش می گویند. این همان پدیده ای است که با وجود همه پیشرفت ها، هنوز دانشمندان رشد را در اطراف نوزادان انسان گیج می کند. تحقیقات اخیر می تواند درک بهتری از ذهن انسان به ما بدهد و از طرفی می تواند به ما در ایجاد تصویر بهتری از هوش مصنوعی کمک کند. محققان می نویسند:
کار مدل سازی ما اثبات این مفهوم را ارائه می دهد که حداقل برخی از مفاهیم اساسی در فیزیک شهودی را می توان از طریق یادگیری بصری به دست آورد.
اگرچه تحقیقات در برخی از گونه های زودرس نشان می دهد که برخی از مفاهیم اولیه فیزیکی ممکن است از بدو تولد در ذهن وجود داشته باشد، داده ها نشان می دهد که در انسان، دانش شهودی فیزیک در اوایل زندگی ظاهر می شود اما می تواند تحت تأثیر تجربه بصری نیز قرار گیرد.
این مطالعه در طبیعت رفتار انسان منتشر شده است.