يجب أن تعلم | في صلب الموضوع | للاطلاع | رقم اليوم | شخصية اليوم | مصطلح اليوم
نظرة غير مألوفة: جزء كبير من الذكاء الاصطناعي مجرد وهم ليس إلا
باتت الحواسيب تتخذ قرارات رئيسية بالنيابة عنّا على نحو متزايد. فهل يجب أن نسمح لها بفعل ذلك؟ يبين فريق أبحاث من معهد "إيدياب" السويسري كيف أن جزءاً كبيراً من الذكاء الاصطناعي هو مجرد وَهْـم ليس إلا.
هل يُمكن للآلات أن تفكر؟ هذا هو السؤال الذي افتتح به عالم الرياضيات البريطاني، آلان تورينغ، مقالته العلمية الأشهر. وهي تلك المقالة المنشورة عام 1950، التي وضعت أسس مفهوم الذكاء الاصطناعي وتعريفه. وللإجابة على السؤال الذي طرحه، اخترع تورينغ "لعبة التقليد"، التي لا تزال تُستخدم حتى يومنا هذا بغية الحكم على ذكاء آلة ما.
هذه اللعبة، التي أصبحت تعرف لاحقاً باسم "اختبار تورينغ"، تضم ثلاثة لاعبين: اللاعب "ألف" هو رجل، واللاعب "باء" هي امرأة واللاعب "جيم"، الذي يلعب دور المُستجوِب، هو من أي من الجنسين. ولا يستطيع المستجوِبُ رؤية اللاعبيْن الآخريْن، لكنه يطرح عليهما سلسلة من الأسئلة كتابةً بغرض تحديد أي من اللاعبين رجل وأيهما امرأة. وهدف المجيب الذكر هو خداع المستجوب وإعطاء إجابات مضللة، في حين يتعيّن على المرأة أن تسهل تحديد هويتها على نحو صحيح. والآن تخيّل لو استُبدل اللاعب "ألف" بالحاسوب. في هذا الصدد، كتب تورينغ أنه إذا لم يتمكن المستجوِبُ من التمييز بين الحاسوب والشخص، ينبغي حينها اعتبار ذلك الحاسوب كياناً ذكياً لأنه سيُثبت أنه مشابه للإنسان من ناحية الإدراك.
بعد مرور سبعين عاماً، مازالت نتائج ذلك الاختبار مُذهلة. إذ يقول هيرفي بورلار، الذي يدير معهد "إيدياب" للأبحاث: "في الوقت الحالي، لا يوجد نظام ذكاء اصطناعي واحد، ولا أي واحد، استطاع اجتياز اختبار تورينغ الأول". لذلك يقول بولار إنه ليس ثمة شيء اسمه "الذكاء الاصطناعي" على اعتبار أنه لا يُوجد نظام يعكس أدنى درجة من الذكاء البشري. فحتى الطفل البالغ من العمر شهرين أو ثلاثة أشهر، باستطاعته أن يفعل ما لن يستطيع الذكاء الاصطناعي فعله أبداً.
ويوضح أنه إذا وضعت كوباً ممتلئاً بالماء على الطاولة، ستلاحظ أن الطفل الرضيع يعرف حق المعرفة أن الكوب إذا انقلب رأسا على عقب، يصبح عندئذ فارغاً. ويفسر بورلار قائلاً: "لذلك السبب يستمتع الطفل الرضيع بقلب الكوب. وليس بمقدور أي آلة في العالم أن تفهم هذا الاختلاف". وما يوضحه هذا المثال ينطبق أيضاً على الحس المنطقي السليم، أي القدرة البشرية المميزة التي لا يُمكن للآلات أن تكتسبها بالتقليد ولن تقدر على فعل ذلك مطلقاً.
الرابط
ديب مايند تتساءل: هل "المكافأة" تكفي للوصول إلى الذكاء الاصطناعي العام؟
ارتبطت شركة ديب مايند منذ نشأتها بالذكاء الاصطناعي العام (AGI)، حيث تم إطلاق الشركة البريطانية، التي استحوذت عليها ألفابت عام 2014، في مهمة لتطوير هذا النوع من الذكاء الاصطناعي، وقد حققت بعض التقدم الملحوظ في هذا المجال.
نشرت الشركة، العام الماضي، دراسة مثيرة للجدل بعنوان "المكافأة تكفي". تفترض الدراسة أنه يمكن تحقيق الذكاء الاصطناعي العام باستخدام نهج وحيد: التعلم المعزز (Reinforcement Learning). ويعتمد هذا النهج على مكافئة وكيل الذكاء الاصطناعي عندما يكون سلوكه مرغوباً ومعاقبته عندما يكون سلوكه غير مرغوب. والمكافأة عبارة عن قيمة إيجابية تخبر الخوارزمية أن الإجراء الذي قامت به للتو سيفيد هدفها. وقد أظهر هذا النهج نتائج واعدة في برامج مثل (MuZero)، الذي أتقن ألعاباً متعددة دون إخباره بقواعدها. ووصفت الشركة النظام بأنه "خطوة مهمة إلى الأمام في السعي وراء تطوير خوارزميات للأغراض العامة".
بيد أن العديد من علماء الحاسوب اعترضوا على هذه النظرية، بما في ذلك بعض الباحثين في ديب مايند نفسها. ومع ذلك تقول دوينا بريكب، أحد المؤلفين المشاركين في الورقة البحثية، إن الدراسة سعت فقط إلى التحقيق في الاحتمالات، مضيفة: "في النهاية، نريد اختبار هذا الأمر كفرضية والتفكير فيه في سياق الأساليب الأخرى أيضاً".
من بين المتشككين في أن المكافأة تكفي، رايا هادسيل مديرة الروبوتات في الشركة، التي لاحظت صعوبة تصميم مكافأة قوية للغاية تؤدي إلى الذكاء الاصطناعي العام. ومع ذلك، لا تزال بريكب متفائلة بأننا نسير بالفعل على الطريق الصحيح، وتقول إنها مهتمة في نهاية المطاف بسلامة الوجهة أكثر من اهتمامها بالطريق الذي يأخذنا إليها.
الرابط (إنجليزي)
لماذا يجب على الشركات التفكير في استبدال البيانات الضخمة بالبيانات المحدودة؟
دائماً ما يدور الحديث حول الدور الذي تلعبه البيانات الضخمة في تطوير الذكاء الاصطناعي، وكيف يمثل الذكاء الاصطناعي المدعوم بالبيانات الضخمة الحل لتمكّين مؤسسات القرن الحادي والعشرين من البقاء والازدهار في عالم يهيمن عليه التحول الرقمي وتجارب المستخدمين.
بيد أن الدكتور لويس ليو، المؤسس المشارك والرئيس التنفيذي لشركة الذكاء الاصطناعي (Eigen Technologies)، يقول إن الكثير من البيانات الضخمة التي جمعتها المؤسسات -بما فيها البنوك والمصانع وشركات الرهن العقاري وشركات التأمين- لا تزال عديمة الفائدة فعلياً، وإن الضجة المثارة حول البيانات الضخمة تنطبق فقط على شركات التكنولوجيا العملاقة التي تتمتع بالقوة والميزانية والموارد، والأهم من ذلك نموذج الأعمال المرتكز على البيئة الرقمية، لتحقيق أقصى استفادة من هذا النهج، بينما لا تتمتع الشركات الأخرى بهذا الترف.
في الواقع، وبعيداً عن كونها الوقود الذي يمد الذكاء الاصطناعي بالطاقة، يرى ليو أن البيانات الضخمة تقوض وتُضعف فعلياً إمكانات الذكاء الاصطناعي في تحويل المجتمع إلى الأفضل. لذلك، فقد حان الوقت لأن تتجه المؤسسات بعيداً عن البيانات الضخمة (Big Data) وتنحو تجاه البيانات المحدودة (Small Data). توفر البيانات المحدودة النتائج الدقيقة وذات الصلة والمؤثرة التي قيل لنا أن البيانات الضخمة يمكن أن توفرها، مع الحفاظ على مستوى من المرونة والقابلية للتوسع لا تستطيع البيانات الضخمة -بحكم حجمها ونفقاتها الهائلة- أن تصل إليه بسهولة.
للحصول على عشرات الآلاف من مجموعات البيانات لتدريب الذكاء الاصطناعي الخاص بك في البداية، يجب أن تكون مؤسستك ضخمة وألا تمتلك هذه البيانات فحسب، بل تمتلك أيضاً الأدوات والعمليات اللازمة لإنشاء وتجميع كميات كبيرة منها. ويؤدي هذا الأمر على الفور إلى استبعاد جميع المؤسسات من المنافسة باستثناء المؤسسات العملاقة.
على العكس، يعني نهج البيانات المحدودة اتخاذ مسار أكثر تركيزاً وتخصصاً لتغذية المعلومات في نموذج الذكاء الاصطناعي. وبدلاً من تدريب الذكاء الاصطناعي على كميات ضخمة من البيانات، تعني البيانات المحدودة تغذية مدخلات محددة وذات جودة أعلى في النموذج، وبالتالي الحصول على رؤى أكثر دقة وملاءمة وتأثيراً في مخرجاتك. كذلك يتيح تدريب الذكاء الاصطناعي على مجموعات بيانات أصغر وأكثر تحديداً فرصاً جديدة لتعديل النماذج بسهولة للرد على تساؤلات محددة، بدلاً من تقديم مخرجات عامة.
الرابط (إنجليزي)
|
