به گزارش ایسنا، یان لکان میگوید: اینها مسیر رسیدن به هوشی در سطح انسان یا حتی هوشی شبیه حیوانات نیستند، زیرا نمیتوانند با دادههای دنیای واقعی سروکار داشته باشند؛ اساسا برای چنین کاری ساخته نشدهاند. به همین دلیل، آزمایشگاه AMI در پاریس در حال توسعه نوع جدیدی از هوش مصنوعی است که بر فناوری زیربنایی چت جیپیتی و رقبای آن متکی نیست.
به نقل از بیبیسی، سرمایهگذاران نیز معتقدند این فناوری ظرفیت بالایی دارد. اوایل امسال، AMI Labs اعلام کرد که بیش از یک میلیارد دلار (حدود ۷۶۰ میلیون پوند) سرمایه جذب کرده است. در میان سرمایهگذاران این شرکت، غول آمریکایی تولید تراشه انویدیا و همچنین صندوق سرمایهگذاری مدیریت داراییهای شخصی جف بزوس، بنیانگذار آمازون، حضور دارند.
لکان میگوید مدلهای زبانی بزرگ (LLM) مانند چت جیپیتی در برخی زمینهها، از جمله برنامهنویسی، حل مسائل ریاضی و تولید متن، عملکرد بسیار خوبی دارند. اما به اعتقاد او، اینها مسائلی هستند که تعریف مشخص و نتایج نسبتا قابل پیشبینی دارند.
او میگوید: این مدلها اساسا فقط دانش را انباشته میکنند. آنها میتوانند چیزی را که یاد گرفتهاند بازگو کنند؛ شما آنها را آموزش میدهید تا مطالب را بازتولید کنند، اما واقعا باهوش نیستند. آنها درک عمیقی از موضوعات ندارند. به گفته او، در دنیای واقعی، هر اقدام میتواند پیامدهای بسیار متنوع و غیرقابل پیشبینی داشته باشد و همین موضوع به نوعی انعطافپذیرتر از هوش مصنوعی نیاز دارد.
لکان برای توضیح این موضوع، یک خودکار را از نوک آن بهصورت عمودی روی میز نگه میدارد و میپرسد: اگر آن را رها کنیم چه اتفاقی میافتد؟
حتی یک کودک نوپا هم میداند که خودکار روی زمین خواهد افتاد. اما هیچ انسانی تلاش نمیکند حدس بزند خودکار دقیقا به کدام سمت سقوط میکند، زیرا راهی برای پیشبینی آن وجود ندارد.
با این حال، یک مدل زبانی بزرگ ممکن است بر اساس الگوهای آماری موجود در دادههای آموزشی خود، فقط یک پیشبینی مشخص درباره حرکت بعدی خودکار ارائه دهد.
این پیشبینی تقریبا بهطور قطع اشتباه خواهد بود، زیرا این سیستم درباره واقعیت فیزیکی موقعیت استدلال نمیکند، بلکه صرفا پاسخی تولید میکند که از نظر آماری محتمل به نظر برسد.
لکان میگوید سامانهای که شرکت او در حال توسعه آن است و Joint Embedding Predictive Architecture (JEPA) نام دارد، دقیقا برای مواجهه با چنین مسائل و چالشهایی طراحی شده است.
این سامانه، بازنماییها یا انتزاعهایی از دنیای واقعی ایجاد میکند که به آن اجازه میدهد پیامدهای احتمالی اقدامات مختلف را ارزیابی کند.
ایجاد این بازنماییهای انتزاعی نیازمند محاسبات ریاضی پیچیده است، اما در اصل، این فرایند اطلاعات غیرضروری را کنار میگذارد و تنها تصویری مفید و کاربردی از جهان را در اختیار هوش مصنوعی قرار میدهد.
برای مثال، در مورد خودکار، این سامانه تشخیص میدهد که تلاش برای پیشبینی جهت دقیق سقوط خودکار، اساساً بیفایده است.
ساخت هوش مصنوعی انعطافپذیرتر، یکی از اولویتهای اصلی صنعت رباتیک به شمار میرود.
میلیاردها دلار برای توسعه رباتهای انساننما سرمایهگذاری شده است و تواناییهای این رباتها هر سال چشمگیرتر میشود.
با این حال، آموزش دادن به آنها برای انجام ایمن کارهای روزمره خانه، مانند اتو کردن لباسها یا چیدن ظروف در ماشین ظرفشویی، همچنان دشوار و پرهزینه است.
به گفته لکان، مدلهای کنونی هوش مصنوعی بعید است که هرگز بتوانند در چنین محیطی عملکرد مناسبی داشته باشند.
او میگوید: مدلهای زبانی بزرگ (LLM) عملا برای رباتیک ناامیدکننده هستند. این ادعا که صرفا با بزرگتر کردن مدلهای زبانی میتوان به هوشی فراتر از انسان رسید، هرگز محقق نخواهد شد.
بسیاری از فعالان صنعت هوش مصنوعی نیز با نظر لکان موافق هستند.
یکی از آنها اینگمار پوزنر، استاد هوش مصنوعی کاربردی در دانشگاه آکسفورد و مدیر آزمایشگاه هوش مصنوعی کاربردی این دانشگاه است.
پوزنر میگوید: به نظر من، دهه آینده متعلق به سامانههایی خواهد بود که بتوانند توضیح دهند. ما به مدلهایی نیاز داریم که بتوانند به پرسشهایی از این دست پاسخ دهند: چه چیزی اهمیت دارد؟ چه چیزی باعث چه اتفاقی میشود؟ اگر کار دیگری انجام دهم چه رخ خواهد داد؟ اگر تصمیم متفاوتی بگیرم، نتیجه چگونه تغییر میکند؟
پوزنر و گروه حدود ۱۰ نفره او طی چهار سال گذشته روی شکل جایگزینی از هوش مصنوعی کار کردهاند که در دستهای موسوم به «مدلهای جهان» (World Models) قرار میگیرد.
اگرچه مفهوم «مدلهای جهان» از چند دهه پیش مطرح بوده است، اما یکی از الهامبخشترین آثار در این حوزه، مقالهای بود که دیوید ها و یورگن اشمیدهوبر در سال ۲۰۱۸ منتشر کردند.
ایده اصلی آنها این بود که با پیشرفت یادگیری ماشین و افزایش توان پردازشی رایانهها، هوش مصنوعی میتواند صرفا از طریق یک شبیهسازی ذهنی از جهان، یاد بگیرد چگونه وظایف مختلف را انجام دهد.
از سال ۲۰۱۸ تاکنون، این ایده زمینهساز حجم قابلتوجهی از پژوهشها درباره «مدلهای جهان» شده است؛ از جمله مدل Dreamer World Model که توسط گوگل توسعه یافته است.
سال گذشته، یکی از نسخههای مدل دریمر توانست در بازی ویدئویی ماینکرافت با تصور کردن سناریوهای آینده و استفاده از آنها برای تصمیمگیری، راه جمعآوری الماس را یاد بگیرد.
پوزنر امیدوار است سامانهای که تیم او در حال توسعه آن است، گام دیگری در این مسیر باشد. او این سامانه را «مدل جهان مکانیکی» (Mechanistic World Model) مینامد؛ مدلی که دانش را به شکلی سازماندهی میکند که هوش مصنوعی بتواند با بیشترین کارایی از آن استفاده کند. پوزنر در عین حال تأکید میکند که پیشبینی زمان لازم برای توسعه این مدلهای جدید بسیار دشوار است.
پژوهش درباره «مدلهای جهان» تنها به این گروه محدود نمیشود. دیپمایند، شرکت هوش مصنوعی متعلق به آلفابت (شرکت مادر گوگل) نیز روی مدل Genie کار میکند و شرکت Wayve مستقر در لندن نیز سامانهای به نام Gaia را توسعه داده است.
در همین حال، فیفی لی، از پیشگامان هوش مصنوعی، در سال ۲۰۲۳ شرکت World Labs را در سانفرانسیسکو تأسیس کرد تا نسل جدیدی از مدلهای هوش مصنوعی را توسعه دهد.
لکان میگوید آزمایشگاه AMI Labs تا پایان امسال روی بهبود و تکامل مدل هوش مصنوعی خود کار خواهد کرد و امیدوار است از سال آینده، این فناوری ابتدا در محیطهای صنعتی به کار گرفته شود.
او میگوید اگر این مرحله با موفقیت انجام شود، زمان آن خواهد رسید که اهداف بزرگتری دنبال شوند.
اما در جهانی که رباتها بتوانند بهطور مستقل فعالیت کنند، جایگاه انسان چه خواهد بود؟
لکان در پاسخ میگوید: ما همچنان به انسانها نیاز خواهیم داشت تا مشخص کنند چه پرسشهایی باید مطرح شوند، چه چیزهایی باید ساخته شوند و چه ایدههایی باید خلق شوند. این همان جنبهای است که واقعا انسان را از دیگران متمایز میکند. او تأکید میکند که هوش مصنوعی قرار است در خدمت انسان باشد، نه جایگزین آن.
انتهای پیام
