آجاک - acak آینده پژوهی

كامپیوترها در آغاز مسیری جدید برای دستیابی به هوش انسانی

كامپیوترها در آغاز مسیری جدید برای دستیابی به هوش انسانی

به گزارش آجاك شبكه های عصبی با الهام از زیست شناسی، گام های بلندی را در جهت تقویت توانایی های انسان برمی دارند. آیا می توان با كاهش قابلیت پیشبینی، هوش مصنوعی را به هوش انسانی نزدیك كرد؟


زومیت نوشت: كنت استنلی، دانشمند علوم كامپیوتر دانشگاه فلوریدای مركزی، در سال ۲۰۰۷ روی سایتی به نام Picbreeder كار می كرد كه همراه با دانشجویان خود برای پژوهشی موردی طراحی نموده بود؛ اما دیدن موجودی فرازمینی كه به خودرویی مسابقه ای تبدیل گشته بود، مسیر زندگی استنلی را تغییر داد. كاربران در سایت Picbreeder، آرایه ای از ۱۵ تصویر مشابه را می بینند كه از شكل های هندسی و الگوهای پیچان تشكیل شده اند. تمام تصاویر نمونه های متغیری از یك زمینه هستند. گاهی اوقات برخی شكل ها مشابه شكل های واقعی مثل پروانه یا چهره به نظر می رسند. استنلی از كاربرها خواست روی اشكالی كه برایشان جذاب است، كلیك كنند. بعد از این كار، مجموعه ای جدید از تصاویر برپایه انتخاب آنها ظاهر شدند. نتیجه ی نهایی این بررسی، كاتالوگی از تصاویر خیالی بود.
اصل سنگ بنا، روشی برای تزریق خلاقیت به هوش مصنوعی است استنلی در یكی از زمینه های هوش مصنوعی به نام تكامل عصبی، پیشتاز است. در این عرصه از روش های تكامل بیولوژیكی برای طراحی الگوریتم های هوشمند استفاده می شود. هر كدام از تصاویر سایت Picbreeder خروجی سیستمی محاسباتی مشابه شبكه ی عصبی هستند. وقتی تصویری ایجاد می شود، شبكه ی زیرساخت آن به ۱۵ شكل مختلف تغییر پیدا می كند كه نتیجه ی هر كدام، تصویری جدید است. هدف استنلی از ساخت Picbreeder تولید تصویر مشخصی نبود. تنها هدف او آموزش نكات جدید درباره ی تكامل و هوش مصنوعی به كاربران سایت بود. روزی استنلی در بین تصاویر، چهره ای مشابه موجودی فضایی را دید و آغاز به تكامل آن كرد. به صورت اتفاقی، چشم های گرد به سمت پائین حركت كردند و مشابه چرخ های یك خودرو شدند. استنلی به كار خود ادامه داد و یك خودروی اسپرت زیبا ساخت. این مساله فكر او را مشغول كرد و از خود پرسید اگر از همان ابتدا به جای تصویر موجود فضایی، برای ساخت تصویر خودرو تلاش می كرد شاید هیچگاه به نتیجه می رسید. این اتفاق یك پیام برای او داشت: چرا باید مسائل را به صورت مستقیم حل كرد. بدین سان به سراغ تصاویر جالب دیگری رفت كه در Picbreeder ظاهر شده بودند، خطوط آنها را دنبال كرد و متوجه شد تمام تصاویر از شكلی كاملا متفاوت به تكامل رسیده اند. درك استنلی به مقدمه ی اصل سنگ بنا برای طراحی الگوریتم ها تبدیل شد. الگوریتم هایی كه پتانسیل خلاقیت بی نهایت تكامل زیستی را دربرمی گیرند. الگوریتم های تكاملی، مبحث جدیدی نیستند. همیشه از این الگوریتم ها برای حل مسائلی مشخص استفاده شده است. در هر نسل، برپایه معیارهایی مشخص، چاره هایی با بهترین عملكرد انتخاب شدند (برای مثال توانایی كنترل یك ربات دو پایی) و محصولی را تولید كرده اند. الگوریتم های تكاملی با وجود موفقیت در بعضی نمونه ها، از نظر محاسباتی می توانند بسیار سنگین تر از روش هایی مانند یادگیری عمیق باشند كه در سال های اخیر به محبوبیت زیادی رسیده است. اصل سنگ بنا، فراتر از روش های سنتی تكاملی عمل می كند. برای مثال به جای بهینه سازی برای هدفی مشخص، جستجوی خلاق تمام راهكارهای ممكن را در نظر می گیرد. این روش به نتایج بی سابقه ای دست یافته است. در سال گذشته، سیستمی برپایه اصل سنگ بنا موفق شد در دو بازی ویدئویی به مهارت برسد. در این بازی ها از روش های محبوب و رایج یادگیری ماشین استفاده شده بود. از طرفی، شركت DeepMind كه در زمینه ی هوش مصنوعی و كاربرد یادگیری عمیق برای حل مسائلی مثل بازی Go مهارت دارد، موفق به تركیب یادگیری عمیق با تكامل مجموعه ای از راهكارهای متنوع شد. از تكامل زیستی می توان برای توسعه ی هوش مصنوعی نزدیك به انسان بهره برد پتانسیل اصل سنگ بنا در مقایسه با تكامل زیستی آشكار می شود. در طبیعت، درخت زندگی هیچ هدف جامعی ندارد و قابلیت هایی كه برای یك عمل یا فرآیند خاص در نظر گرفته می شوند امكان دارد در فرایندی كاملا متفاوت هم نقش داشته باشند. برای مثال، پرها بعنوان عایق به تكامل رسیدند اما بعدها به وسیله ای برای پرواز هم تبدیل شدند. تكامل بیولوژیكی، تنها سیستم موجود برای تولید هوش انسانی و رویای نهایی خیلی از پژوهشگران هوش مصنوعی است. استنلی و دیگر پژوهشگران این حوزه، معتقدند برپایه سوابق زیستی برای ساخت الگوریتمی كه بتواند دنیای اجتماعی و فیزیكی را به آسانی كنترل كند، باید از طبیعت تقلید كرد. به جای كدنویسی سخت (روشی برای توسعه ی نرم افزار) قوانین استنتاج یا كامپیوترهایی كه برپایه معیارهای عملكردی قادر به درجه بندی باشند، باید از مجموعه ی چاره ها استفاده نمود. باید خصوصیت هایی مثل نوآوری و جذابیت را به جای توانایی های راه رفتن یا صحبت كردن در اولویت قرار داد. درنتیجه می توان به مسیری غیرمستقیم و مجموعه ای از سنگ بناها دست یافت و از آنها برای بهبود راه رفتن یا صحبت هم بهره برد كه شاید از روش های مستقیم امكان پذیر نباشند.
چهره ی موجودی فضایی كه در Picbreeder ساخته شده است (سمت چپ) بعد از تكامل، به خودروی مسابقه ای سمت راست تبدیل شد جدید، جذاب، متنوع استنلی بعد از تجربه ی Picbreeder برای اثبات تكامل عصبی، در سطح گسترده ای كوشش كرد. او می گوید: طراحی الگوریتمی كه نتوان میزان خلاقیت آنرا پیش بینی نمود، از دیدگاه پژوهشی جذاب است اما فروش تجاری آن كار دشواری است. استنلی امیدوار است با استفاده از ایده های تكامل عصبی، الگوریتم ها نه تنها بتوانند انواع نتایج را تولید كنند بلكه قادر به حل مسائل هم باشند. استنلی می خواهد ثابت كند گاهی نادیده گرفتن هدف بیشتر از دنبال كردن آن، ما را به هدف نزدیك می كند. او این كار را از راه روشی به نام جستجوی نوآورانه (novelty search) انجام می دهد. در جستجوی نوآورانه، سیستمی با شبكه ای عصبی راه اندازی می شود كه تلفیقی از عناصر محاسباتی كوچك به نام نورون های متصل در لایه ها است. خروجی یك لایه از نورون ها از راه اتصال هایی با وزن های مختلف به لایه ی بعدی منتقل می شود. در نمونه ای ساده، داده های ورودی همچون تصاویر می توانند به شبكه های عصبی وارد شوند. با عبور اطلاعات تصویر از لایه ای به لایه ای دیگر، شبكه به استخراج اطلاعات انتزاعی درباره ی محتوای خود می پردازد. در نهایت، لایه ی نهایی به محاسبه ی سطح بالاترین اطلاعات می پردازد: برچسبی برای تصویر. در تكامل نورونی، كار با تخصیص مقادیر تصادفی به وزن های بین لایه ها شروع می شود. خاصیت تصادفی به مفهوم عملكرد نه چندان خوب شبكه است؛ اما از همین حالت تصادفی می توان به مجموعه ی دیگری از جهش های تصادفی رسید (شبكه های عصبی با وزن های متفاوت) و سپس به ارزیابی قابلیت آنها پرداخت. می توان بهترین جهش ها را حفظ كرد، محصولات بیشتری را تولید كرد و سپس همین روند را تكرار كرد. (استراتژی های تكامل عصبی پیشرفته تر منجر به تولید جهش هایی برپایه تعداد و آرایش نورون ها و اتصال آنها می شوند). تكامل نورونی از نوع فراالگوریتم است؛ یعنی الگوریتمی كه برای طراحی الگوریتم های دیگر طراحی شده است و در نهایت هر كدام از الگوریتم ها عملكرد خوبی خواهند داشت.
برای كنت استنلی، دانشمند كامپیوتر در آزمایشگاه Uber AI و دانشگاه فلوریدای مركزی، اصل سنگ بنا به مفهوم نوآوری است استنلی و دانشجوی او جوئل لمان، برای تست اصل سنگ بنا، فرآیند انتخاب را تغییر دادند. جستجوی نوآورانه به جای انتخاب شبكه هایی كه در وظیفه ای خاص عملكرد خوبی دارند، شبكه ها را برپایه تفاوت آنها با شبكه های مشابه انتخاب می كنند (برای مثال در Picbreeder، جذابیت برای افراد مهم بود. در اینجا جستجوی نوآورانه به نوآوری بعنوان واسطه ای برای انتخاب جذابیت پاداش می دهد). استنلی و همكارانش در یكی از تست ها، ربات های چرخدار را درون یك هزارتو قرار دارند و به تكامل الگوریتم های كنترل كننده ی ربات ها پرداختند. آنها امیدوار بودند بدین سان ربات بتواند راه خروج از هزارتو را پیدا كند. آنها تكامل را ۴۰ مرتبه از ابتدا اجرا كردند. در برنامه ای مقایسه ای، ربات ها برپایه میزان نزدیكی با راه خروجی انتخاب می شدند، در این برنامه ربات در چهل مرتبه اجرا تنها سه مرتبه موفق شد راه خروجی را پیدا كند اما در جستجوی نوآورانه كه میزان نزدیكی ربات ها به راه خروج را نادیده می گیرد، ۳۹ بار موفق شد. دلیل موفقیت این جست وجو، اجتناب ربات ها از بن بست بود. به جای اینكه تصور كنند بن بست همان راه خروج است، به بخش های ناشناس قدم می گذاشتند، راه های میانبر را پیدا می كردند و به صورت تصادفی برنده می شدند. جولیان توگلیوس، دانشمند كامپیوتر دانشگاه نیویورك، می گوید: «جستجوی نوآورانه همه چیز را معكوس می كند؛ و در زمانی كه هدفی وجود ندارد می پرسد چه اتفاقی افتاده است؟» الگوریتم های تكاملی، مجموعه ای از راهكارهای برنده را تولید می كنند در مرحله ای از تست، تعقیب اهداف می توانست مانع از رسیدن به آنها شود، ازاین رو استنلی به دنبال راه های هوشمندانه تری برای تركیب جستجوی نوآورانه و اهداف خاص رفت. او و لمان سیستمی را برای تقلید از نوآوری های تكاملی طبیعی ساختند. در این روش، الگوریتم ها تنها با الگوریتم های مشابه خود رقابت می كنند. همان گونه كه كرم ها با وال ها رقابت نمی كنند، سیستم هم دارای موقعیت های الگوریتمی مجزایی است كه هر كدام روش های خویش را تولید می كنند. الگوریتم های تكاملی رقابتی محلی، در مواردی مثل پردازش پیكسل ها، كنترل بازوی ربات و كمك به تطبیق ربات شش پا بعد از حذف یكی از پاها (مانند رفتار حیوانات)، عملكرد بهینه ای دارند. یكی از عناصر كلیدی چنین الگوریتم هایی، توسعه ی سنگ بناها است. آنها به جای اولویت بندی مستمر بهترین چاره، مجموعه ی متنوعی از طریق حل ها را حفظ می كنند كه هركدام می توانند شامل یك برنده باشند. بهترین چاره هم از میان همین مجموعه ها انتخاب می شود. تكامل برای برد برای استنلی كه حالا در آزمایشگاه Uber AI فعالیت می كند، اصل سنگ بنا نشان دهنده ی نوآوری است: اگر با كامپیوتری مدرن به گذشته بازگردید و به مردم بگویید به جای تولید كامپیوتر روی لپ تاپ ها تمركز كنند، امروز هیچ كدام از آنها را نداشتید. همینطور این اصل توصیف كننده ی تكامل است: انسان از كرم های مسطح به تكامل رسیده اند. گرچه این موجودات هوشمند نیستند، دارای تقارن دو طرفه هستند. به نقل از استنلی: هنوز معلوم نیست كشف تقارن دو طرفه در گذشته ربطی به هوش داشته است؛ اما امروز این ارتباط آشكار است. تكامل عصبی در دهه ی گذشته در مسیری غیرمستقیم حركت كرده است و به مدت طولانی در سایه ی دیگر اشكال AI به حیات خود ادامه داده است. به عقیده ی ریستو میكولاینن، دانشمند كامپیوتر دانشگاه تگزاس (و مشاور سابق دكترای استنلی)، یكی از بزرگ ترین معایب تكامل عصبی، حجم محاسبات مورد نیاز آن است. در یادگیری ماشین به روش سنتی، شبكه ی عصبی از راه آموزش به تدریج بهبود پیدا می كند. در تكامل عصبی، وزن ها به صورت تصادفی تغییر می كنند ازاین رو احتمال ضعیف شدن عملكرد هم وجود دارد. یكی از دیگر معایب تكامل عصبی این است كه اغلب افراد به دنبال حل مساله ای خاص هستند. استراتژی جستجویی كه برای بهینه سازی جذابیت مساله به كار برود می تواند چاره ای خلاقانه را برای یك مساله ی خاص عرضه كند؛ اما امكان دارد مخاطب را پیش از قرار گرفتن در راه صحیح، گیج كند.
بازی ویدئویی Montezuma Revenge نخستین بار در سال ۱۹۸۴ منتشر گردید به صورت كلی، هیچ راهكار بی نقصی وجود ندارد. در پنج سال گذشته، پژوهش های حوزه های مختلف AI همچون یادگیری عمیق و یادگیری تقویتی به شكل قابل ملاحظه ای افزایش پیدا كرده اند. در یادگیری تقویتی، الگوریتم با محیط به تعامل می پردازد و سپس از راه آزمون و خطا به یادگیری می پردازد و در نهایت رفتار آن نتایج مطلوبی را به دنبال خواهد داشت. برای مثال رباتی كه در دنیای واقعی حركت می كند یا گیمرها از این الگوریتم استفاده می نمایند. شركت DeepMind از یادگیری تقویتی عمیق برای ساخت برنامه ای بهره برد كه بتواند بهترین بازیكنان بازی Go را شكست دهد. درحالی كه بسیاری تصور می كردند برای رسیدن به این هدف، سال ها زمان لازم است. از طرفی امكان دارد یادگیری تقویتی گرفتار یكنواختی شود. پاداش های كم یا پراكنده، برای رسیدن الگوریتم ها به هدف كافی نیستند. پاداش های فریبنده (پاداش برای سودهای كوتاه مدتی كه مانع از پیشرفت طولانی مدت می شوند) الگوریتم ها را به دام بن بست می اندازند؛ ازاین رو یادگیری تقویتی می تواند انسان ها را به دام بازی هایی از نوع Space Invaders (مهاجمان فضایی) یا Pong بیندازد. این بازی ها با وجود امتیازها و اهداف مشخص، یكنواخت و قابل پیشبینی هستند. در سال ۲۰۱۸، هوش مصنوعی برپایه اصل سنگ بنا موفق به حل چالش های دیرینه ای شد. در بازی انتقام مونتزوما (Montezuma's Revenge)، پاناما جو، كاراكتر اصلی بازی، در دخمه ای زیرزمینی برای جمع آوری كلیدها و بازكردن درها از اتاقی به اتاقی دیگر می رود و در این راه باید از دشمنان و موانعی مثل مارها و گودال های آتش دوری كند. استنلی، لمان، جف كلان، جوست هویزینگا و آدرین اكوفت برای شكست این بازی در آزمایشگاه Uber AI مشغول به كار شدند و سیستمی را طراحی كردند كه پاناما جو در آن با جست وجو در اطراف به صورت تصادفی، كارهای مختلفی را انجام می دهد. با هر بار رسیدن به وضعیتی جدید، آنرا به همراه مجموعه ای از عملیات وارد حافظه اش می كند. در صورت یافتن مسیری سریع تر به همان وضعیت، آن مسیر را جایگزین وضعیت قبلی در حافظه می كند. پاناما جو در طول آموزش، به صورت تكراری یكی از وضعیت های ذخیره شده را انتخاب می كند، به صورت تصادفی به جست وجو می پردازد و وضعیت های جدید را به حافظه اش اضافه می كند. در حوزه ی هوش مصنوعی هیچ روش بی نقصی وجود ندارد و بهتر است روش ها را تركیب كرد در نهایت یكی از همین وضعیت ها به وضعیت برنده ی بازی تبدیل می شود. در این مرحله، پاناما جو تمام عملیات لازم برای رسیدن به هدف را ذهن خود دارد. او كار خویش را بدون هیچ گونه شبكه ی عصبی یا یادگیری تقویتی انجام می دهد. هیچ پاداشی برای جمع آوری كلیدها یا نزدیك شدن به پایان دخمه وجود ندارد. فقط فرآیند جستجوی تصادفی و راهی هوشمندانه برای جمع آوری و اتصال سنگ بناها دیده می شود. این روش نه تنها برای شكست بهترین الگوریتم ها بلكه برای شكست ركورد انسانی بازی تنظیم شده است. روش مشابهی به نام Go-Explore برای غلبه بر خبره های انسانی بازی Pitfall به كار رفت. در این بازی پیتفال هری، در جنگلی به جستجوی گنج می پردازد و در این راه باید از كروكودیل ها و دام ها دوری كند. به جز این روش، هیچ كدام از انواع هوش یادگیری ماشین موفق به دریافت امتیاز بالاتر از صفر نشدند. امروزه حتی DeepMind، بعنوان منبع یادگیری تقویتی، علاقه ی خود به تكامل عصبی را نشان داده است. تیم دیپ مایند در ماه ژانویه از نرم افزار AlphaStar رونمایی كردند كه می تواند بازیكن های حرفه ای بازی پیچیده ی StarCraft II را شكست دهد. در این بازی دو رقیب به كنترل سلاح و تجهیزات می پردازند و برای تسلط بر منظره ی دیجیتالی به ساخت كلونی می پردازند. AlphaStar مجموعه ای از بازیكنان را به تكامل رسانده است كه با یكدیگر رقابت می كنند و از یكدیگر یاد می گیرند. به نقل از پژوهشگران دیپ مایند، نسخه ی به روزشده ی AlphaStar در بین ۰/۲ درصد بازیكنان برتر StarCraft II قرار گرفته است. آلفااستار نخستین نوع هوش مصنوعی است كه بدون هیچ محدودیتی به بالاترین لایه ی رقابت های بازی های الكترونیكی دست پیدا می كند. مكس جادربرگ، دانشمند كامپیوتر دیپ مایند و یكی از پژوهشگران پروژه می گوید: عامل های بازی AlphaStar بعد از مدت ها كار بهبود یافته اند. با آموزش یك عامل می توان عملكرد میانگین آنرا بهبود داد، البته نیاز دارید روی عامل های مخالف و پیدا كردن نقطه ضعف ها هم كار كنید.
درست مانند بازی سنگ، كاغذ، قیچی، هیچ روش برتری در بازی Star Craft II وجود ندارد؛ ازاین رو DeepMind هم مجموعه عامل های خویش را برای تكامل انواع روش ها تشویق می كند. برای مثال وقتی آلفااستار می تواند دو بازیكن حرفه ای را بیشتر از پنج بار شكست دهد، یعنی روش های پنج عامل مختلف از مجموعه ی خویش را تركیب كرده است. پنج عامل بگونه ای انتخاب می شوند كه تمام آنها نسبت به راهبردهای حریف صدمه پذیر نباشند. نقطه ی قوت آنها هم تنوعشان است. هوش مصنوعی تكامل یافته می تواند هوش های دیگری را تولید نماید آلفااستار یكی از كاربردهای اصلی الگوریتم های تكاملی را نشان می دهد: حفظ جمعیت راهكارهای مختلف. پروژه ی جدید دیگری از DeepMind، كاربرد دیگری از تكامل عصبی را نشان می دهد: بهینه سازی چاره واحد. آلفابت با همكاری پروژه ی خودروی خودگردان Waymo، روی تكامل الگوریتم هایی برای شناسایی پیاده روها كار می كند. این روش عملكرد نسبتا خوبی دارد اما بهترین روش ممكن نیست. بنا بر این پژوهشگرها برای اجتناب از بن بست، زیرمجموعه هایی را ایجاد كرده اند تا اجراكنندگان پیش از رسیدن به بن بست، زمان كافی را برای توسعه داشته باشند. محبوبیت الگوریتم های جمعیت محور در سال های اخیر افزایش یافته است. به نقل از اریا هادسل، دانشمند پژوهشی و سرپرست رباتیك DeepMind، یكی از علل این محبوبیت، قدرت تطبیق این الگوریتم ها با انواع محاسبات است. هادسل در ماه ژوئن سال قبل از كلان، لمان و استنلی دعوت كرد تا در كنفرانس بین المللی یادگیری ماشین درباره ی كارهای خود صحبت كنند. او می گوید: «معتقدم تكامل عصبی یكی از حوزه های مهم در پژوهش های هوش مصنوعی و مكملی برای روش های یادگیری عمیق است.» هوش مصنوعی كه قادر به تولید هوش مصنوعی است تمام الگوریتم های مورد اشاره، محدودیت خلاق دارند. AlphaStar تنها می تواند راهبردهای جدیدی را برای بازی StarCraft II عرضه نماید. روش جستجوی نوآورانه در یك زمان تنها قادر به انجام یك كار است كه می تواند حل هزارتو یا راه رفتن ربات باشد. از جانب دیگر، تكامل بیولوژیكی دارای نوآوری بی پایان است. در این نوع تكامل، باكتری ها، موجودات دریایی، پرندگان و انسان ها نقش دارند. با تكامل چاره ها، مساله ها هم به تكامل می رسند. زرافه در پاسخ به مساله ی درخت به وجود آمده است. نوآوری انسان هم به همین ترتیب پیش می رود. انسان مساله ها را برای خود خلق می كند. برای مثال از خود می پرسد: آیا می توان انسان را به ماه فرستاد؟ و سپس برای حل مساله ها تلاش می كند. برای نمایش تعامل بین چاره ها و مساله ها، استنلی، كلان و لمان و دیگر همكاران آنها در اوبر همچون رویی وانگ در اوایل سال گذشته، الگوریتمی به نام POET (مخفف Paired Open Ended Trailblazer) را منتشر نمودند. آنها برای تست این الگوریتم، مجموعه ای از ربات های مجازی دوپا را به تكامل رساندند. از طرفی، مجموعه ای از موانع را برای ربات ها به تكامل رساندند كه شامل تپه ها، گودال ها و تنه ی درخت ها هستند. ربات ها گاهی اوقات با یكدیگر تعویض می شدند و برای فتح زمین های جدید تلاش می كردند. برای مثال یكی از ربات ها، عبور از زمین مسطح را هم زمان با خم شدن یاد می گرفت. سپس به صورت تصادفی به منظره ای با تنه های درخت كوتاه می رفت و در آنجا باید راه رفتن را یاد می گرفت. به این ترتیب، بعد از بازگشت به مانع اول، می توانست سریع تر مراحل را طی نماید. مسیر غیرمستقیم سبب می شود ربات مهارت های یكی از پازل ها را بهبود دهد و آنرا روی پازلی دیگر اجرا نماید.
جف كلان، دانشمند كامپیوتر آزمایشگاه Uber AI و دانشگاه ویومینگ، اعتقاد دارد اكتشاف آخر باز (مسئله ای كه راهكارهای مختلفی برای آن وجود دارد)، سریع ترین راه دستیابی به هوش مصنوعی مشابه انسان است الگوریتم POET می تواند با ابداع چالش های مختلف برای خود و سپس حل آنها، شكل های جدیدی از هنر را خلق كند یا به اكتشافات جدید علمی برسد. این الگوریتم با توانایی ساخت دنیای خود، می تواند بسیار فراتر از محدودیت ها عمل كند. استنلی امیدوار است بتواند الگوریتم هایی بسازد كه حتی بعد از یك میلیارد سال، نوآوری آنها به پایان نرسد. استنلی می گوید: تكامل منجر به تولید بینایی، فتوسنتز، هوش انسانی و در یك كلام تولید همه چیز تنها با یك الگوریتم شده است. بنابراین، برای فرآیندهای كوچك بسیار قدرتمندتر عمل خواهد نمود. كلان اعتقاد دارد، اكتشاف آخر باز (نوعی از اكتشاف كه تنها یك چاره برای آن وجود ندارد) سریع ترین روش حركت به سمت هوش مصنوعی عمومی است. هوش مصنوعی عمومی به ماشین هایی گفته می شود كه حدودا كل توانایی های انسان را دارند. هوش مصنوعی بیشتر متمركز بر طراحی اجزای سازنده ی ماشین های هوشمند همچون انواع مختلف معماری های شبكه های عصبی و فرآیندهای یادگیری ماشین است؛ اما هنوز روش مشخصی برای تركیب انواع هوش و رسیدن به هوش مصنوعی وجود ندارد. از طرفی، كلان اعتقاد دارد باید بیشتر به هوش مصنوعی تولیدكننده ی هوش توجه كرد. الگوریتم ها می توانند با روشی مثل POET، به طراحی و تكامل شبكه های عصبی و محیط هایی برای یادگیری بپردازند. اكتشاف باز، می تواند از راه مسیرهایی غیرقابل پیشبینی به هوشی در سطح انسان یا هوشی فرازمینی بینجامد. از چنین هوشی می توان برای یادگیری بیشتر درباره ی انواع هوش هم استفاده نمود. كلان می گوید: بعد از ده ها سال پژوهش، هنوز هم الگوریتم ها ما را شگفت زده می كنند؛ ازاین رو نمی توانیم با اطمینان بگوییم نتایج كل فرآیندها را می دانیم بخصوص كه قدرت آنها روزبه روز افزوده می شود. كنترل بیش از اندازه پژوهشگرها هم بیهوده است. استنلی در ابتدا سایت Picbreeder را برای مؤسسه ی ملی علوم ساخته بود اما این مؤسسه با بهانه ی واضح نبودن پروژه، آنرا رد كرد. پروژه ی استنلی به مقاله ها، گفتگوها، كتاب ها و استارتاپ Geometric Intelligence راه پیدا كرد كه بعدها اوبر آنرا خرید و آزمایشگاه Uber AI را تأسیس كرد. استنلی می گوید: داستان رسیدن من به این نقطه دقیقا مشابه فرآیند الگوریتم تكاملی است. الگوریتم تكاملی، نتایجی را تولید می كند كه خویش را به تكامل می رسانند. ۲۱۲۱

1399/01/01
21:16:46
5.0 /5
3031
این مطلب آجاک را پسندیدید؟
(1)
(0)

تازه ترینهای مرتبط
نظرات بینندگان در این باره
لطفا شما هم نظر دهید
= ۹ بعلاوه ۵
آجاک : آینده پژوهی