موارد مهم
- نوع جدیدی از سخت افزار رایانه می تواند به هوش مصنوعی اجازه دهد تا مانند مغز انسان به طور مداوم یاد بگیرد.
- محققان دانشگاه پوردو می گویند دستگاه آنها می تواند در صورت نیاز از طریق پالس های الکتریکی دوباره برنامه ریزی شود.
- اگرچه یک سیستم هوش مصنوعی که به طور کامل به خودی خود یاد می گیرد هنوز یک مفهوم است، نمونه های زیادی وجود دارد که نزدیک به هم هستند.
هوش مصنوعی (AI) به زودی می تواند از نوع جدیدی از تراشه های رایانه ای الهام گرفته از مغز انسان تقویت شود.
محققان دانشگاه پردو قطعه جدیدی از سخت افزار ساخته اند که می تواند در صورت نیاز از طریق پالس های الکتریکی دوباره برنامه ریزی شود. این تیم ادعا می کند که این سازگاری به دستگاه اجازه می دهد تا تمام عملکردهای لازم برای ساخت یک کامپیوتر الهام گرفته از مغز را انجام دهد. این بخشی از یک تلاش مداوم برای ساختن سیستم‌های هوش مصنوعی است که بتوانند به طور مداوم یاد بگیرند.
جردن سوچو، کارشناس هوش مصنوعی موسسه فناوری استیونز در مصاحبه ای با لایف وایر گفت: "وقتی سیستم های هوش مصنوعی به طور مداوم در محیط یاد می گیرند، می توانند خود را با دنیایی که در طول زمان تغییر می کند سازگار کنند." ما این را می‌بینیم، برای مثال، زمانی که یک سیستم تشخیص تقلب الگوی خریدهای جعلی را که قبلاً مشاهده نشده بود انتخاب می‌کند یا زمانی که یک سیستم تشخیص چهره با شخصی روبرو می‌شود که قبلاً هرگز آن را ندیده است.»
یادگیرندگان مادام العمر
محققان پوردو اخیراً این مقاله را در مجله Science منتشر کردند. این توضیح می‌دهد که چگونه تراشه‌های کامپیوتری می‌توانند به‌طور پویا خود را دوباره سیم‌کشی کنند تا داده‌های جدید را به همان روشی که مغز انجام می‌دهد، دریافت کند. این رویکرد می‌تواند به هوش مصنوعی در ادامه یادگیری در طول زمان کمک کند.
"مغز موجودات زنده می تواند به طور مداوم در طول عمر خود یاد بگیرد. ما اکنون یک پلت فرم مصنوعی برای یادگیری ماشین ها در طول عمر خود ایجاد کرده ایم."
سخت افزار ابداع شده توسط تیم راماناتان یک دستگاه کوچک مستطیل شکل است که از ماده ای به نام نیکلات پروسکایت ساخته شده است که به هیدروژن بسیار حساس است. استفاده از پالس‌های الکتریکی در ولتاژهای مختلف به دستگاه اجازه می‌دهد تا غلظت یون‌های هیدروژن را در چند نانوثانیه تغییر دهد و حالت‌هایی را ایجاد کند که محققان دریافتند می‌توانند با عملکردهای مربوطه در مغز ترسیم شوند.
برای مثال وقتی دستگاه هیدروژن بیشتری در نزدیکی مرکز خود دارد، می تواند به عنوان یک نورون، یک سلول عصبی واحد عمل کند. با وجود هیدروژن کمتر در آن مکان، دستگاه به عنوان یک سیناپس عمل می کند، یک اتصال بین نورون ها، چیزی که مغز برای ذخیره حافظه در مدارهای عصبی پیچیده استفاده می کند.
"اگر می خواهیم یک کامپیوتر یا ماشینی بسازیم که از مغز الهام گرفته شده باشد، به همین ترتیب، می خواهیم توانایی برنامه ریزی مداوم، برنامه ریزی مجدد و تغییر تراشه را داشته باشیم.".
ماشین های تفکر؟
دیوید کانتر، مدیر اجرایی MLCommons، یک کنسرسیوم مهندسی باز که به بهبود یادگیری ماشین اختصاص دارد، در ایمیلی گفت: بسیاری از سیستم‌های هوش مصنوعی مدرن با اطلاعات جدید سازگار می‌شوند.
«جهان مکانی ذاتاً پویا است، و در نهایت یادگیری ماشینی و هوش مصنوعی باید با آن سازگار شوند. به عنوان مثال، یک سیستم تشخیص گفتار در سال 2022 که درباره کووید-19 یا کروناویروس‌ها نمی‌داند، جنبه بزرگی از دنیای مدرن را از دست می‌دهد. به طور مشابه، یک وسیله نقلیه خودران باید با تغییرات خیابان‌ها، بسته شدن پل‌ها یا حتی دمای پایین جاده را یخ زده می کند."
سامیر ماسکی، مدیر عامل شرکت هوش مصنوعی Fusemachines، در یک مصاحبه ایمیلی گفت: اگرچه سیستم هوش مصنوعی که به طور کامل به خودی خود یاد می‌گیرد، هنوز هم یک مفهوم است، نمونه‌های زیادی نزدیک به هم هستند.یکی از این سیستم‌های خودآموز وقتی خبرساز شد که یک سیستم هوش مصنوعی انسان را در بازی Go شکست داد.
ماسکی افزود: "AlphaGo اولین هوش مصنوعی DeepMind بود که یک بازیکن حرفه ای Go را شکست داد." فرنچایز بازی‌های آنها با هر بازی جدید که پیشرفت‌هایی را به سمت هوش مصنوعی که به یادگیری ادامه می‌دهد، به پله‌هایی تبدیل شده‌اند.»
سوچو پیش‌بینی کرد که سیستم‌های هوش مصنوعی آینده به دنبال اطلاعات مورد نیاز برای تصمیم‌گیری خوب و انجام اقدامات مناسب خواهند بود. این رایانه‌های پیشرفته با یادگیری از شبیه‌سازی‌های تجربه خود، از اشتباهات پرهزینه جلوگیری می‌کنند، به عنوان مثال، از طریق «خودبازی»، جایی که هوش مصنوعی نتایج تعاملات خود را با کپی‌هایی از خود تصور می‌کند.
"این شبیه به این است که چگونه انسان ها می توانند از طریق تخیل بیاموزند، بدون نیاز به تجربه مستقیم نتیجه بد را پیش بینی کنند." «سیستم‌های هوش مصنوعی استراتژی‌های مؤثرتری برای یادگیری خواهند آموخت، تا جایی که دانش‌آموز می‌تواند زمان و توجه خود را نه تنها به محتوای محتوایی که مطالعه می‌کند، بلکه به خود فرآیند یادگیری نیز معطوف کند."
