يتساءل الخبراء عما إذا كان بإمكانه أن يجعل الذكاء الاصطناعي بشريًا

يتساءل علماء الكمبيوتر عما إذا كان DeepMind ، و الف بيتستتمكن أي شركة في المملكة المتحدة تُعتبر أحد المختبرات الرائدة في مجال الذكاء الاصطناعي في العالم ، من إنتاج آلات بنوع من الذكاء “العام” الذي نراه في البشر والحيوانات.

في البحث عن الذكاء الاصطناعي العام ، الذي يشار إليه أحيانًا باسم الذكاء الاصطناعي على المستوى البشري ، يركز DeepMind على كتلة الجهد في نهج يعرف باسم “التعلم المعزز”.

يتضمن ذلك برمجة ذكاء اصطناعي لأداء إجراءات معينة من أجل تعظيم فرصه في الفوز بجائزة في موقف معين. بمعنى آخر ، “تتعلم” الخوارزمية لإكمال مهمة بالبحث عن مكافآت مبرمجة مسبقًا. تم استخدام هذه التقنية بنجاح لتدريب نماذج الذكاء الاصطناعي على كيفية اللعب (والتفوق) في ألعاب مثل Go and Chess. لكنها تظل غبية نسبيًا أو “ضيقة”. لا يستطيع AlphaGo AI الشهير لـ DeepMind رسم رجل stickman أو ملاحظة الفرق بين قطة وأرنب ، على سبيل المثال ، بينما يمكن لطفل يبلغ من العمر سبع سنوات.

على الرغم من ذلك ، فإن DeepMind ، التي استحوذت عليها Google في عام 2014 مقابل حوالي 600 مليون دولار ، تعتقد أن الأنظمة التي يحركها الذكاء الاصطناعي يمكن أن تنمو وتتعلم من الناحية النظرية بحيث تكسر الحاجز النظري أمام الذكاء الاصطناعي العام بدون تطورات تكنولوجية جديدة.

ادعى الباحثون في الشركة ، التي نمت إلى حوالي 1000 شخص مملوكة لشركة Alphabet ، ب ورق ورد في مجلة “الذكاء الاصطناعي” التي استعرضها الزملاء الشهر الماضي أن “المكافأة كافية” للوصول إلى الذكاء الاصطناعي العام. كانت الصحيفة تم نشره لأول مرة بواسطة VentureBeat الاسبوع الماضي.

في المقالة ، يجادل الباحثون بأنك إذا واصلت “مكافأة” خوارزمية في كل مرة تفعل فيها شيئًا تريده ، وهو جوهر التعلم المعزز ، فستبدأ في النهاية في إظهار علامات الذكاء العام.

كتب المؤلفون: “مكافأة كافية لتحفيز السلوك الذي يُظهر القدرات المكتشفة في الذكاء الطبيعي والاصطناعي ، بما في ذلك المعرفة ، والتعلم ، والإدراك ، والذكاء الاجتماعي ، واللغة ، والتعميم ، والتقليد”.

“نقترح أن العملاء الذين يتعلمون من خلال التجربة والخطأ لتحقيق أقصى قدر من المكافأة يمكنهم تعلم السلوك الذي يوضح معظم ، إن لم يكن كل هذه القدرات ، لذلك يمكن أن تكون عوامل التعلم المعزز القوية حلاً للذكاء الاصطناعي.”

لم يقتنع الجميع.

قال سام وينيجر ، باحث في الذكاء الاصطناعي في برلين ، لشبكة CNBC إن وجهة نظر DeepMind “المكافأة كافية” هي “موقف فلسفي هامشي إلى حد ما ، يتم تقديمه بشكل مضلل على أنه علم صعب”.

وقال إن الطريق إلى الذكاء العام معقد وأن المجتمع العلمي يدرك أن هناك تحديات لا حصر لها ومجهولة وغير معروفة “غرست بحق الشعور بالتواضع” لدى معظم الباحثين في هذا المجال وتمنعهم من “التصريحات العظيمة والشمولية”. ” مثل “RL هي الإجابة النهائية ، كل ما تحتاجه هو مكافأة”.

أخبرت DeepMind قناة CNBC أنه في حين أن التعلم المعزز كان وراء بعض الإنجازات البحثية الأكثر شهرة ، فإن تقنية الذكاء الاصطناعي لا تشكل سوى جزء صغير من البحث الشامل الذي تقوم به. قالت الشركة إنها تعتقد أنه من المهم فهم الأشياء على مستوى أساسي أكثر ، لذا فهي تشارك في مجالات أخرى مثل “الذكاء الاصطناعي الرمزي” و “التدريب القائم على السكان”.

قال وينيجر: “في علاج DeepMind النموذجي ، اختاروا الإدلاء ببيانات جريئة تجذب الانتباه بأي ثمن ، وبنهج أكثر دقة”. “إنها تشبه السياسة أكثر من العلم.”

قال ستيفن ميريت ، الباحث المستقل في مجال الذكاء الاصطناعي ، لشبكة CNBC إن هناك “فرقًا بين النظرية والتطبيق”. كما أشار إلى أن “كومة من الديناميت من المرجح أن تجلب إحداها إلى القمر ، لكنها ليست عملية في الواقع”.

في النهاية ، لا يوجد دليل يمكنها أن تقول ما إذا كان تعزيز التعلم سيؤدي في أي وقت إلى الذكاء الاصطناعي العام.

قال رودولفو روزيني ، مستثمر تكنولوجي ورجل أعمال مع التركيز على الذكاء الاصطناعي ، لشبكة CNBC: “الحقيقة هي أنه لا أحد يعرف وأن المنتج الرئيسي لـ DeepMind لا يزال هو العلاقات العامة وليس الابتكار التقني أو المنتجات.”

رجل الأعمال William Tonstel-Pedo ، الذي باع تطبيقه مثل Siri ، Ovi أمازون، قال لشبكة CNBC إنه حتى لو كان الباحثون على حق “فهذا لا يعني أننا سنصل إلى هناك قريبًا ، ولا يعني أنه لا توجد طريقة أفضل وأسرع للوصول إلى هناك.”

تمت كتابة فيلم DeepMind’s Reward is enough مع ريتشارد ساتون وديفيد سيلفر من شركة DeepMind ، اللذين التقيا بالرئيس التنفيذي لشركة DeepMind Demis Habsburg في جامعة كامبريدج في التسعينيات.

“المشكلة الرئيسية في الأطروحة التي قدمتها” Enough Reward “ليست أنها خاطئة ، ولكنها لا يمكن أن تكون خاطئة ، وبالتالي تفشل في توفير المعيار الشهير لكارل بوبر قال باحث كبير في علوم الكمبيوتر في شركة تكنولوجيا أمريكية كبيرة أراد عدم الكشف عن هويته بسبب الطبيعة الحساسة للمناقشة ، “لأن جميع الفرضيات العلمية يمكن تزويرها”.

“نظرًا لأن Silver et al يتحدثون بشكل عام ، ولم يتم تحديد تصور المكافأة بشكل صحيح ، يمكنك دائمًا استخدام حالات Cherry Pick حيث تكون الفرضية صحيحة ، أو يمكن تغيير فكرة المكافأة بحيث يتم توفيرها” ، المصدر يقول. مضاف.

“على هذا النحو ، فإن القرار المؤسف هنا ليس أن هؤلاء الأعضاء البارزين في مجتمعنا البحثي كانوا مخطئين بأي شكل من الأشكال ، ولكن ما هو مكتوب تافه. ماذا تتعلم هذه المقالة ، في النهاية؟ هل هذه المقالة كافية؟”