يتساءل الخبراء عما إذا كان يمكن تحويل الذكاء الاصطناعي إلى إنسان

علماء الحاسوب Deep Mind ، The حروفنظرًا لكونها على نطاق واسع أحد مختبرات الذكاء الاصطناعي الرائدة في العالم ، فقد تمكنت الشركة البريطانية الشهيرة دائمًا من تطوير آلات ذات ذكاء “عام” موجود في البشر والحيوانات.

في بحثها عن الذكاء الاصطناعي ، الذي يشار إليه أحيانًا بالذكاء الاصطناعي على مستوى الإنسان ، يركز Deep Mind على جزء من جهوده في نهج يسمى “التعلم المعزز”.

إنه يبرمج الذكاء الاصطناعي لاتخاذ خطوات معينة لزيادة فرصة المكافأة في موقف معين. بمعنى آخر ، “تتعلم” الخوارزمية لإكمال مهمة من خلال البحث عن هذه المكافآت المخططة مسبقًا. تم استخدام هذه التقنية بنجاح لتدريب نماذج الذكاء الاصطناعي على كيفية لعب (وفهم أفضل) للألعاب مثل Go and Chess. لكنهم أغبياء نسبيًا أو “قصيرون”. لا يستطيع Albogo AI الشهير في Deep Mind رسم رجل عصا أو معرفة الفرق بين قطة وأرنب ، على سبيل المثال ، يمكن أن يكون عمره سبع سنوات.

على الرغم من ذلك ، فإن شركة Deep Mind ، التي استحوذت عليها Google مقابل 600 مليون دولار في عام 2014 ، تأمل في أن تنمو أنظمة الذكاء الاصطناعي القائمة على التعلم المعزز وتتعلم نظريًا ، مما يكسر الحاجز النظري أمام الذكاء الاصطناعي العام دون التقدم التكنولوجي الجديد.

جادل الباحثون في الشركة ، التي تنمو إلى حوالي 1000 شخص تحت ملكية ألفابت ورقة تم تقديمه الشهر الماضي إلى مجلة الذكاء الاصطناعي ، والتي تمت مراجعتها بشكل مشترك على أنها “مجزية بدرجة كافية” لتحقيق الذكاء الاصطناعي العام. كان هناك ورق أعلن عنها لأول مرة VentureBeat الاسبوع الماضى.

في الدراسة ، يقول الباحثون أنه في كل مرة تفعل شيئًا تحبه ، إذا كان هو جوهر التعلم المعزز ، فسوف تبدأ في إظهار علامات الذكاء العام.

يكتب المؤلفون أن “المكافأة كافية للتعبير عن المهارات المكتسبة في الذكاء الطبيعي والاصطناعي ، بما في ذلك المعرفة والتعلم والإدراك والذكاء الاجتماعي واللغة والتعميم والتقليد”.

“نقترح أن العملاء الذين يتعلمون من خلال تجربة التجربة والخطأ لزيادة المكافأة قد يتعلمون السلوكيات التي تعبر عن أكثر من هذه القدرات ، لذلك قد تكون عوامل التعلم المعززة القوية حلاً للذكاء العام الاصطناعي.”

ومع ذلك ، لا يشعر الجميع بالتفاؤل.

قال Samim Vinegar ، الباحث في مجال الذكاء الاصطناعي في برلين ، لشبكة CNBC إن وجهة نظر Deep Mind “المكافأة الكافية” هي “إلى حد ما موقف فلسفي هامشي ، وقد تم تفسيره بشكل خاطئ على أنه علم صعب”.

وقال إن الطريق إلى الذكاء الاصطناعي العام كان معقدًا وأن المجتمع العلمي كان على دراية بالتحديات العديدة والمجهولة التي من شأنها أن “تزرع التواضع بشكل صحيح” بين معظم الباحثين في هذا المجال وتمنعهم من الإدلاء “بتصريحات هائلة وديكتاتورية”. “RL هي الإجابة النهائية. كل ما تحتاجه هو مكافأة.”

وفقًا لـ Deep Mind CNBC ، فإن التعلم المعزز هو وراء بعض التطورات البحثية الأكثر شيوعًا ، حيث تغطي تقنية الذكاء الاصطناعي جزءًا صغيرًا فقط من البحث الشامل الذي تقوم به. تعتبر الشركة أنه من المهم فهم الأشياء على المستوى الأساسي ، ولهذا السبب تسعى وراء مجالات أخرى مثل “مؤشر الذكاء الاصطناعي” و “التدريب القائم على السكان”.

“في أسلوب Deep Mind التقليدي إلى حد ما ، اختاروا عبارات جريئة ، في أكثر الأساليب دقة ، تجذب الانتباه بأي ثمن ،” قال Vinegar. “إنها تشبه السياسة أكثر من العلم.”

قال ستيفن ميريتي ، الباحث المستقل في مجال الذكاء الاصطناعي ، لشبكة CNBC إن “هناك فرقًا بين النظرية والتطبيق”. وأشار إلى أن “طبقة واحدة من الديناميت ستكون كافية للحصول على القمر ، لكنها ليست عملية حقًا”.

في النهاية ، لا يوجد دليل يشير إلى أن التعلم المعزز سيؤدي دائمًا إلى الذكاء الاصطناعي العام.

قال Rodalbo Rosini ، مستثمر ورائد أعمال متخصص في مجال التكنولوجيا ، لشبكة CNBC: “لا أحد يعرف الحقيقة. المنتج الأساسي لـ Deep Mind هو العلاقات العامة باستمرار ، وليس الابتكار التكنولوجي أو المنتجات.”

باع رجل الأعمال William Dunstall-Pedo تطبيقه الشبيه بـ Siri إلى Evie أمازونقال الباحثون لشبكة CNBC ، على الرغم من صحة ذلك ، “هذا لا يعني أننا سنصل إلى هناك قريبًا ، إنها ليست أفضل وأسرع طريقة للوصول إلى هناك.”

شارك ريتشارد ساتون وديفيد سيلفر في تأليف مقال بعنوان Deep Mind’s Rewards Are Enough حيث التقيا مع الرئيس التنفيذي لشركة Deep Mind Demis Hasabis في جامعة كامبريدج في التسعينيات.

المشكلة الرئيسية في دراسة “المكافأة كافية” هي أنها ليست خطأ ، لكنها لا يمكن أن تكون خاطئة ، وبالتالي فهي لا ترضي المعيار الشعبي لكارل بوبر قال أحد كبار الباحثين في مجال الذكاء الاصطناعي في إحدى شركات التكنولوجيا الأمريكية الكبرى ، والذي أراد عدم الكشف عن هويته بسبب أهمية النقاش ، “كل الفرضيات العلمية خاطئة”.

وأضاف المصدر: “نظرًا لأن سيلفر وآخرون يتحدثون بشكل عام ولم يتم تحديد مفهوم المكافأة بوضوح شديد ، يمكنك دائمًا إجراء أحداث اختيار الكرز راضية افتراضيًا ، أو تغيير مفهوم المكافأة لتكون مرضية”.

“مثل هذا الحكم المؤسف لا يعني أن هؤلاء الأعضاء الرئيسيين في مجتمعنا البحثي قد أخطأوا بأي شكل من الأشكال ، لكن ما كتب هو تافه. ما الذي تم تعلمه من هذه الأطروحة ، في النهاية؟ هل هذا كافٍ؟”