ترکیب علوم اعصاب، روانشناسی و هوش مصنوعی مدلی بنیادی از تفکر انسان را به دست می دهد.

پیشرفت در هوش مصنوعی امکان ایجاد هوش مصنوعی را فراهم کرده است که وظایفی را که قبلاً فقط برای انسان ممکن بود انجام می دهند، مانند ترجمه زبان ها, رانندگی اتومبیل, بازی های رومیزی در سطح قهرمان جهان، و استخراج ساختار پروتئین ها. با این حال، هر یک از این هوش مصنوعی ها برای یک کار طراحی شده و به طور کامل آموزش داده شده است و توانایی یادگیری تنها آنچه برای آن کار خاص نیاز است را دارد.

هوش مصنوعی های اخیری که تولید می کنند متن روان، از جمله در گفتگو با انسان و ایجاد هنر چشمگیر و منحصر به فرد می تواند بدهد تصور نادرست از یک ذهن در حال کار. اما حتی اینها نیز سیستم های تخصصی هستند که وظایف تعریف شده محدودی را انجام می دهند و به آموزش های زیادی نیاز دارند.

هنوز هم یک چالش دلهره آور باقی مانده است که چندین هوش مصنوعی را با هم ترکیب کنیم که بتواند بسیاری از وظایف مختلف را بیاموزد و انجام دهد، بسیار کمتر به دنبال وسعت کامل وظایف انجام شده توسط انسان یا استفاده از طیف وسیعی از تجربیات موجود برای انسان است که در غیر این صورت مقدار داده های مورد نیاز را کاهش می دهد. یاد بگیرید که چگونه این وظایف را انجام دهید. بهترین هوش مصنوعی های فعلی در این زمینه مانند الفازرو و گاتو، می تواند کارهای مختلفی را انجام دهد که متناسب با یک قالب واحد است، مانند بازی کردن. هوش عمومی مصنوعی (AGI) که قادر به انجام وسعت وظایف است، گریزان باقی می ماند.

در نهایت، AGIs نیاز به توانایی با یکدیگر و افراد در محیط‌های فیزیکی مختلف و زمینه‌های اجتماعی تعامل مؤثر داشته باشند، انواع گسترده مهارت‌ها و دانش مورد نیاز برای انجام این کار را با هم ادغام کنند و به طور انعطاف‌پذیر و کارآمد از این تعاملات بیاموزند.

ساختن AGI به ساخت ذهن های مصنوعی خلاصه می شود، البته در مقایسه با ذهن انسان بسیار ساده شده است. و برای ساختن یک ذهن مصنوعی، باید با مدلی از شناخت شروع کنید.

از انسان تا هوش عمومی مصنوعی

انسان ها دارای مجموعه تقریباً نامحدودی از مهارت ها و دانش هستند و به سرعت اطلاعات جدید را بدون نیاز به مهندسی مجدد برای انجام آن یاد می گیرند. می توان تصور کرد که می توان یک AGI با استفاده از رویکردی ساخت که اساساً با هوش انسانی متفاوت است. با این حال، به عنوان سه طولانی مدت محققان in AI و علوم شناختی، رویکرد ما الهام گرفتن و بینش از ساختار ذهن انسان است. ما با تلاش برای درک بهتر ذهن انسان به سمت AGI کار می کنیم و با کار به سمت AGI ذهن انسان را بهتر درک می کنیم.

از تحقیقات در علوم اعصاب، علوم شناختی و روانشناسی، می دانیم که مغز انسان نه مجموعه عظیمی از نورون ها همگن است و نه مجموعه عظیمی از برنامه های ویژه وظایف که هر کدام یک مشکل را حل می کنند. در عوض، یک است مجموعه ای از مناطق با ویژگی های مختلف که از قابلیت‌های شناختی اساسی پشتیبانی می‌کنند که با هم ذهن انسان را تشکیل می‌دهند.

این قابلیت ها شامل ادراک و عمل است. حافظه کوتاه مدت برای آنچه در وضعیت فعلی مرتبط است. خاطرات بلند مدت برای مهارت ها، تجربه و دانش؛ استدلال و تصمیم گیری؛ احساسات و انگیزه؛ و یادگیری مهارت ها و دانش های جدید از طیف کاملی از آنچه که شخص درک می کند و تجربه می کند.

به جای تمرکز بر قابلیت های خاص به صورت مجزا، هوش مصنوعی پیشگام است آلن نیول در سال 1990 پیشنهاد توسعه نظریه های یکپارچه شناخت که تمام جنبه های اندیشه بشری را در بر می گیرد. محققان توانسته اند برنامه های نرم افزاری به نام بسازند معماری های شناختی که تجسم چنین نظریه هایی است و امکان آزمایش و اصلاح آنها را فراهم می کند.

معماری‌های شناختی در زمینه‌های علمی متعدد با دیدگاه‌های متمایز پایه‌گذاری شده‌اند. عصب‌شناسی بر سازمان‌دهی مغز انسان، روان‌شناسی شناختی بر رفتار انسان در آزمایش‌های کنترل‌شده و هوش مصنوعی بر قابلیت‌های مفید تمرکز دارد.

مدل رایج شناخت

ما در توسعه سه معماری شناختی مشارکت داشته ایم: ACT-R, اوج گرفتن، و سیگما. محققان دیگر نیز مشغول رویکردهای جایگزین بوده اند. یک کاغذ نزدیک به 50 معماری شناختی فعال را شناسایی کرد. این تکثیر معماری‌ها تا حدی بازتاب مستقیم دیدگاه‌های چندگانه درگیر، و تا حدی کاوش در طیف گسترده‌ای از راه‌حل‌های بالقوه است. با این حال، علت هر چه باشد، سؤالات ناخوشایندی را هم از نظر علمی و هم در رابطه با یافتن مسیری منسجم برای AGI ایجاد می کند.

خوشبختانه این گسترش این حوزه را به نقطه عطف بزرگی رسانده است. ما سه نفر همگرایی قابل توجهی را در بین معماری ها شناسایی کرده ایم که منعکس کننده ترکیبی از مطالعات عصبی، رفتاری و محاسباتی است. در پاسخ، ما شروع کردیم تلاشی در سطح جامعه برای به دست آوردن این همگرایی به روشی مشابه مدل استاندارد فیزیک ذرات که در نیمه دوم قرن بیستم ظهور کرد.

این مدل رایج شناخت تفکر انسان‌مانند را به چندین ماژول تقسیم می‌کند که یک ماژول حافظه کوتاه‌مدت در مرکز مدل قرار دارد. ماژول های دیگر (ادراک، عمل، مهارت ها و دانش) از طریق آن تعامل دارند.

یادگیری، به جای اینکه عمدی رخ دهد، به صورت خودکار به عنوان یک اثر جانبی پردازش اتفاق می افتد. به عبارت دیگر، شما تصمیم نمی گیرید که چه چیزی در حافظه بلند مدت ذخیره شود. در عوض، معماری بر اساس هر چیزی که در مورد آن فکر می کنید، آنچه را که یاد گرفته می شود، تعیین می کند. این می تواند باعث یادگیری حقایق جدیدی شود که در معرض آنها هستید یا مهارت های جدیدی که تلاش می کنید. همچنین می تواند حقایق و مهارت های موجود را اصلاح کند.

خود ماژول ها به صورت موازی کار می کنند. به عنوان مثال، به شما این امکان را می دهد که هنگام گوش دادن و نگاه کردن به اطراف، چیزی را به خاطر بسپارید. محاسبات هر ماژول بسیار موازی هستند، به این معنی که بسیاری از مراحل محاسباتی کوچک به طور همزمان اتفاق می‌افتند. به عنوان مثال، در بازیابی یک واقعیت مرتبط از مجموعه گسترده ای از تجربیات قبلی، ماژول حافظه بلند مدت می تواند ارتباط همه واقعیت های شناخته شده را به طور همزمان و در یک مرحله مشخص کند.

راهنمايي به سمت هوش عمومي مصنوعي

مدل مشترک بر اساس اجماع فعلی در تحقیقات در معماری های شناختی است و پتانسیل هدایت تحقیقات در مورد هوش عمومی طبیعی و مصنوعی را دارد. وقتی از مدل مشترک برای مدل‌سازی الگوهای ارتباطی در مغز استفاده می‌شود، نتایج دقیق‌تری نسبت به مدل‌های پیشرو در علوم اعصاب به دست می‌دهد. این توانایی خود را برای الگوبرداری از انسان گسترش می دهد- سیستمی که ثابت شده است که قادر به هوش عمومی است - فراتر از ملاحظات شناختی که شامل سازماندهی خود مغز می شود.

ما در حال مشاهده تلاش‌هایی برای مرتبط ساختن معماری‌های شناختی موجود با مدل مشترک و استفاده از آن به‌عنوان پایه‌ای برای کار جدید هستیم - به عنوان مثال، یک هوش مصنوعی تعاملی برای مربیگری مردم طراحی شده است به سمت رفتار بهداشتی بهتر یکی از ما درگیر توسعه یک هوش مصنوعی بر اساس Soar بود که دوبله شد روزی، که وظایف جدید را از طریق دستورالعمل هایی به زبان انگلیسی از معلمان انسانی یاد می گیرد. 60 پازل و بازی مختلف را یاد می گیرد و می تواند آموخته های خود را از یک بازی به بازی دیگر منتقل کند. همچنین یاد می گیرد که یک ربات متحرک را برای کارهایی مانند گرفتن و تحویل بسته ها و گشت زنی در ساختمان ها کنترل کند.

رزی تنها نمونه ای از نحوه ساخت یک هوش مصنوعی است که از طریق یک معماری شناختی به AGI نزدیک می شود که به خوبی توسط مدل مشترک مشخص می شود. در این حالت، هوش مصنوعی به طور خودکار مهارت‌ها و دانش‌های جدیدی را در طول استدلال کلی می‌آموزد که آموزش زبان طبیعی از انسان و حداقل تجربه را با هم ترکیب می‌کند – به عبارت دیگر، هوش مصنوعی که بیشتر شبیه ذهن انسان عمل می‌کند تا هوش مصنوعی امروزی که از طریق بی‌رحمی یاد می‌گیرد. نیروی محاسباتی و حجم عظیمی از داده ها.

از دیدگاه گسترده‌تر AGI، ما به مدل مشترک هم به عنوان راهنمای توسعه چنین معماری‌ها و هوش مصنوعی‌ها و هم به‌عنوان وسیله‌ای برای ادغام بینش‌های حاصل از آن تلاش‌ها در یک اجماع که در نهایت منجر به AGI می‌شود، نگاه می‌کنیم.

این مقاله از مجله منتشر شده است گفتگو تحت مجوز Creative Commons دفعات بازدید: مقاله.

تصویر های اعتباری: Shutterstock.com/wowowG