06
اکتبر

یادگیری هوش مصنوعی از حیوانات (AI Learning From Animals)

پیش درآمد:  پیشرفت هوش مصنوعی تا حدی که مانند انسان فکر کند ، هنوز تنها محصول داستان های علمی است. در زندگی واقعی ، پیچیدگی توانایی انسان هنوز فراتر از درک نوآوری تکنولوژیکی ما است. اما محققان در حال بررسی این موضوع هستند که چگونه هوش مصنوعی می تواند بیاموزد – نه کاملاً همانطور که انسان ها انجام می دهند ، ولی همانطور که حیوانات می آموزند.

معمولا، AI  ثابت می کند که در انجام اموری که اهداف آن بر روی یک کار متمرکز بسیار موفق است ، مانند بازی کردن یک بازی با قواعد کاملا مشخص است. و در تلاش است تا سیستمی را تنظیم کند تا از پیچیدگی بیشتری برخوردار باشد که برای هوش مصنوعی زیرکانه تر است. برخی محققان معتقدند مطالعه نحوه یادگیری حیوانات می تواند راه را برای تسلط بیشتر بر وظایف برای هوش مصنوعی باز کند .

قدردانی از توانایی های شناختی نشان داده شده توسط حیوانات ، انگیزه المپیک حیوانات-هوش مصنوعی است . همانطور که معرفی  آن شرح داده شده است ، “به جای ارائه مشکل برای حل ، ما عرصه ای را فراهم خواهیم کرد که در آن بتوانیم ورودی شما را برای بسیاری از توانایی های ساده شناختی با استفاده از روش هایی از رفتار های شناخت حیوانات آزمایش کنیم.” 

چگونه پرندگان از مغز خود استفاده می کنند

به طور کلی “پرنده مغزی”(اشاره به کودن بودن) توهین به شخصی است که کمبود هوش نشان داده است. اما در حقیقت پرندگان برای درک چگونگی حل مسائلی مانند دسترسی به مواد غذایی که دور از دسترسشان است ، از مغز خود بسیار مؤثر استفاده می کنند.

بر خلاف باور عموم مردم ، پرندگان می توانند کاملاً باهوش باشند.

چالش جمع آوری ذرات مواد غذایی با ریختن سنگریزه ها در آب توسط یکی از افسانه های Eesop تحت عنوان “کلاغ و پارچ” الهام گرفته شده است .  پند اخلاقی داستان این است: “برای یک استفاده دقیق از وسایل عقل ما کمک می کند.” نمونه های دیگری از پرندگان وجود دارد که تفکر برتر را نشان می دهند ، چنان که این یافته ها استدلال می کند که باید در استفاده از عبارت”مغز پرنده” دوباره تجدید نظر کنیم.

داستان های در مورد هوش مصنوعی می توانند بسیار زیاد باشند ، بنابراین ما پنج مورد از بزرگترین آنها را برداشتیم و آنها را از هم جدا کردیم تا به شما در درک حقیقت در مورد منظره هوش مصنوعی امروز کمک کنند.

  • معیار هوش مصنوعی فعلی در برابر گونه های مختلف حیوانات با استفاده از طیف وسیعی از وظایف شناختی حیوانات تنظیم شده است.

  • آزمونهای موجود در جهت شناسایی تواناییهای شناختی سیستمهای هوش مصنوعی .

  • تعیین کنید که رویکردهای هوش مصنوعی برای این نوع کارها بسیار امیدوار کننده هستند.

  • یک معیار و مخزن داده عملکردی برای شناخت مصنوعی ایجاد کنید.

  • مشخص کنید که کدام جنبه های هوش برای هوش مصنوعی فعلی چالش برانگیز است و هوش مصنوعی قبلاً در کدام موارد بهتر عمل کرده است.

  • آزمایش های جدیدی ایجاد کنید تا بتوانید به جامعه شناخت حیوانات بازگردید که بعداً با حیوانات آزمایش می شوند.

  • دو نحوه کار مختلف را با هم انجام دهید  تا بتوتنید روش ها و پیشرفت ها را به اشتراک بگذارید.

تست 1 ، 2 ، 3

این آزمایشات ، متیو کراسبی ، محقق بعد از دکترا در مرکز لورهولم ، در وبلاگ خود توضیح داد ، مرکز سه صفت است که همگی می توانند “ترجمه به سیستمهای مدرن یادگیری ماشینی ” باشند.

  1. چشم انداز (امکان دیدن محیط اطراف آنها)

  2. پیمایش (توانایی حرکت – با هر فرمی که می توان انجام داد)

  3. بازیابی مواد غذایی (این حیوانات برای بازیابی مواد غذایی هنگام گرسنگی از پاداش برخوردار می شوند)

کراسبی در مصاحبه با IEE Spectrum توضیح داد که ، همانطور که در تحقیقات نشان داده شده است ، حیوانات اغلب می توانند تشخیص دهند که برای رسیدن به غذا چه کارهایی باید انجام دهند. سؤال این است: آیا آنها شرایط را به كار گرفتند تا راه حل را بیابند ، یا فقط آنچه را كه به یاد می آورند ، انجام می دهند ، اساساً “فقط الگویی را كه از طریق آزمایش و خطا آموخته است ، تكرار می كنند”؟ (تفاوت بین “درک [و] حفظ حافظه واقعی)”.

با مراجعه به راه حل کلاغ برای رسیدن به غذا ، کاملاً مشخص نیست که کلاغ چگونه به راه حل خود می رسد. آیا ممکن است پویایی جابجایی در آب شاهدی بر این تئوری باشد؟ یا آیا از تجربه شخصی خود به سادگی یاد گرفته است که سنگریزه ها سطح آب را بالا می برند؟

یک مثال ساده دیگر فهمیدن چگونگی حمل چوب است که از عرض دهانه خانه طویل تر است ، که آن را با یک سگ آزمایش می کنند  و سپس تنها حالتی را که می تواند چوب را از محیط باز در خارج کند را پیدا کند.

کراسبی در وبلاگ خود گفت: “در هر حالت ، ایده هایی تهیه شده است که نشان می دهد چگونه مغز حیوانات درک ، تفسیر و دلایل جهان را می فهمد .”

این آزمایشات شامل 100 تست از 10 دسته مختلف است. در حالی که ماهیت دقیق آزمایش ها مخفی نگه داشته می شود ، آنها شامل درک پایداری شی و مهارت های مکانی می شوند

شکست یک گزینه است

البته ، حتی عدم موفقیت عوامل هنوز هم می تواند موفقیتی در کشف داشته باشد. همانطور که کراسبی به Technology Review گفت ، “آنچه که ما واقعاً علاقه مندیم این است که چگونه ترجمه بین انواع مختلفی از هوش را کشف کنیم.” اگر آزمایش ها نشان می دهد که “این ترجمه نمی تواند باشد ،باز هم یک موفقیت به حساب می آید.