فيديو: بنتنا يا بنتنا (سبتمبر 2024)
في ورشة عمل حول الذكاء الاصطناعى ومستقبل العمل في وقت سابق من هذا الشهر ، تحدث يان لوكون ، مدير أبحاث الذكاء الاصطناعى في Facebook والمدير المؤسس لمركز جامعة نيويورك لعلوم البيانات ، عن "القوة وحدود التعلم العميق". كان LeCun ، الذي كان رائدًا في الشبكات العصبية التلافيفية التي تقع في قلب العديد من التطورات الحديثة في الذكاء الاصطناعى ، متحمسًا للتقدم الذي أحرزه المجال في السنوات الأخيرة وواقعيًا حول ما يمكن أن تفعله هذه الأنظمة وما لا يمكنها فعله.
وقال لوكون إن هناك موجات متعددة من الذكاء الاصطناعي ، وأشار إلى أنه بينما ركزت الموجة الحالية على التعلم العميق ، فإن ما سيحدث هو "الإدراك" ، مع أكبر الأمثلة على ذلك هي التطبيقات مثل التصوير الطبي والسيارات ذاتية القيادة. تستخدم جميع هذه التطبيقات تقريبًا تعلمًا خاضعًا للإشراف وتستخدم معظمها شبكات عصبية تلافيفية ، والتي وصفها LeCun لأول مرة في عام 1989 والتي تم نشرها لأول مرة في التعرف على الشخصية في أجهزة الصراف الآلي عام 1995. وقال LeCun إن براءة اختراع هذه الشبكات انتهت في عام 2007.
إنها مجموعات البيانات الكبيرة ذات الأحجام الكبيرة للعينات بالإضافة إلى الزيادات الهائلة في قوة الحوسبة (بمساعدة عمل جيفري هينتون في معرفة كيفية استخدام وحدات معالجة الرسومات للتعرف على الصور) والتي أدت إلى أكبر تغيير في السنوات الأخيرة. حتى بالنسبة لـ LeCun ، فإن التقدم في التعرف على الصور "لم يكن أقل من مذهل". على الرغم من أن التصور "ينجح فعليًا" ، إلا أن ما نفتقده هو التفكير.
تحدث LeCun عن ثلاثة أنواع مختلفة من الأساليب ، والقيود المفروضة على كل منها. التعلم التعزيز يتطلب عددا كبيرا من العينات. إنه أمر رائع بالنسبة للألعاب ، حيث يمكن للنظام إجراء ملايين التجارب وتحسينها ، ولكن من الصعب استخدامها في العالم الحقيقي ، حيث لا ترغب في قيادة سيارة من على جرف 50 مليون مرة ، على سبيل المثال ، و الوقت الحقيقي هو عامل في العالم الحقيقي.
يتطلب التعلم الخاضع للإشراف ، والذي هو أكثر ما نراه الآن ، مقدارًا متوسطًا من الملاحظات ، ويعمل بشكل جيد. ومع ذلك ، التعلم الآلي تحت إشراف لديه بعض القضايا. قال LeCun أن مثل هذه الأنظمة تعكس التحيزات في البيانات ، رغم أنه قال إنه متفائل يمكن التغلب على هذه المشكلة ، ويعتقد أنه من الأسهل إزالة التحيزات من الأجهزة مقارنة بالأشخاص. ولكن من الصعب أيضًا التحقق من هذه الأنظمة من حيث الموثوقية ويصعب شرح القرارات المتخذة بناءً على مخرجات هذه الأنظمة ، وتحدثت LeCun عن طلبات القروض كمثال على ذلك.
يتطلب التعلم غير الخاضع للرقابة أو التنبؤية ، والذي يتم بحثه حاليًا عن أشياء مثل توقع الإطارات المستقبلية في مقطع فيديو ، الكثير من الملاحظات. يتضمن التعلم غير الخاضع للرقابة التنبؤ بالماضي أو الحاضر أو المستقبل من أي معلومات متاحة ، أو بمعنى آخر ، القدرة على ملء الفراغات ، والتي قال ليكون إنها فعلياً ما نسميه المنطق السليم. وأشار إلى أن الأطفال يمكنهم القيام بذلك ، ولكن الحصول على آلات للقيام بذلك كان أمرًا صعبًا للغاية ، وتحدث عن كيفية عمل الباحثين على تقنيات مثل شبكات الخصومة التوليدية (GANs) للتنبؤات التي يتم إجراؤها في ظروف غير مؤكدة. وقال: نحن بعيدون عن الحل الكامل.
تحدث LeCun عن الأنواع الثلاثة للتعلم باعتبارها مثل أجزاء من الكعكة: التعلم التعزيز هو الكرز في المقدمة ، والتعلم الخاضع للإشراف على الجليد ، والتعلم التنبئي هو الجزء الرئيسي من الكعكة.
توقع LeCun أن تغير الذكاء الاصطناعي كيفية تقييم الأشياء ، حيث تكلف السلع التي تصنعها الروبوتات تكلفة أقل وتجارب إنسانية أصيلة تكلف أكثر ، وقالت إن هذا قد يعني أن هناك "مستقبل مشرق للموسيقيين والفنانين في موسيقى الجاز".
بشكل عام ، قال LeCun إن AI هي تقنية للأغراض العامة (GPT) مثل محرك البخار أو الكهرباء أو الكمبيوتر. على هذا النحو ، سيؤثر ذلك على العديد من مجالات الاقتصاد ، لكنه سوف يستغرق 10 أو 20 عامًا قبل أن نرى تأثيرًا على الإنتاجية. وقال لوكون إن الذكاء الاصطناعى سيؤدي إلى استبدال الوظيفة ، لكنه أشار إلى أن نشر التكنولوجيا محدود بسبب السرعة التي يمكن للعاملين تدريبها من أجلها.
بالنسبة لـ "ثورة منظمة العفو الدولية الحقيقية" ، قال ليكون إن هذا لن يحدث حتى تكتسب الآلات الحس السليم ، وقد يستغرق تحديد مبادئ بناء ذلك عامين أو خمسة أو عشرين عامًا أو أكثر ؛ بعد ذلك ، سيستغرق الأمر سنوات لتطوير تقنية AI العملية القائمة على تلك المبادئ. بعد كل شيء ، أشار إلى أن الأمر استغرق عشرين عامًا حتى تصبح الشبكات الملتوية مهمة. وهذا كله يعتمد على افتراض أن المبادئ بسيطة ؛ يصبح أكثر تعقيدًا بكثير إذا كانت "المخابرات عبارة عن kludge".
