3 قدرات أساسية مفقودة من الذكاء الاصطناعي
ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.
على مدار العقد الماضي ، قطع التعلم العميق شوطًا طويلاً ، حيث نما من مجال واعد لأبحاث الذكاء الاصطناعي (AI) إلى دعامة أساسية للعديد من التطبيقات. ومع ذلك ، على الرغم من التقدم في التعلم العميق ، فإن بعض مشاكله لم تختف. من بينها ثلاث قدرات أساسية: فهم المفاهيم ، وتشكيل التجريدات وإجراء المقارنات ، وفقًا لميلاني ميتشل ، الأستاذة في معهد سانتا في ومؤلفة كتاب "الذكاء الاصطناعي: دليل لتفكير البشر".
في ندوة عقدت مؤخرًا في معهد الأبحاث المتقدمة في الذكاء الاصطناعي ، أوضح ميتشل سبب كون التجريد والقياس مفتاحين لإنشاء أنظمة ذكاء اصطناعي قوية. في حين أن فكرة التجريد كانت موجودة منذ صياغة مصطلح "الذكاء الاصطناعي" في عام 1955 ، ظل هذا المجال غير مدروس إلى حد كبير ، كما يقول ميتشل.
نظرًا لأن مجتمع الذكاء الاصطناعي يولي أهمية متزايدة وموارد للنهج القائمة على البيانات والتعلم العميق ، يحذر ميتشل من أن ما يبدو أنه أداء شبيه بالبشر بواسطة شبكات من الخلايا العصبية هو في الواقع تقليد سطحي يفتقد المفتاح مكونات الذكاء. من المفاهيم إلى المقارنات
"هناك العديد من التعريفات المختلفة لـ" المفهوم "في أدبيات العلوم المعرفية ، لكني أحب بشكل خاص مقولة لورانس بارسالو: المفهوم هو" مهارة أو نزعة لتوليد تصورات لا نهائية لفئة "" ميتشل قال لـ VentureBeat. .
حدثMetaBeat 2022
ستجمع MetaBeat قادة الفكر لتقديم المشورة بشأن الطريقة التي ستغير بها التكنولوجيا metaverse الطريقة التي تتواصل بها جميع الصناعات وتؤدي أعمالها في 4 أكتوبر في سان فرانسيسكو ، كاليفورنيا. سجل هنا
على سبيل المثال ، عندما نفكر في فئة مثل "الأشجار" ، يمكننا التفكير في جميع أنواع الأشجار المختلفة ، الواقعية والخيالية ، الواقعية أو الكرتونية ، الملموسة أو المجازية. يمكننا التفكير في الأشجار الطبيعية وأشجار الأنساب أو الأشجار التنظيمية.
"هناك بعض التشابه الأساسي - أطلق عليها اسم" شجرة "- بين كل هؤلاء" ، قال ميتشل. "المفهوم أساسًا هو نموذج عقلي توليدي هو جزء من شبكة كبيرة من المفاهيم الأخرى."
بينما يشير العلماء وباحثو الذكاء الاصطناعي غالبًا إلى الشبكات العصبية كمفاهيم تعليمية ، فإن الاختلاف الرئيسي الذي يشير إليه ميتشل هو ما تعلمته هياكل الكمبيوتر هذه. بينما يقوم البشر بإنشاء نماذج "توليد" يمكنها تشكيل التجريدات واستخدامها بطرق جديدة ، فإن أنظمة التعلم العميق هي نماذج "تمييزية" يمكنها فقط تعلم الفروق السطحية بين الفئات المختلفة.
على سبيل المثال ، سيتمكن نموذج التعلم العميق المدرب على العديد من صور الجسور المصنفة من اكتشاف جسور جديدة ، ولكنه لن يكون قادرًا على فحص العناصر الأخرى بناءً على نفس المفهوم ، مثل السجل الذي يربط بين ضفتي نهر أو النمل يشكل جسرا لسد الفراغ ، أو المفاهيم المجردة لـ "الجسر" ، مثل سد الفجوة الاجتماعية.
تحتوي النماذج المميزة على فئات محددة مسبقًا يمكن للنظام الاختيار من بينها: على سبيل المثال ، هل الصورة تمثل كلبًا أم قطة أم ذئبًا؟ بدلاً من ذلك ، لتطبيق معرفته بمرونة على وضع جديد ، أوضح ميتشل.
"عليك إنشاء تشبيه - على سبيل المثال ، إذا كنت أعرف شيئًا عن الأشجار ، ورأيت صورة لرئة بشرية ، بكل بنيتها المتفرعة ، لا أصنفها على أنها شجرة ، لكنني أدرك أوجه التشابه على مستوى مجرد - آخذ ما أعرفه وأرسمه إلى وضع جديد ".
ما سبب أهمية ذلك؟ العالم الحقيقي مليء بمواقف لم يسبق لها مثيل. من المهم أن نتعلم من ...
ألا تستطيع حضور Transform 2022؟ تحقق من جميع جلسات القمة في مكتبتنا عند الطلب الآن! انظر هنا.
على مدار العقد الماضي ، قطع التعلم العميق شوطًا طويلاً ، حيث نما من مجال واعد لأبحاث الذكاء الاصطناعي (AI) إلى دعامة أساسية للعديد من التطبيقات. ومع ذلك ، على الرغم من التقدم في التعلم العميق ، فإن بعض مشاكله لم تختف. من بينها ثلاث قدرات أساسية: فهم المفاهيم ، وتشكيل التجريدات وإجراء المقارنات ، وفقًا لميلاني ميتشل ، الأستاذة في معهد سانتا في ومؤلفة كتاب "الذكاء الاصطناعي: دليل لتفكير البشر".
في ندوة عقدت مؤخرًا في معهد الأبحاث المتقدمة في الذكاء الاصطناعي ، أوضح ميتشل سبب كون التجريد والقياس مفتاحين لإنشاء أنظمة ذكاء اصطناعي قوية. في حين أن فكرة التجريد كانت موجودة منذ صياغة مصطلح "الذكاء الاصطناعي" في عام 1955 ، ظل هذا المجال غير مدروس إلى حد كبير ، كما يقول ميتشل.
نظرًا لأن مجتمع الذكاء الاصطناعي يولي أهمية متزايدة وموارد للنهج القائمة على البيانات والتعلم العميق ، يحذر ميتشل من أن ما يبدو أنه أداء شبيه بالبشر بواسطة شبكات من الخلايا العصبية هو في الواقع تقليد سطحي يفتقد المفتاح مكونات الذكاء. من المفاهيم إلى المقارنات
"هناك العديد من التعريفات المختلفة لـ" المفهوم "في أدبيات العلوم المعرفية ، لكني أحب بشكل خاص مقولة لورانس بارسالو: المفهوم هو" مهارة أو نزعة لتوليد تصورات لا نهائية لفئة "" ميتشل قال لـ VentureBeat. .
حدثMetaBeat 2022
ستجمع MetaBeat قادة الفكر لتقديم المشورة بشأن الطريقة التي ستغير بها التكنولوجيا metaverse الطريقة التي تتواصل بها جميع الصناعات وتؤدي أعمالها في 4 أكتوبر في سان فرانسيسكو ، كاليفورنيا. سجل هنا
على سبيل المثال ، عندما نفكر في فئة مثل "الأشجار" ، يمكننا التفكير في جميع أنواع الأشجار المختلفة ، الواقعية والخيالية ، الواقعية أو الكرتونية ، الملموسة أو المجازية. يمكننا التفكير في الأشجار الطبيعية وأشجار الأنساب أو الأشجار التنظيمية.
"هناك بعض التشابه الأساسي - أطلق عليها اسم" شجرة "- بين كل هؤلاء" ، قال ميتشل. "المفهوم أساسًا هو نموذج عقلي توليدي هو جزء من شبكة كبيرة من المفاهيم الأخرى."
بينما يشير العلماء وباحثو الذكاء الاصطناعي غالبًا إلى الشبكات العصبية كمفاهيم تعليمية ، فإن الاختلاف الرئيسي الذي يشير إليه ميتشل هو ما تعلمته هياكل الكمبيوتر هذه. بينما يقوم البشر بإنشاء نماذج "توليد" يمكنها تشكيل التجريدات واستخدامها بطرق جديدة ، فإن أنظمة التعلم العميق هي نماذج "تمييزية" يمكنها فقط تعلم الفروق السطحية بين الفئات المختلفة.
على سبيل المثال ، سيتمكن نموذج التعلم العميق المدرب على العديد من صور الجسور المصنفة من اكتشاف جسور جديدة ، ولكنه لن يكون قادرًا على فحص العناصر الأخرى بناءً على نفس المفهوم ، مثل السجل الذي يربط بين ضفتي نهر أو النمل يشكل جسرا لسد الفراغ ، أو المفاهيم المجردة لـ "الجسر" ، مثل سد الفجوة الاجتماعية.
تحتوي النماذج المميزة على فئات محددة مسبقًا يمكن للنظام الاختيار من بينها: على سبيل المثال ، هل الصورة تمثل كلبًا أم قطة أم ذئبًا؟ بدلاً من ذلك ، لتطبيق معرفته بمرونة على وضع جديد ، أوضح ميتشل.
"عليك إنشاء تشبيه - على سبيل المثال ، إذا كنت أعرف شيئًا عن الأشجار ، ورأيت صورة لرئة بشرية ، بكل بنيتها المتفرعة ، لا أصنفها على أنها شجرة ، لكنني أدرك أوجه التشابه على مستوى مجرد - آخذ ما أعرفه وأرسمه إلى وضع جديد ".
ما سبب أهمية ذلك؟ العالم الحقيقي مليء بمواقف لم يسبق لها مثيل. من المهم أن نتعلم من ...
What's Your Reaction?
