آلة جديدة لقد أثبت نهج التعلم الذي يستلهم من الطريقة التي يبدو أن الدماغ البشري بتصميمها وتعلم عن العالم قادر على إتقان عدد من ألعاب الفيديو البسيطة بكفاءة رائعة.
يقدم النظام الجديد ، المسمى Axiom ، بديلاً عن الشبكات العصبية الاصطناعية المهيمنة في الذكاء الاصطناعي الحديث. تم تجهيز Axiom ، التي طورتها شركة برمجيات تسمى Verse AI ، بمعرفة مسبقة حول الطريقة التي تتفاعل بها الكائنات جسديًا مع بعضها البعض في عالم اللعبة. ثم يستخدم خوارزمية لنمذجة كيفية توقع أن تتصرف اللعبة استجابةً للإدخال ، والتي يتم تحديثها بناءً على ما يلاحظه – وهي عملية تسمى الاستدلال النشط.
يستلزم النهج مصدر إلهام من مبدأ الطاقة الحرة ، وهي نظرية تسعى إلى شرح الذكاء باستخدام مبادئ مستمدة من الرياضيات والفيزياء ونظرية المعلومات وكذلك علم الأحياء. تم تطوير مبدأ الطاقة الحرة من قبل كارل فريستون ، عالم الأعصاب المشهور الذي يشغل منصب كبير العلماء في آيات شركة “الحوسبة المعرفية”.
أخبرني فريستون عبر مقطع فيديو من منزله في لندن أن النهج قد يكون مهمًا بشكل خاص لبناء وكلاء الذكاء الاصطناعي. وقال “عليهم أن يدعموا نوع الإدراك الذي نراه في أدمغة حقيقية”. “يتطلب ذلك اعتبارًا ، ليس فقط من القدرة على تعلم الأشياء ولكن في الواقع لتتعلم كيف تتصرف في العالم.”
يتضمن النهج التقليدي لتعلم الألعاب تدريب الشبكات العصبية من خلال ما يُعرف باسم تعلم التعزيز العميق ، والذي يتضمن تجربة وتبديل معلماتها استجابةً للتعليقات الإيجابية أو السلبية. يمكن أن ينتج هذا النهج خوارزميات لعب اللعبة الخارقة للإنسانية ولكنه يتطلب الكثير من التجريب للعمل. يتقن Axiom العديد من الإصدارات المبسطة من ألعاب الفيديو الشهيرة التي تسمى Drive و Let و Hunt والقفز باستخدام أمثلة أقل بكثير وقوة حسابية أقل.
يقول François Chollet ، وهو باحث AI الذي طور ARC 3 ، وهو مؤشر مصمم لاختبار إمكانات خوارزميات AI الحديثة: “الأهداف العامة للنهج وبعض ميزاتها الرئيسية تتبع ما أراه هو أهم المشكلات التي يجب التركيز عليها للوصول إلى Agi”. يستكشف Chollet أيضًا أساليب جديدة للتعلم الآلي ، ويستخدم معياره لاختبار قدرات النماذج لمعرفة كيفية حل المشكلات غير المألوفة بدلاً من مجرد تقليد الأمثلة السابقة.
يقول: “العمل يذهلني على أنه أصلي للغاية ، وهو أمر رائع”. “نحتاج إلى المزيد من الأشخاص الذين يجربون أفكارًا جديدة بعيدًا عن المسار المثير للنماذج اللغوية الكبيرة ونماذج لغة التفكير.”
تعتمد الذكاء الاصطناعي الحديث على الشبكات العصبية الاصطناعية المستوحاة تقريبًا من أسلاك الدماغ ولكنها تعمل بطريقة مختلفة بشكل أساسي. على مدار العقد الماضي ، مكّن التعلم العميق ، وهو نهج يستخدم الشبكات العصبية ، أجهزة الكمبيوتر من القيام بجميع أنواع الأشياء المثيرة للإعجاب بما في ذلك نسخ الكلام والتعرف على الوجوه وإنشاء الصور. في الآونة الأخيرة ، بطبيعة الحال ، أدى التعلم العميق إلى نماذج اللغة الكبيرة التي تعمل على قمة الدردشة التي تعمل بشكل متزايد.
من الناحية النظرية ، تعد بديسيوم مقاربة أكثر كفاءة لبناء الذكاء الاصطناعي من الصفر. يقول جابي رينيه ، الرئيس التنفيذي للآيات ، إنه قد يكون فعالًا بشكل خاص لإنشاء وكلاء يحتاجون إلى التعلم بكفاءة من التجربة. تقول رينيه إن إحدى الشركات المالية قد بدأت في تجربة تكنولوجيا الشركة كوسيلة لنمذجة السوق. يقول رينيه: “إنها بنية جديدة لوكلاء الذكاء الاصطناعي يمكنهم التعلم في الوقت الفعلي وأكثر دقة وأكثر كفاءة وأصغر بكثير”. “تم تصميمها حرفيًا مثل الدماغ الرقمي.”
ومن المفارقات إلى حد ما ، بالنظر إلى أن Axiom يوفر بديلاً عن الذكاء الاصطناعى الحديث والتعلم العميق ، تأثر مبدأ الطاقة الحرة في الأصل بعمل عالم الكمبيوتر الكندي البريطاني جيفري هينتون ، الذي حصل على جائزة تورينج وجائزة نوبل لعمله الرائد في التعلم العميق. كان هينتون زميلًا لفريستون في جامعة كوليدج لندن لسنوات.
لمعرفة المزيد عن فريستون ومبدأ الطاقة الحرة ، أوصي بشدة بمقالة ميزة Wired 2018. أثر عمل فريستون أيضًا على نظرية وعي جديدة مثيرة ، موصوفة في كتاب تم استعراضه في عام 2021.
