سیستم‌های هوش مصنوعی (AI) در برخی زمینه‌ها بسیار جلوتر از ما هستند؛ برای مثال، هوش مصنوعی در بازی Go یا جمع‌آوری مجموعه‌های عظیمی از داده‌ها بسیار بهتر از ما انسان‌ها عمل می‌کند. بااین‌حال در جنبه‌هایی دیگر، هوش مصنوعی هنوز به‌مقدار زیادی از انسان‌ها عقب‌تر است؛ حتی از یک کودک انسان چندماهه.

برای روشن‌تر شدن این مسئله به یک مثال اشاره می‌کنیم. ما می‌دانیم که حتی نوزادان کوچک هم به‌طور غریزی می‌دانند که وقتی جسمی برای مدت کوتاهی از پشت جسم دیگری عبور می‌کند، نباید به یک‌باره ناپدید شود؛ بلکه بایستی در جای دیگری پس از رد شدن از پشت جسم دوم، ظاهر شود. بچه‌های چندماهه با دیدن این اتفاق جادویی (و دور از انتظار حتی برای دنیای ذهنی نوزادانه‌ی آن‌ها)، واکنش‌های حاکی از تعجب از خود بروز می‌دهند.

اما فهم و دریافت همین قاعده‌ی ساده پیرامون تداوم حرکت اشیا، در کنار برخی قوانین فیزیکی اساسی دیگر، برای هوش مصنوعی چندان هم شهودی و بدیهی نبوده است. اکنون گروهی از دانشمندان در طی یک مطالعه‌ی جدید، نوعی هوش مصنوعی به نام PLATO را با الهام از تحقیقات انجام‌شده درمورد نحوه‌ی یادگیری نوزادان معرفی کرده‌اند.

PLATO مخفف عبارت Physics Learning through Auto-Encoding and Tracking Objects به‌معنی یادگیری فیزیک ازطریق رمزگذاری خودکار و ردیابی اشیا است. این هوش مصنوعی با اتکا به شماری ویدیوهای کدگذاری‌شده طراحی‌شده به‌منظور نشان دادن همان دانش اولیه‌ای که نوزادان در چند ماه اول زندگی خود دارند، آموزش داده شده است.

لوئیس پیلوتو، عصب‌شناس از آزمایشگاه تحقیقاتی هوش مصنوعی دیپ‌مایند در بریتانیا می‌گوید:

خوشبختانه روان‌شناسان رشد دهه‌های متمادی را صرف مطالعه‌ی دانسته‌های نوزادان درمورد دنیای فیزیکی و فهرست‌بندی مواد یا مفاهیم مختلفی که به درک فیزیکی وارد می‌شوند، اختصاص داده‌اند. ما با گسترش و بسط دادن کار آن‌ها، مجموعه‌ای متن باز از داده‌های مبتنی بر مفاهیم فیزیکی را ساختیم. این مجموعه‌ی داده‌های ویدئویی ترکیبی از آزمایش‌های اولیه توسعه به‌منظور ارزیابی مفاهیم فیزیکی در مدل‌های ما الهام گرفته است.

سه مفهوم کلیدی وجود دارد که همه‌ی ما از سنین پایین درکشان می‌کنیم:

  • ماندگاری: اشیا به‌طور ناگهانی ناپدید نمی‌شوند
  • سختی: اشیای جامد نمی‌توانند از یکدیگر عبور کنند
  • تداوم: اشیا به شکلی ثابت و منسجم در فضا و زمان حرکت می‌کنند

مجموعه داده‌های ساخته‌شده توسط محققان، این سه مفهوم به‌اضافه‌ی دو مفهوم دیگر را پوشش می‌دهد:

  • تغییرناپذیری: ویژگی‌های یک جسم از قبیل شکل آن تغییر نمی‌کند
  • اینرسی جهت: اشیا به شکلی حرکت می‌کنند که با اصول اینرسی سازگار باشد

این مفاهیم ازطریق ایجاد حرکت‌هایی از توپ‌هایی بیان شد که ابتدا به زمین می‌افتادند و سپس در پی جهش‌هایی از یکدیگر دور شده و درنهایت در پشت اشیا دیگر ناپدید شده و سپس دوباره ظاهر می‌شدند و... با تمرین دادن PLATO برای یادگیری این ویدئوها، مرحله‌ی بعدی کار دانشمندان، آزمایش آن بود.

هوش مصنوعی PLATO هنگام مواجه شدن با فیلم‌هایی از سناریوهای غیرممکن (و طبعاً درتضاد با مفاهیم فیزیکی که پیش‌تر آموخته بود) واکنش حاکی از تعجب از خود بروز می‌داد. از منظر عملکرد هوش مصنوعی این واکنش را می‌توانیم بدین صورت توضیح دهیم: سیستم ابداعی دانشمندان به‌اندازه‌ی کافی هوشمند بود که تشخیص  دهد اتفاق عجیبی در آنجا رخ داده وقوانین فیزیک به‌تعبیری زیر پا گذاشته شده‌اند.

واکنش‌های سیستم پس از دوره‌های آموزشی نسبتاً کوتاهی نیز رخ داد؛ آموزش‌هایی که در برخی موارد فقط ۲۸ ساعت طول کشیده بود. محققان از نظر فنی، درست مانند مطالعات نوزادان، به‌دنبال شواهدی از سیگنال‌های نقض  انتظار (VoE) بودند. آن‌ها می‌خواستند با اتکا به این سیگنال‌ها نشان دهند که هوش مصنوعی توانسته مفاهیم آموزش‌داده‌شده با خود را «درک» کند.

محققان در مقاله‌ی پژوهشی منتشرشده‌ی خود می نویسند:

مدل مبتنی بر شیء ما، اثرات VoE قدرتمندی را در تمام پنج مفهومی که مورد مطالعه قرار دادیم، نشان داد.

تیم  پژوهشی در ادامه آزمایش‌های بیشتری را انجام دادند و این بار از اشیایی متفاوت با موارد استفاده‌شده در داده‌های آموزشی استفاده کردند. PLATO یک بار دیگر، درک کاملی از آنچه که باید و آنچه که نباید اتفاق می‌افتاد نشان داد و ثابت کرد که می‌تواند دانش آموزشی پایه‌ی خود را بیاموزد و گسترش  دهد.

با همه‌ی اینها، PLATO هنوز در حد یک نوزاد سه‌ماهه‌ی انسان نیست. هوش مصنوعی در مواجهه با سناریوهایی که شامل هیچ شیئی نبودند، یا هنگام وجود تشابه میان مدل‌های آزمایش و آموزش، تعجب کمتری از خود بروز  می‌داد.

علاوه‌بر‌این باید در نظر داشته باشیم ویدئوهایی که PLATO  روی آن‌ها آموزش دیده بود دربرگیرنده‌ی داده‌های اضافی برای کمک به تشخیص اجسام و حرکت آن‌ها در سه بعد بود.

به نظر می‌رسد که هنوز هم برای دریافت تصویر کامل به نوعی دانش درونی نیاز  است. چنین نیازی یک بار دیگر ذهن دانشمندان را به همان چالش معروف «طبیعت درمقابل پرورش» که در زبان انگلیسی با تعبیر nature versus nurture از آن یاد می‌شود معطوف می‌سازد. این همان پدیده‌ای است که با تمام پیشرفت‌ها هنوز هم دانشمندان عرصه‌ی رشد را پیرامون نوزادان انسان به شگفتی وامی‌دارد. تحقیق اخیر می‌تواند ما درک بهتری از ذهن انسان پیش روی ما قرار دهد و از سویی بتواند به ما کمک کند تا تصویر هوش مصنوعی بهتری از آن بسازیم. محققان می‌نویسند:

کار مدل‌سازی ما ثابت‌کننده‌ی این مفهوم است که دست کم برخی از مفاهیم اصلی در فیزیک شهودی را می‌توان ازطریق یادگیری بصری کسب کرد.

اگرچه تحقیقات در برخی از گونه‌های زودرس نشان می‌دهد که برخی از مفاهیم اولیه فیزیکی می‌توانند از بدو تولد در ذهن وجود داشته باشند، داده‌ها نشان می‌دهند که در انسان‌ها دانش فیزیک شهودی در اوایل زندگی پدیدار می‌شود ولی می‌تواند تحت تأثیر تجربه‌ی بصری هم قرار گیرد.

منبع: sciencealert