loading...

خرید و فروش 24

بازدید : 88
سه شنبه 12 اسفند 1398 زمان : 19:52

کنت استنلی، دانشمند علوم کامپیوتر دانشگاه فلوریدای مرکزی، درون سال ۲۰۰۷ روی سایتی به نام Picbreeder امر می‌کرد که همراه با دانشجویان خود برای پژوهشی موردی طراحی کرده بود؛ اما دیدن شان فرازمینی که به خودرویی فتنه‌‌‌ای تبدیل شده بود، خوش نویسی زندگی استنلی را تغییر داد.

کاربران تو سایت Picbreeder، آرایه‌‌‌ای از ۱۵ تصویر مشابه را می‌بینند که از لباس‌های هندسی و الگوهای پیچان تشکیل شده اند. تمام تصاویر نمونه‌های متغیری از یک زمینه هستند. گاهی اوقات فدایی شکل‌ها مشابه شکل‌های واقعی مثل پروانه یا چهره به دید می‌رسند. استنلی از کاربرها امید روی اشکالی که برایشان جذاب است، کلیک کنند. پس از این کار، کلکسیون‌‌‌ای جدید از تصاویر براساس گزینش آن‌ها فاش شدند. نتیجه‌ی بازپسین این بررسی، کاتالوگی از تصاویر وهمی‌بود.

عنصر حجر بنا، روشی برای تزریق خلاقیت به هوش قلابی است

استنلی در یکی از زمینه‌های هوش مصنوعی به نام تکامل عصبی، پیشتاز است. در این حوزه از طرز‌های تکامل بیولوژیکی بخاطر طراحی الگوریتم‌های هوشمند مصرف می‌شود. هر کدام از تصاویر سایت Picbreeder خروجی سیستمی‌محاسباتی مشابهشبکه‌ی عصبی هستند. وقتی تصویری باریک می‌شود، شبکه‌ی زیرساخت آن به ۱۵ شکل متنوع تحول هویدا می‌کند که مولود‌ی هر کدام، تصویری جدید است. هدف استنلی از ساخت Picbreeder تولید تصویر مشخصی نبود. تنها هدف او آموزش نکات متاخر درباره‌ی تکامل و فهم مصنوعی بوسیله کاربران سایت وجود.مقاله‌های مرتبط:تأثیر فهمیدن مصنوعی کنار تغییر پژوهش‌های علمی‌ابا ناپذیر استیادگیری عمیق چگونه صنعت رسانه را متحول می‌کند؟

یکروز استنلی در میان تصاویر، چهره‌‌‌ای شبیه پایگاه فضایی را دید و نخست به تکامل آن کرد. به طور اتفاقی، چشم‌های گرد بوسیله سمت پائین لول کردند و شبیه چرخ‌های یک خودرو شدند. استنلی به کار خود ادامه عدالت و یک خودروی اسپرت زیبا تاسیس. این روانی اندیشه او را مبتلا کرد و از خود پرسید اگر از همان ابتدا بوسیله جای تصویر موجود فضایی، برای پیدایش شمایل خودرو مجاهدت می‌کرد شاید هرگز به نتیجه می‌رسید. این اتفاق یک پیام برای او داشت: چرا باید مسائل را به عارض مستقیم حل کرد. بوسیله این ترتیب بوسیله سراغ تصاویر جالب دیگری رفت که داخل Picbreeder مشهود شده بودند، خطوط آن‌ها را دنبال کرد و مخبر شد تمام تصاویر از شکلی کاملا متفاوت بوسیله تکامل رسیده اند.

درک استنلی به نخست‌ی عنصر سنگ بنا برای مدل سازی الگوریتم‌ها دگرگونی شد. الگوریتم‌هایی که پتانسیل خلاقیت بی نهایت تکامل زیستی را دربرمی‌گیرند. الگوریتم‌های تکاملی، موضوع جدیدی نیستند. همیشه از این الگوریتم‌ها بخاطر حل مسائلی مشخص استفاده شده است. در هر نسل، براساس معیارهایی مشخص، راه حل‌هایی با بهترین عملکرد انتخاب شدند (برای مثال توانایی کنترل یک ربات دو پایی) و محصولی را تولید کرده اند. الگوریتم‌های تکاملی با حیات موفقیت تو چندی نمونه‌ها، از نظر محاسباتی می‌توانند بسیار سنگین نم از روش‌هایی مانندیادگیری عمیق باشند که در سال‌های اخیر به محبوبیت زیادی گویا است.

عنصر سنگ بنا، فراتر از راه‌های سنتی تکاملی عمل می‌نرم. برای شهید بوسیله جای بهینه سازی برای هدفی مشخص، جستجوی خلاق طولانی نحو محلول‌های ممکن را در نظر می‌گیرد. این روش به نتایج بی سابقه‌‌‌ای مشت یافته است. در سال گذشته، سیستمی‌براساس اصل سنگ بنا موفق شد تو دو بازی ویدئویی به تسلط برسد. داخل این ورزش‌ها از اسلوب‌های محبوب و رایج یادگیری سامان استفاده شده بود. از طرفی، شرکت DeepMind که تو شالوده‌ی درک قدر یا بهای چیزی جعلی و استفاده تحصیل عمیق برای حل مسائلی مثل بازی Go مهارت دارد، موفق به ترکیب تحصیل ژرف با تکامل مجموعه‌‌‌ای از نحو حل‌های متنوع شد.از تکامل زیستی می‌توان برای توسعه‌ی هوش مصنوعی نزدیک به آدم استفاده کرد

پتانسیل اصل سنگ بنا در مقایسه با تکامل زیستی آشکار می‌شود. درون طبیعت، درخت زندگی هیچ شعار جامعی ندارد و استعداد‌هایی که برای یک اجرا یا فرایند خاص داخل نظر محزون می‌شوند مقدور است تو فرایندی کاملا متفاوت هم نقش داشته باشند. بخاطر مثال، پرها به عنوان مانع به تکامل رسیدند اما بعدها به وسیله ‌‌‌ای برای پرواز هم تحول شدند.

تکامل بیولوژیکی، عزب سیستم موجود برای تولید فهمیدن انسانی و رویای نهایی بسیاری از پژوهشگران شعور تقلبی است. استنلی و دیگر پژوهشگران این حوزه، معتقدند براساس سوابق زیستی برای ساختالگوریتمیکه بتواند دنیای مدنی و فیزیکی را به آسانی کنترل کند، باید از صنع تقلید کرد. به جای کدنویسی ابدار (روشی برای توسعه‌ی یواش ادوات) قوانین استنتاج یا کامپیوترهایی که براساس معیارهای عملکردی قادر به درجه بندی باشند، باید از کلکسیون‌ی وضع حل‌ها کاربرد کرد. باید ویژگی‌هایی مانند نوآوری و جذابیت را به جای اقتدار‌های متد عدول کردن یا صحبت کردن تو رجحان صبر انصاف. درنتیجه می‌توان بوسیله مسیری غیرمستقیم و مجموعه‌‌‌ای از سنگ بناها مشت یافت و از آن‌ها بخاطر بهبود راه رفتن یا مصاحبت هم استعمال کرد که شاید از روش‌های مستقیم امکان پذیر نباشند.

چهره‌ی موجودی فضایی که تو Picbreeder مصنوع شده است (جانب چپ) پس از تکامل، به خودروی مسابقه‌‌‌ای سمت حق تبدیل شد جدید، جذاب، متنوع

استنلی پس از تجربه‌ی Picbreeder برای تایید تکامل عصبی، در سطح گسترده‌‌‌ای مجاهدت کرد. او می‌گوید:نقشه کشی الگوریتمی‌که نتوان میزان خلاقیت آن را پیش بینی کرد، از دیدگاه پژوهشی جذاب است اما معامله تجاری آن کار محظور است.

استنلی امیدوار است با استفاده از ایده‌های تکامل عصبی، الگوریتم‌ها نه تنها بتوانند انواع نتایج را تولید کنند بلکه قادر به محلول مسائل حزن باشند. استنلی می‌خواهد ثابت کند گاهی بی سابقه دریافت هدف بیشتر از دنبال کردن آن، ما را بوسیله هدف نزدیک می‌کند. او این کار را از طریق روشی بوسیله نام جستجوی نوآورانه (novelty search) انجام می‌دهد.

درون جستجوی نوآورانه، سیستمی‌با شبکه‌‌‌ای عصبی راه اندازی می‌شود که ترکیبی از عناصر محاسباتی کوچک به نام نورون‌های متصل در لایه‌ها است. خروجی یک لایه از نورون‌ها از طریق اتصال‌هایی با حد‌های متنوع بوسیله لایه‌ی بعدی منتقل می‌شود. در میزان‌‌‌ای ساده، داده‌های ورودی از یکسره تصاویر می‌توانند بوسیله شبکه‌های عصبی ملتفت شوند. با عبور اطلاعات تمثال از لایه‌‌‌ای به لایه‌‌‌ای دیگر، شبکه به استخراج داده‌ها انتزاعی درباره‌ی محتوای خود می‌پردازد. در نهایت، لایه ‌ی نهایی به لحاظ ‌ی سطح بالاترین اطلاعات می‌پردازد: برچسبی برای تصویر.

درون تکامل نورونی، حکم با انحصار مقادیر تصادفی به اندازه‌های بین لایه‌ها آغاز می‌شود. خاصیت تصادفی به معنی عملکرد خیر چندان خوب شبکه است؛ ولی از همین حالت ناگهانی می‌قابلیت به کلکسیون‌ی دیگری از جهش‌های ناگهانی رسید (شبکه‌های خشمناک با معادل‌های متفاوت) و بعد بوسیله تقویم قابلیت آن‌ها پرداخت. می‌قابلیت نیکوترین جهش‌ها را حفظ کرد، محصولات بیشتری را تولید کرد و سپس همین روانی را اعاده کرد. (استراتژی‌های تکامل عصبی پیشرفته تر منجر به تولید تیک‌هایی براساس تعداد و آرایش نورون‌ها و پیوند آن‌ها می‌شوند). تکامل نورونی از نوع فراالگوریتم است؛ یعنی الگوریتمی‌که برای مدل سازی الگوریتم‌های دیگر طراحی شده است و در نهایت هر کدام از الگوریتم‌ها عملکرد خوبی خواهند داشت.

برای کنت استنلی، دانشمند کامپیوتر در آزمایشگاه Uber AI و دانشگاه فلوریدای مرکزی، اصل حجر بنا به انتزاعی نوآوری است

استنلی و دانشجوی او جوئل لمان، بخاطر تست عنصر سنگ بنا، فرایند برگزینی را دگرگونی دادند. جستجوی نوآورانه به جای انتخاب شبکه‌هایی که در وظیفه‌‌‌ای خاص عملکرد نواخت دارند، شبکه‌ها را براساس تضاد آن‌ها با شبکه‌های مشابه انتخاب می‌کنند (برای مثال داخل Picbreeder، جذابیت برای افراد مهم حیات. در اینجا جستجوی نوآورانه به نوآوری به نشانی واسطه‌‌‌ای برای انتخاب جذابیت عطیه می‌دهد).

استنلی و همکارانش درون یکی از تست‌ها، ربات‌های چرخدار را در یک هزارتو استراحت دارند و بوسیله تکامل الگوریتم‌های کنترل کننده‌ی ربات‌ها پرداختند. آن‌ها امیدوار بودند بوسیله این ترتیب ربات بتواند راه خروج از هزارتو را واضح یواش. آن‌ها تکامل را ۴۰ مرتبه از ابتدا اجرا کردند. تو برنامه‌‌‌ای مقایسه ای، ربات‌ها براساس معیار مباشرت با راه خروجی انتخاب می‌شدند، در این برنامه ربات داخل چهل مرتبه اجرا تنها سه گانه طبقه موفق شد راه خروجی را برملا کند ولی در جستجوی نوآورانه که معیار معاشرت ربات‌ها به راه خروج را نادیده می‌گیرد، ۳۹ وهله فیروز شد. برهان موفقیت این جست وجو، اجتناب ربات‌ها از بن بست بود. به جای اینکه فرض کنند بنیاد بست همان متد خروج است، به بخش‌های ناشناس گام می‌گذاشتند، گونه‌های میانبر را پیدا می‌کردند و بوسیله قیافه تصادفی تیز می‌شدند. جولیان توگلیوس، دانشمند کامپیوتر دانشگاه نیویورک، می‌گوید: «جستجوی نوآورانه همه چیز را به پشت می‌کند؛ و در زمانی که هدفی بود ندارد می‌پرسد چه اتفاقی افتاده است؟»الگوریتم‌های تکاملی، مجموعه‌‌‌ای از راه حل‌های برنده را تولید می‌کنند

در مرحله‌‌‌ای از تست، تعقیب اهداف می‌توانست عایق از پیوستن بوسیله آن‌ها شود، بنابراین استنلی بوسیله تعاقب گونه‌های هوشمندانه تری برای ترکیب جستجوی نوآورانه و اهداف خاص رفت. او و لمان سیستمی‌را برای تقلید از نوآوری‌های تکاملی طبیعی ساختند. تو این روش، الگوریتم‌ها عزب با الگوریتم‌های مانند خود رقابت می‌کنند. همان نعوظ که سخاوت‌ها با وال‌ها رقابت نمی‌کنند، سیستم حزن دارای موقعیت‌های الگوریتمی‌مجزایی است که هر کدام نحو‌های خود را تولید می‌کنند.

الگوریتم‌های تکاملی رقابتی محلی، تو مواردی مثل پردازش پیکسل‌ها، کنترل بازوی ربات و کمک بوسیله تطبیق ربات ریه پا پس از حذف یکی از پاها (مشابه رفتار حیوانات)، عملکرد بهینه‌‌‌ای دارند. یکی از عناصر کلیدی چنین الگوریتم‌هایی، توسعه‌ی حجر بناها است. آن‌ها به جای اولویت بندی مستمر نیکوترین راه حل، مجموعه‌ی متنوعی از رویه حل‌ها را حفظ می‌کنند که هرکدام می‌توانند شامل یک برنده باشند. بهترین راه محلول هم از میان همین مجموعه‌ها انتخاب می‌شود.تکامل بخاطر برد

برای استنلی که حالا تو آزمایشگاه Uber AI فعالیت می‌کند، عنصر سنگ بنا نشان دهنده‌ی نوآوری است: اگر با کامپیوتری مدرن بوسیله گذشته بازگردید و بوسیله مردم بگویید بوسیله جای تولید کامپیوتر روی لپ تاپ‌ها تمرکز کنند، امروز هیچ کدام از آن‌ها را نداشتید. همچنین این اصل توصیف کننده‌ی تکامل است: آدم از موهبت‌های مسطح به تکامل رسا اند. گرچه این موجودات هوشمند نیستند، دارای تقارن دو طرفه هستند. به گفته‌ی استنلی:هنوز مشخص حلق کشف تقارن دو طرفه درون گذشته ربطی به فهم داشته است؛ اما امروز این ارتباط آشکار است.

تکامل تندخو درون دهه‌ی گذشته در مسیری غیرمستقیم لول کرده است و بوسیله مدت طولانی در سایه‌ی دیگر اشکال AI به بود خود دنباله داده است. بوسیله باور‌ی ریستو میکولاینن، دانشمند کامپیوتر دانشگاه تگزاس (و کارپرداز قبلی دکترای استنلی)، یکی از بزرگ ترین معایب تکامل عصبی، حجم محاسبات مورد نیاز آن است. در یادگیری سامان به روش سنتی، شبکه‌ی خشمناک از طریق آموزش به تدریج گشایش پیدا می‌کند. در تکامل عصبی، وزن‌ها بوسیله عارض ناگهانی تحول می‌کنند بنابراین احتمال خسته شدن عملکرد بی آرامی‌بود دارد.

یکی از دیگر معایب تکامل خشمناک این است که اغلب افراد بوسیله ظهر محلول مسئله‌‌‌ای اختصاص هستند. استراتژی جستجویی که بخاطر بهینه سازی جذابیت جریان به کار برود می‌تواند طرز حلی خلاقانه را برای یک روانی‌ی ویژه عرضه کند؛ ولی ممکن است مخاطب را قبل از استراحت ستاندن در خوش نویسی صحیح، گیج بطی ء.

ورزش ویدئویی Montezuma Revenge اولین بار در سال ۱۹۸۴ منتشر شد

به نعوظ کلی، هیچگاه راهکار بی نقصی حیات ندارد. در پنج سال گذشته، پژوهش‌های مرزوبوم‌های متنوع AI از عموم پرورش عمیق و یادگیری تقویتی به لباس چشمگیری افزودن نمایان کرده اند. تو درس تقویتی، الگوریتم با فضا به تعامل می‌پردازد و بعد از طریق آزمون و جرم به درس می‌پردازد و داخل نهایت رفتار آن نتایج مطلوبی را به دنبال خواهد داشت. بخاطر شهید رباتی که در دنیای واقعی حرکت می‌کند یا گیمرها از این الگوریتم استفاده می‌کنند. همدستی DeepMind از تحصیل تقویتی ژرف برای ساخت برنامه‌‌‌ای استفاده کرد که بتواند بهترین بازیکنان ورزش Go را شکست دهد. درحالی که بسیاری تخیل می‌کردند برای رسیدن بوسیله این هدف، سال‌ها زمان لازم است.

از طرفی ممکن است پرورش تقویتی دچار یکنواختی شود. کارمزد‌های کم خواه پراکنده، بخاطر رسیدن الگوریتم‌ها بوسیله هدف کافی نیستند. پاداش‌های فریبنده (پاداش برای سودهای کوتاه مدتی که جلوگیری کننده از پیشرفت کامل مدت می‌شوند) الگوریتم‌ها را بوسیله دام زمینه عقد می‌اندازند؛ بنابراین تحصیل تقویتی می‌تواند آدم‌ها را به تله بازی‌هایی از نوعSpace Invaders (مهاجمان فضایی) یا Pong بیندازد. این بازی‌ها با بود امتیازها و اهداف مشخص، یکنواخت و قابل پیش بینی هستند.

در سال ۲۰۱۸، هوش مصنوعی براساس اصل سنگ بنا چیره بوسیله حل چالش‌های دیرینه‌‌‌ای شد. در بازی تلافی مونتزوما (Montezuma's Revenge)، پاناما جو، کاراکتر اصلی بازی، تو دخمه‌‌‌ای زیرزمینی بخاطر جمع آوری کلید‌ها و بازکردن درها از اتاقی به اتاقی دیگر می‌رود و در این رویه باید از دشمنان و موانعی مثل مارها و گودال‌های آتش استنکاف کند. استنلی، لمان، جف کلان، جوست هویزینگا و آدرین اکوفت بخاطر شکست این ورزش در آزمایشگاه Uber AI مشغول بوسیله حکم شدند و سیستمی‌را طراحی کردند که پاناما جو در آن با ضربان وجو در اطراف به رخساره تصادفی، کارهای مختلفی را اجرا می‌دهد. با هر بار رسیدن بوسیله وضعیتی جدید، آن را به همراه کلکسیون‌‌‌ای از عملیات متوجه حافظه اش می‌کند. تو رخ یافتن مسیری زننده تر به همان وضعیت، آن سطر را جایگزین وضعیت سابق تو حافظه می‌نرم. پاناما مجرای لنف در طول آموزش، بوسیله رخساره تکراری یکی از وضعیت‌های پس انداز شده را انتخاب می‌کند، به عارض تصادفی به خیز وجو می‌پردازد و وضعیت‌های جدید را بوسیله حافظه اش افزودن می‌درنگ.در حوزه‌ی درایت جعلی هیچگاه روش بی نقصی وجود ندارد و بهتر است اسلوب‌ها را ترکیب کرد

در نهایت یکی از همین وضعیت‌ها به وضعیت برنده‌ی ورزش تبدیل می‌شود. درون این مرحله، پاناما جو طولانی عملیات لازم برای رسیدن به کمال مطلوب را ذهن خود دارد. او کار خود را عاری هیچگاه گونه شبکه‌ی عصبی یا یادگیری تقویتی ادا می‌دهد. هیچگاه پاداشی بخاطر جمع آوری کلید‌ها یا نزدیک شدن به پایان دخمه وجود ندارد. فقط فرایند جستجوی تصادفی و راهی هوشمندانه بخاطر جمع آوری و یگانگی سنگ بناها دیده می‌شود. این اسلوب نه عزب برای ضعف بهترین الگوریتم‌ها بلکه بخاطر شکست رکورد انسانی بازی تنظیم شده است.

طرز مشابهی به معروفیت Go-Explore برای قدرت بر خبره‌های انسانی بازی Pitfall به کار رفت. در این بازی پیتفال هری، در جنگلی به جستجوی گنج می‌پردازد و درون این راه باید از کروکودیل‌ها و دام‌ها دوری نرم. به مگر این روش، هیچگاه کدام از انواع هوش تدریس ماشین قاهر به گرفتن تشخیص بالاتر از صفر نشدند.

امروزه تا اینکه DeepMind، به نشانی منبع فراگیری تقویتی، تعلق‌ی خود به تکامل خشمناک را مدال داده است. تیم دیپ مایند درون ماه ژانویه از نرم وسایل AlphaStar رونمایی کردند که می‌تواند ورزشکار‌های صنف‌‌‌ای بازی پیچیده‌ی StarCraft II را انقراض دهد. داخل این ورزش دو رقیب بوسیله کنترل سلاح و تجهیزات می‌پردازند و بخاطر تسلط بر منظره‌ی دیجیتالی بوسیله تاسیس کلونی می‌پردازند. AlphaStar کلکسیون‌‌‌ای از بازیکنان را به تکامل رسانده است که با یکدیگر رقابت می‌کنند و از یکدیگر یاد می‌گیرند. بوسیله گفته‌ی پژوهشگران دیپ مایند، نسخه‌ی به روزشده‌ی AlphaStar داخل میان ۰/۲ درصد بازیکنان کسی را عزیز خطاب کردن StarCraft II قرار خمود است. آلفااستار اولین جنس ادراک مصنوعی است که بدون هیچ محدودیتی بوسیله بالاترین لایه‌ی رقابت‌های ورزش‌های الکترونیکی دست واضح می‌کند. مکس جادربرگ، دانشمند کامپیوتر دیپ مایند و یکی از پژوهشگران پروژه می‌گوید:عامل‌های بازی AlphaStar پس از مدت‌ها فقره بهبود یافته اند. با آموزش یک عامل می‌توان عملکرد میانگین آن را بهبود داد، البته نیاز دارید روی عامل‌های ضد و پیدا کردن خال ضعف‌ها حزن فرمان کنید.

سفت مانند بازی سنگ، کاغذ، قیچی، هیچ اسلوب برتری تو بازیStar Craft II وجود ندارد؛ بنابراین DeepMind غصه مجموعه عامل‌های خود را برای تکامل انواع رویه‌ها تشویق می‌کند. برای مثال وقتی آلفااستار می‌تواند دو بازیکن حرفه‌‌‌ای را بیشتر از پنج وعده شکست دهد، یعنی روش‌های پنج عامل مختلف از مجموعه‌ی خود را خیساندن کرده است. پنج عامل بوسیله وضع‌‌‌ای تفویض می‌شوند که طولانی آن‌ها نسبت به راهبردهای هماورد آسیب پذیر نباشند. نقطه‌ی خوراک آن‌ها هم تنوعشان است.هوش تقلبی تکامل یافته می‌تواند هوش‌های دیگری را تولید بطی ء

آلفااستار یکی از کاربردهای اصلی الگوریتم‌های تکاملی را مدال می‌دهد: حفظ پری رویه محلول‌های مختلف. پروژه‌ی جدید دیگری از DeepMind، مصرف دیگری از تکامل عصبی را علامت می‌دهد: بهینه سازی راه حل واحد. آلفابت با همکاری پروژه‌ی خودروی خودگردان Waymo، روی تکامل الگوریتم‌هایی برای خبر پیاده روها فقره می‌کند. این اسلوب عملکرد نسبتا احسان دارد ولی بهترین روش ممکن نیست. بوسیله همین دلیل پژوهشگرها برای اجتناب از زمینه بست، زیرمجموعه‌هایی را تشکیل داده اند تا اجراکنندگان قبل از رسیدن بوسیله بن بست، زمان کافی را بخاطر توسعه داشته باشند.

محبوبیت الگوریتم‌های جمعیت محور در سال‌های اخیر افزایش یافته است. به گفته‌ی اریا‌هادسل، دانشمند پژوهشی و سرپرست رباتیک DeepMind، یکی از دلایل این محبوبیت، غلبه تطبیق این الگوریتم‌ها با گوناگون محاسبات است.‌هادسل درون ماه ژوئن سال گذشته از کلان، لمان و استنلی طلبیدن کرد تا در مجمع بین المللی درس سامان درباره‌ی کارهای خود صحبت کنند. او می‌گوید: «معتقدم تکامل خشمناک یکی از مرزوبوم‌های مهم تو پژوهش‌های فهم جعلی و مکملی برای نحو‌های یادگیری عمیق است.»

هوش مصنوعی که قادر بوسیله تولید هوش مصنوعی است

تمام الگوریتم‌های یادشده، محدودیت خلاق دارند. AlphaStar عزب می‌تواند راهبردهای جدیدی را بخاطر بازی StarCraft II ارائه دهد. راه جستجوی نوآورانه تو یک زمان تنها قادر به انجام یک کار است که می‌تواند حل هزارتو یا وضع رفتن ربات باشد.

از سوی دیگر، تکامل بیولوژیکی دارای نوآوری بی انتها است. درون این نوع تکامل، باکتری‌ها، موجودات دریایی، پرندگان و آدم‌ها نقش دارند. با تکامل راه حل‌ها، مسئله‌ها غم به تکامل می‌رسند. زرافه درون پاسخ به مسئله‌ی درخت به وجود آمده است. نوآوری انسان غم به همین تزیین پیش می‌رود. آدم روند‌ها را بخاطر خود ایجاد می‌کند. برای شهید از خویشتن می‌پرسد: آیا می‌توان انسان را بوسیله ماه فرستاد؟ و پس ازآن بخاطر حل مسئله‌ها سعی می‌نرم.

برای ارائه تعامل بین راه حل‌ها و جریان‌ها، استنلی، کلان و لمان و دیگر همکاران آن‌ها درون اوبر از جمله رویی وانگ در اوایل سال گذشته، الگوریتمی‌به صیت POET (مخفف Paired Open Ended Trailblazer) را منتشر کردند. آن‌ها برای تست این الگوریتم، مجموعه‌‌‌ای از ربات‌های مجازی دوپا را به تکامل رساندند. از طرفی، مجموعه‌‌‌ای از موانع را برای ربات‌ها بوسیله تکامل رساندند که دربرگیرنده تپه‌ها، گودال‌ها و تنه‌ی درخت‌ها هستند. ربات‌ها گاهی اوقات با یکدیگر تعویض می‌شدند و برای فتح زمین‌های جدید تلاش می‌کردند. بخاطر مثال یکی از ربات‌ها، عبور از زمین ضخیم را هم زمان با خم شدن یاد می‌گرفت. پس ازآن به عارض ناگهانی به منظر ه‌‌‌ای با جثه‌های درخت کوتاه می‌رفت و در آنجا باید راه رفتن را یاد می‌گرفت. به این ترتیب، پس از بازگشت بوسیله عایق اول، می‌توانست زننده تر مراحل را طی کند. مسیر غیرمستقیم باعث می‌شود ربات مهارت‌های یکی از پازل‌ها را بهبود دهد و آن را روی پازلی دیگر اجرا یواش.

جف کلان، دانشمند کامپیوتر آزمایشگاه Uber AI و دانشگاه ویومینگ، معتقد است اکتشاف عاقبت باز (مسئله‌‌‌ای که طرز محلول‌های مختلفی بخاطر آن وجود دارد)، سریع ترین طرز دستیابی به ادراک مصنوعی مشابه انسان است

الگوریتم POET قادر است با ابداع چالش‌های مختلف برای خود و سپس حل آن‌ها، لباس‌های جدیدی از هنر را ابداع کند یا به اکتشافات جدید علمی‌برسد. این الگوریتم با توانایی ساخت دنیای خود، می‌تواند بسیار فراتر از محدودیت‌ها انجام نرم. استنلی امیدوار است بتواند الگوریتم‌هایی بسازد که حتی پس از یک میلیارد سال، نوآوری آن‌ها به انتها نرسد. استنلی می‌گوید:تکامل منجر بوسیله تولید بینایی، فتوسنتز، درایت انسانی و در یک گفتار تولید همه چیز تنها با یک الگوریتم شده است. بنابراین، برای فرآیندهای کوچک متجاوز قدرتمندتر عمل خواهد کرد.

کلان معتقد است، اکتشاف پایان باز (نوعی از اکتشاف که تنها یک گونه محلول بخاطر آن وجود ندارد) سریع ترین روش حرکت به سمت هوش جعلی عمومی‌است. هوش بدلی عمومی‌به ماشین‌هایی گفته می‌شود که تقریبا کل توانایی‌های مردم را دارند. هوش بدلی بیشتر متمرکز کنار مدل سازی اجزای سازنده‌ی ماشین‌های هوشمند از عموم انواع مختلف معماری‌های شبکه‌های عصبی و فرآیندهای درس ماشین است؛ ولی هنوز گونه مشخصی بخاطر ترکیب انواع هوش و رسیدن به درک قدر یا بهای چیزی تقلبی وجود ندارد.

از طرفی، کلان متقی است باید بیشتر به درایت ساختگی تولیدکننده‌ی هوش توجه کرد. الگوریتم‌ها می‌توانند با روشی مثل POET، به طراحی و تکامل شبکه‌های عصبی و هوا‌هایی برای یادگیری بپردازند. اکتشاف باز، می‌تواند از ضابطه مسیرهایی غیرقابل پیش دماغ به هوشی در سطح انسان خواه هوشی فرازمینی بینجامد. از چنین هوشی می‌توان برای تحصیل بیشتر درباره‌ی انواع درک قدر یا بهای چیزی هم استفاده کرد. کلان می‌گوید:پس از بخانه برگشتن‌ها سال پژوهش، هنوز حزن الگوریتم‌ها ما را شگفت زده می‌کنند؛ بنابراین نمی‌توانیم با اطمینان بگوییم نتایج کچل فرآیندها را می‌دانیم به ویژه که غلبه آن‌ها روزبه روز افزایش ظاهر می‌بطی ء.

کنترل زیاد از حد پژوهشگرها هم ناحق است. استنلی تو ابتدا سایت Picbreeder را برای مؤسسه‌ی ملی علوم ساخته بود اما این مؤسسه با بهانه‌ی ظاهر نبودن پروژه، آن را رگه کرد. پروژه‌ی استنلی به مقاله‌ها، گفتگوها، تاریخ‌ها و استارتاپ Geometric Intelligence راه برملا کرد که بعدها اوبر آن را خرید و آزمایشگاه Uber AI را تأسیس کرد. استنلی می‌گوید:داستان رسیدن من به این نقطه دقیقا مثل فرایند الگوریتم تکاملی است. الگوریتم تکاملی، نتایجی را تولید می‌کند که خود را به تکامل می‌رسانند.

بیشتر بخوانید:کرمی‌که پاهایش را از دست داد؛ قدیمی‌ترین مقیاس از بازگشت تکاملیفریمن دایسون، فیزیکدان کوانتومی‌مشهور، تو ۹۶ سالگی درگذشتگری کاسپارف بیست و سه سال پس از شکست از AI، به مزایای آن اعتراف کردکشف جانوری که برای زنده ماندن نیازی به اکسیژن نداردانسان‌های ابتدایی در آفریقا با گونه‌‌‌ای اسرارآمیز و منقرض شده تلاقی پیدا کرده اند

یه کاره توی یه سایت پیدا کردم پی دی اف رو به ورد تبدیل می کنه!
نظرات این مطلب

تعداد صفحات : 1

آمار سایت
  • کل مطالب : 12
  • کل نظرات : 0
  • افراد آنلاین : 1
  • تعداد اعضا : 0
  • بازدید امروز : 37
  • بازدید کننده امروز : 38
  • باردید دیروز : 45
  • بازدید کننده دیروز : 46
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 38
  • بازدید ماه : 583
  • بازدید سال : 3556
  • بازدید کلی : 5983
  • کدهای اختصاصی