» همه چیز درباره ربات های خود آموز

زندگی مصنوعی در جهان واقعی

وجود ماشین هایی که مانند بچه ها آموزش می بینند یاد می گیرند، به دیدگاه های جدیدی در مورد چگونگی هماهنگی ذهن و بدن منتهی شده دیدگاهی که منجر به کسب دانش و مهارت به صورت خودکار می شود، و این شگفتی ساز است.

در فیلم علمی تخیلی چاپی (2015)، شخصیت خیالی مهندسی به نام دئون می خواهد ماشینی اختراع کند که بتواند فکر کند و احساس داشته باشد. به همین دلیل، برنامه هوش مصنوعی می نویسد که توانایی یادگیری مثل یک کودک را دارد. چاپی بدون این که موضوعی را امتحان کند، با ذهن خالی شروع کرد. برنامه این ربات با دیدن و تجربه کردن محیط اطراف، دانش عمومی، زبان و همچنین فعالیت های پیچیده را یاد گرفت. کاری که حتی پیشرفته ترین سیستم های هوش مصنوعی که امروز داریم از آن طفره می روند. بی شک، توانایی های بعضی از ماشین های خاص در کارهای مشخص از توانایی های انسان پیشی گرفته اند، برای مثال در بازی هایی مانند جئوپاردی، شطرنج یا بازی گو که یکی از بازی های سنتی چینی است، ماشین ها از انسان برترند. در اکنبر 2017، شرکت انگلیسی دیپ مایند، آخرین نسخه بازی مبتنی بر سیستم هوش مصنوعی اش برای بازی کردن بازی گو، به نام "آلفاگو زیرو" رونمایی کرد. بر خلاف بازی قبلی "آلفاگو" که با استخراج اطلاعات تعداد زیادی از بازی هایی که کاربران انسان قبلا انجام داده بودند بر بازی تسلط پیدا می کرد، در این نسخه از تجربه خودمختار که با بازی کردن با خودش گرآوری و استفاده می کند. "آلفاگو زیرو" با وجود دستاوردهای قابل توجهی که داشته است، به یادگیری یک بازی با قوانین مشخص محدود شده است و باید میلیون ها بار بازی شود تا مهارت فرا انسانی خود را به دست آورد.

در مقابل، از بدو تولد، نوزاد انسان به وسیله کاوش در محیط اطراف و همچنین تجربه های زبانی و حرکتی خود رشد می کند. آن ها خودشان اطلاعات جمع آوری می کنند، شرایط جدید را می پذیرند و تجربه خود را از قلمرویی انتقال می دهند که در اختیارشان است.

در اوایل قرن بیست و یکم، دانشمندان علم روباتیک، متخصصان اعصاب و روان شناسان راه هایی برای ساختن ماشین هایی که چنین پیشرفت های آنی را تقلید کنند، امتحان کردند. همکاری های آن ها منجر به ساخت آندرویدهایی شده است که می تواند اشیائ را جا به جا کند، کلمات پایه ای را یاد بگیرد و توانایی های عددی داشته باشد و حتی نماد های رفتار اجتماعی را نشان دهد. در عین حال، سیستم های هوش مصنوعی به روان شناسان کمک می کند که بفهمند نوزادان چگونه یاد می گیرند.

ماشین پیش ببینی

مغزهای ما به طور متناوب تلاش می کند تا آینده را پیش بینی کند و نیازهایش را برای انطباق با واقعیت به روز کند. برای مثال اولین باری که شما با گربه همسایه رو به رو می شوید. با شناختی که از سگ تان دارید که بسیار جمعیت دوست دارد، انتظار دارید که گربه از نوازش شما لذت ببرد. زمانی که دست تان به آن می رسد، شما را چنگ می زند. در نتیجه شما فرضیه تان را در مورد حیواناتی عوض می کنید که به نظر در رابطه شان با انسان راحت به نظر می رسند. شاید برایتان غافلگیر کننده باشد که اگر شما با آداب یک بچه گربه کوچک برخورد کنید، رفتار دوستانه تری با شما خواهد داشت. اگر در دست تان خوراکی خوشمزه ای داشته باشید، گربه بدون ای که شما را زخمی کند به شما اجازه نزدیک شدن می دهد. دفعه دیگری که شما یک گربه پشمالو دیدید، قبل از اینکه لمسش کنید به او یک ماهی تن خواهید داد.

در این رفتار، مرکزهای بالاتر پردازش در مغز به صورت مداوم روش های داخلی را بر اساس سیگنال هایی تغییر می دهند که از اعضای حسی دریافت می کنند.سیستم بینایی ما را که بسیار هم پیچیده است در نظر بگیرید.

سلول های عصبی در چشم خصوصیات ابتدایی یک تصویر را پیش از آن که این اطلاعات را به مناطق بالاتر بفرستند معنای کلی یک صحنه را تحلیل و آن را پردازش می کنند. جالب توجه این که ، اتصالات عصبی در جهت دیگری تغییر می کند: از مراکز پردازش سطح بالا، مانند بخش هایی در قشر، تا پایین ترین آن ها مانند قشر اولیه بینایی و هسته زانویی خارجی. بعضی دانشمندان علو اعصاب اعتقاد دارند که این اتصالات "رو به پایین" پیش بینی های مغز را به پایین ترین سطوح می رساند، و بر چیزی مؤثر است که ما می بینیم. اساسا، سیگنال های سرازیری از بالاترین سطوح مغز به صورت متناوب با سیگنال های "رو به بالا" از حس ها تعامل دارند و همین باعث به وجود آمدن ایرادها در پیش بینی ها می شود: تفاوت میان چیزی که انتظار داریم و چیزی که تجربه می کنیم. یک سیگنال این بازگشت های مختلف را به بالاترین سطوح انتقال می دهد و به این شکل مدل/الگوهای داخلی را دوباره تغییر می دهد و حدس های تازه می زند و این در حلقه ای بی انتها اتفاق می افتد. متخصص علوم اعصاب محاسباتی در دانشگاه راجش پی.ان.رائو می گوید: " این سیگنال ها اشتباه در پیش بینی سیستم را به جایی می رساند، این را تخمین بزند که واقعا چه اتفاقی در بیرون می افتد".

به عنوان دانشجوی دکترا در دانشگاه راچستر، رائو و استاد راهنمایش دانشمند علوم اعصاب محاسباتی دانا اچ.بالارد که اکنون در دانشگاه تگزاس آستین مستقر است، اولین کسانی بودند که آزمون کد گذاری پیش گویانه را در شبکه عصبی مصنوعی انجام دادند. ( یک کلاس الگوریتم های رایانه که بر اساس مغز انسان مدل سازی شده است، شبکه های عصبی به صورت تصاعدی پارامترهای داخلی را انطباق می دهد تا خروجی مورد نیاز را از ورودی داده شده تولید کند.)

نوزادان به صورت خودکار با تجربه کردن با بدن هایشان و بازی کردن با اشیا یاد می گیرند. دانشمندان علم روباتیک اندرویدهایی را برنامه ریزی کردند که با الگوریتم هایی آن ها را قادر به یادگیری مانند کودکان می کند.

یادگیری با چنین ماشین هایی علم رباتیک را متحول کرده و دیدگاه های جدیدی را در رشد کودکان فراهم کرده است.

در این تجربه محاسباتی که سال 1999 در نیچر نوروساینس چاپ شد، محققان اتصالات عصبی در قشر بینایی را تحریک کردند و با اتصالات رو به پایین پیش بینی ها را انتقال می دادند و اتصالات رو به بالا که سیگنال های حسی را از دنیای بیرون می آورد کامل شد. بعد از آموزش شبکه، زمانی که از عکس های طبیعت استفاده کردند، متوجه شدند که شبکه می تواند عناصر اصلی یک تصویر، مانند راه راه های روی بدن گورخر را تشخیص بدهد.

شمردن با انگشت

تفاوت اساسی بین ما با دیگر سیستم های هوش مصنوعی امروزه این است که بدن هایی داریم که می توانیم با آن ها حرکت کنیم و در دنیا فعالیت داشته باشیم. بچه ها و نوپاها با امتحان کردن حرکت های دست ها، پاها و انگشت ها رشد می کنند و هر چیزی را در دسترس شان باشد، امتحان می کنند. آن ها به صورت خودکار یاد می گیرند که چطور راه بروند، اشیا و انسان ها را تشخیص بدهند. این که چطور بچه های کوچک تمام این کارها را با راهنمایی بسیار کمی انجام می دهند یکی از زمینه های کلیدی تحقیق برای روان شناسان رشد و همچنین دانشمندان رباتیک است. همکاری آن ها به دیدگاه های جالبی در هر دو زمینه منجر شد.

در سری تجربیات نوآورانه ای که اواخر 1990 انجام شد، دانشمند رباتیک جون تانی که در آن زمان در آزمایشگاه علوم رایانه سونی فعالیت میکرد، و دیگران یک شبکه عصبی مبتنی بر پیش بینی را طراحی کردند تا حرکت های ابتدایی را یاد بگیرند و امتحان کنند تا ببینند چطور تمام این الگوریتم ها درست در ربات ها کار می کند.

آن ها کشف کردند ماشین ها می توانند مهارت های ابتدایی مانند گشتن در محیط های ساده، تقلید حرکت دست و پیروی کردن از دستورهای ساده کلامی مانند "اشاره کن" یا "بزن" را انجام دهند. در سال های اخیر، دانشمند روباتیک انجلو کانگلوسی در دانشگاه پلی موث در انگلستان و روان شناس رشد لیندا بی اسمیت در دانشگاه ایندیانا در بلومینگتون نشان دادند که بدن چقدر درد کسب دانش نقش مهمی دارد. اسمیت می گوید: "شکل بدن ربات ها و نمونه کارهایی که می توانند انجام بدهند و تجربیاتی که دارند، چیزی را که می توانند یاد بگیرند، تحت تاثیر قرار می دهند." یکی از موضوع های اصلی آزمایش دانشمندان آی کیوب، یک ربات انسانی با سه فوت قد، در مؤسسه فناوری در ایتالیا به منظور تحقیقات بود. این ربات هیچ کارکرد برنامه ریزی نداشت تا دانشمندان الگوریتم های مخصوص آزمایش هایشان را در آن پیاده کنند.

در تحقیقی که سال 2015 انجام شد، کانگلوسی، اسمیت و دیگر همکاران یک آی کیوب را به شبکه عصبی که به آن توانایی یاد گرفتن بر اساس ارتباط ها مجهز کردند و فهمیدند که زمانی که اسامی اشیا به صورت پیوسته با موقعیت های بدنی خاص متصل می شود، آی کیوب کلمات جدید را راحت تر یاد می گیرد. کسانی که این آزمون را انجام می دادند یک توپ با فنجان را به صورت متناوب در چپ یا راست اندروید قرار می دادند و در نتیجه، او اشیا را با جهتی پیوند می داد که احتیاج داشت سرش را بچرخاند. بعد از آن، این حرکت ها را با اسم شئ مرتبط می کردند. در صورتی که اشیا مربوطه در یک موقعیت خاص به جای نقاط گونگون ظاهر می شدند، ربات این کلمات کلیدی را بهتر یاد می گرفت.

جالب این که، زمانی محققان این موضوع را در کودکان نوپای 16 ماهه امتحان کردند، به تایج مشابهی دست یافتند: ارتباط دادن اشیا به موقعیت های مشخص به کودکان کوچم کمک میکرد تا کلمات را راحت تر یاد بگیرند و آزمایشگاه کانگلوسی این تکنیک را برای آموزش کلماتی مانند "این" یا "آن" که به جسم خاصی ارتباط ندارد به ربات ها آموزش بدهند.

همچنین استفاده از بدن می تواند به کودکان و ربات ها مهارت های پایه ای عددی را آموزش بدهد. تحقیقات نشان می دهد، برای مثال، کودکانی که از نظر ذهنی برای استفاده از انگشتان شان مشکل دارند،توانایی های علم حساب شان نیز ضعیف تر است. کانگلوسی و تیمش در تحقیقاتی که سال 2014 انجام دادند کشف کردند شبکه عصبی ربات ها زمانی که یاد گرفتند با انگشت هایشان بشمارند، اعداد را دقبق تر از زمانی درک کرده بودند که فقط اسم اعداد را یاد گرفته بودند.

آی کیوب یک موجود اندرویدی که در دانشگاه پلی موث در انگلیس، می تواند کلمات جدید مانند "توپ" یاد بگیرد. برای راحت تر کردن کار یادگیری، کسانی که به او آموزش می دهند اشیا را مداوم در همان نقطه خاصی که اولین بار نامش را گذاشتند می گذارند.

۰ نظر / ۳۲۵ بازدید