ذكاء ديب مايند الاصطناعي يتعلم الفيزياء من خلال مشاهدة مقاطع الفيديو لا معنى لها

إن تعليم الذكاء الاصطناعي AI فهم مفاهيم الفيزياء البسيطة -مثل أن جسما صلباً لا يمكن أن يشغل المساحة نفسها التي يشغلها جسم آخر- يمكن أن يؤدي إلى البرمجية Software أكثر قدرة تتطلب موارد حوسبية أقل للتدريب، كما يقول باحثون في شركة ديب مايند DeepMind.
في السابق طوّرت الشركة – التي تتخذ من المملكة المتحدة مقراً لها- ذكاءً اصطناعيّاً يمكنه التغلب على اللاعبين الخبراء في الشطرنج ولعبة غو Go، وكتابة برمجيات حاسوبية، وحل مشكلة طي البروتين. ولكن هذه النمذجات Models عالية التخصص وتفتقر إلى فهم عام للعالَم. كما يقول باحثو ديب مايند في بحثهم الأخير: «لا يزال هناك شيء أساسي مفقود».
الآن، ابتكر لويس بيلوتو Luis Piloto، من الشركة، وزملاؤه ذكاءً اصطناعياً يسمى تعلم الفيزياء Physics Learning من خلال الترميز التلقائي وتتبع الأجسام Auto-encoding and Tracking Objects (اختصارا: النظام PLATO [أفلاطون]) المُصمَّم لفهم أن العالم المادي يتكون من أجسام تتبع القوانين الفيزيائية الأساسية.
درّب الباحثون النظام PLATO على تحديد الأجسام وتفاعلاتها، وذلك باستخدام مقاطع فيديو معدّة بالمحاكاة الحوسبية Simulated videos لأجسام تتحرك كما نتوقع، مثل الكرات تسقط نحو الأرض، وتتدحرج وراء بعضها البعض وترتد عن بعضها البعض. قدموا أيضاً بيانات للنظام PLATO توضح بالضبط أي البكسلات في كل إطار تخص أي جسم من الأجسام. لاختبار قدرة النظام PLATO على فهم خمسة مفاهيم فيزيائية مثل المثابرة Persistence (أن الجسم لا يميل إلى الاختفاء)، والصلابة Solidity وعدم التغيّر Unchangingness (أن الجسم يميل إلى الاحتفاظ بسمات مثل الشكل واللون)، استخدم الباحثون سلسلة أخرى من مقاطع الفيديو/المحاكاة. عرض بعضها أجساما تخضع لقوانين الفيزياء، في حين عرضت مقاطع أخرى حركات لا معنى لها، مثل كرة تتدحرج خلف عمود، ولا تخرج من الجانب الآخر، ولكن بعد ذلك تظهر مرة أخرى من خلف عمود آخر على طول مسارها.
وكلّفوا النظام PLATO بالتنبؤ بما سيحدث بعد ذلك في كل مقطع فيديو، ووجدوا أن تنبؤاته كانت خاطئة بشكل موثوق بالنسبة إلى مقاطع الفيديو غير المنطقية، ولكنها عادةً ما تكون صحيحة بالنسبة إلى الفيديوهات المنطقية، مما يشير إلى أن الذكاء الاصطناعي AI لديه معرفة بديهية بالفيزياء.
يقول بيلوتو إن النتائج تظهر أن رؤية العالم التي تتمحور حول جسم يمكن أن تمنح الذكاء الاصطناعي AIمجموعة من القدرات أكثر عمومية وقابلية للتكيف. يقول: «إذا فكرت، على سبيل المثال، في جميع المشاهد المختلفة التي قد تكون فيها تفاحة، ليس عليك أن تتعلم شيئاً عن تفاحة على شجرة، مقابل تفاحة في مطبخك، مقابل تفاحة في القمامة. عندما تقوم بعزل التفاحة نوعاً ما كجسم خاص، فأنت في وضع أفضل لتعميم سلوكها في الأنظمة الجديدة، وفي السياقات الجديدة. فمثل هذا يؤدي إلى كفاءة التعلم Learning efficiency».
يقول مارك نيكسون Mark Nixon من جامعة ساوثهامبتون University of Southampton بالمملكة المتحدة، إن العمل يمكن أن يؤدي إلى طرق جديدة لأبحاث الذكاء الاصطناعي AI، بل قد يكشف حتى عن أدلة حول الرؤية البشرية والتنمية. ولكنه أعرب عن مخاوفه بشأن إمكانية تكرار هذا العمل لأن الورقة العلمية تقول إن «تنفيذنا لنظام PLATO ليس قابلاً للتطبيق خارجياً».
ويتابع قائلا: «هذا يعني أنهم يستخدمون بنية Architecture ربما لا يستطيع الآخرون استخدامها. في العلم، من الجيد أن تكون الأعمال قابلة للتكرار، حتى يتمكن الآخرون من الحصول على النتائج نفسها ومن ثم تطويرها».
يقول تشن فينغ Chen Feng من جامعة نيويورك New York University إن النتائج يمكن أن تساعد على تقليل المتطلبات الحوسبية للتدريب وتشغيل نمذجات الذكاء الاصطناعي. ويستطرد قائلا: «هذا يشبه إلى حد ما تعليم الطفل ماهية السيارة من خلال تعليمه أولاً ماهية العجلات والمقاعد. إن فائدة استخدام التمثيل المتمحور حول الجسم، بدلاً من المدخلات المرئية الأولية، تجعل الذكاء الاصطناعي AI يتعلم مفاهيم مادية بديهية مع كفاءة بيانات Data efficiencyأفضل».

بقلم ماثيو سباركس

ترجمة Google Translate

© 2022, New Scientist, Distributed by Tribune Content Agency LLC