​
پیش بینی آینده هوش مصنوعی
سال 2021 سالی پر از پیشرفت های شگفت انگیز در زمینه هوش مصنوعی بوده است. با پیشرفت هوش مصنوعی، توجه و تمرکز بسیاری از محققان بر روی اخلاق در هوش مصنوعی است.
امروزه، ما خطرات مدل‌های زبانی را که شرکت‌ها در تلاش برای هوشمندتر و کاربردی‌تر کردن آن‌ها (به جای تقویت) در زندگی روزمره هستند، بهتر درک می‌کنیم، در میان این مدل‌ها، مدل سیستم‌های چند منظوره مانند MUM گوگل، OpenAI، رایج‌تر است.
هوش مصنوعی در دنیای واقعی در حال تکامل است. به طور کلی هوش مصنوعی از سرعت پیشرفت بسیار بالایی برخوردار است که در سال های اخیر شاهد آن بوده ایم.
تحولات قابل توجه در زمینه هوش مصنوعی در سال 2022 ادامه خواهد داشت. جامعه هوش مصنوعی تحولات امیدوارکننده و چشمگیری را برای بشریت به ارمغان خواهد آورد که برخی از آنها تا حدودی قابل پیش بینی هستند.
در ادامه مقاله 5 نمونه از موثرترین پیشرفت ها و پیشرفت های حوزه هوش مصنوعی در سال 2022 به بعد (مطمئناً نقاط عطف پیش بینی نشده دیگری نیز وجود خواهد داشت) را به شما ارائه خواهیم داد. با این حال، صحبت از تحولاتی که در ادامه مقاله شرح خواهم داد به این معنی است که هر لحظه باید منتظر تحولات شگفت انگیزی در این زمینه باشیم.
​

1- تحقیق در مورد روشهای نوین ساخت مدلهای زبانی

روند "بزرگتر برابر بهتر" تا سال 2022 از بین خواهد رفت.
مدل های زبان در حال حاضر جزو موضوعات هوش مصنوعی هستند. فن آوری بینایی کامپیوتری در سال های اولیه دهه گذشته ظهور کرد. اما در سال 2017 استفاده عملی از آن رایج تر شد. علاوه بر این، این زبان که به طور گسترده مورد توجه محققان قرار گرفت، به منبع درآمد مهمی برای موسسات و شرکت های فعال در زمینه هوش مصنوعی تبدیل شده است. به سختی می توانید شرکت ها یا استارت آپ هایی را پیدا کنید که زبان هوش مصنوعی نقشی نداشته باشد.
DeepMind یکی از برترین شرکت های جهان است که پیشرفت های باورنکردنی در زمینه هوش مصنوعی داشته است.
همین چند هفته پیش، DeepMind سه مقاله در مورد مدل های زبان منتشر کرد. این خبر با شرمندگی منتشر شد. ما طی چهار سال گذشته تغییرات زیادی در نسبت مدل‌های زبانی ایجاد کرده‌ایم که توسط بسیاری از رسانه‌ها پوشش داده شده است. اما علم از تجربه و عمل بیرون می‌آید، نه در سرفصل‌های رسانه‌ها، و این شرکت هنوز به نتیجه‌ای نرسیده است.
اولین مقاله منتشر شده در مورد خواص Gopher بود. یک شبکه عصبی با 280 میلیون پارامتر که عملکرد جالبی داشت و در 100 مورد از 124 مورد عملکرد بهتری از GPT3، J1-Jumbo و MT-NLG (سه مدل برتر قبلی که داده های عملکردی برای آنها داریم) داشت. عملکرد خوبی داشت.
Gopher یک مدل زبان اصلی متراکم (LLM) است که به همان روشی که مدل های زبان قبلی ساخته شده است.
این مدل زبان علیرغم عملکرد خوبش از هیچ خلاقیتی استفاده نکرد و به همین شکل آموزش داده شد. اگرچه عملکرد نسبتاً بهتر و تحمل ریسک بالاتری دارد.
مقاله سوم در مورد مبدل پیشرفته "RETRO" است. یک مدل زبان که اندازه آن 7 میلیارد پارامتر است و می تواند با مدل های زبان GPT-3 و J1-Jumbo (25 برابر بزرگتر) رقابت کند. این مدل با 10 برابر قدرت محاسباتی کمتر از GPT-3 آموزش دیده است و از مکانیزم بازیابی استفاده می کند که به آن اجازه می دهد به پایگاه های داده بزرگ در زمان واقعی و بدون کوچکترین خرابی دسترسی داشته باشد. در این مدل زبان و بر خلاف مدل های قبلی، نیازی به ذخیره تمامی اطلاعات در حافظه نیست.
مدل زبان RETRO بیشتر شبیه عملکردهای انسانی است. ما نمی توانیم تمام اطلاعات را در ذهن خود نگه داریم. کتاب می خوانیم و در سایت های مختلف جستجو می کنیم تا اطلاعات جدید پیدا کنیم. شرکت DeepMind تضمین می کند که از تولید مدل هایی با زبان های بزرگ دوری می کند.
هنوز مشارکت انسان در توسعه هوش مصنوعی بسیار زیاد است که هزینه های توسعه را گران می کند و بنابراین به غیر از چند شرکت میلیاردر دیگر شرکت ها از این فناوری استفاده نمی کنند.
اگر نرخ رشد در سال‌های آینده ثابت بماند، سخت‌افزار هوش مصنوعی در آموزش مدل‌های زبانی که به سرعت در حال تغییر هستند مشکل خواهد داشت و نیاز به استفاده از فناوری جدید RETRO دارد.
روش دیگری که می تواند نتایج امیدوارکننده ای ارائه دهد، استفاده از مدل های زبانی با چگالی کم است. پراکندگی شامل استفاده از برخی از پارامترهای مدل برای انجام محاسبات است. پارتیشن های مختلف یا خاص به صورت مشروط فعال می شوند.
این روند برخلاف مدل‌های زبان فشرده مانند GPT-3 و Gopher است که در آن همه پارامترها به پردازش همه داده‌های ورودی کمک می‌کنند.
Switch Transformer (1.7T)، Wu Dao 2.0 (1.75T)، یا M6 (10T) نمونه هایی از مدل های زبان کم تراکم هستند.
همچنین شاهد خواهیم بود که تراشه‌های هوش مصنوعی از مدل‌های مختلف زبان با چگالی پایین برای همگام شدن با پیشرفت‌های مدل زبانی بهره می‌برند. استارتاپ سخت افزار هوش مصنوعی Tenstorrent یک مثال است.
آنها به جای ساخت مدل های بزرگتر و گران تر، تراشه های هوشمندتری طراحی کرده و قدرت محاسباتی خود را افزایش می دهند.
در حال حاضر، 4 سال از روند ساخت مدل های زبان بزرگتر می گذرد. شاید دیگر هرگز مدل پارامتر 100 تریلیون را نبینیم. بزرگتر همیشه به معنای بهتر نیست و شرکت های سخت افزاری و نرم افزاری تاکید ویژه ای بر این موضوع دارند. روش های جدید طراحی و تولید مدل های زبانی هوشمندتر در سال 2022 آشکارتر خواهد شد.
​

2- ما را شگفت زده خواهد کرد که OpenAI مدل زبان GPT-4 را در سال 2022 ارائه خواهد کرد

چند ماه پیش، مقاله ای منتشر شد مبنی بر اینکه مدل زبان GPT-4 احتمالاً دارای اندازه بیش از 100 تریلیون پارامتر خواهد بود. یعنی 500 برابر بزرگتر از GPT-3. اما این حدس اشتباه به نظر می رسد.
در مورد آنچه می‌خواهیم در مورد روش‌های جدید ساخت مدل‌های زبانی بگوییم، OpenAi می‌خواهد ساخت مدل‌های زبان بزرگ‌تر را متوقف کند و مدل‌های زبانی هوشمندتر بسازد. مدل زبان GPT_3 صد برابر بزرگتر از GPT-2 بود. با این حال، GPT-4 همان اندازه GPT-3 را خواهد داشت. با این حال، با این تفاوت که عملکرد آن متفاوت خواهد بود.
در زمان نوشتن مقاله فوق، نویسنده، مانند بسیاری از مردم، فکر می کرد که هنگام ایجاد مدل زبان GPT-4، OpenAI همانند مدل های زبان قبلی مانند GPT، GPT-2 و GPT-3 عمل می کند.
اندرو فلدمن، مدیر عامل Cerebars Systems گفت که همزمان با معرفی WSE-2، جدیدترین تراشه هوش مصنوعی ساخت این شرکت، OpenAI از تراشه‌های خود برای نمایش نسخه‌های جدیدتر مدل زبان در خانواده GPT (مدل 100 تریلیون پارامتری) استفاده می‌کند. . . انجام دادند
با این حال، سم آلتمن، مدیر عامل OpenAi، چنین شایعاتی را تکذیب کرد. مدیر عامل شرکت در یک پرسش و پاسخ ویژه گفت که GPT-4 صد میلیارد پارامتر نخواهد داشت و فقط یک مدل متن ساده است.
او همچنین گفت که این مدل زبان ویژگی های منحصر به فردی خواهد داشت که در GPT-3 یافت نمی شود. با این حال، وی مشخص نکرد که چه ویژگی جدیدی به مدل زبان اضافه کرده است.
محققان OpenAI ظاهراً در تلاش برای بهبود کارایی و قدرت این مدل زبانی هستند و در عین حال اندازه را ثابت نگه می دارند (همانطور که DeepMind با RETRO انجام داد) و کاملاً از فرضیه مقیاس بندی فاصله دور می شوند. آنها گرفتند).
تکنیک های بازیابی، پردازش شرطی و ساخت ترانسفورماتورهای کارآمدتر برخی از روش های جایگزین شناخته شده برای مدل های بزرگتر هستند. اما چیزهای دیگری وجود دارد که OpenAI می تواند امتحان کند. مطمئنا این شرکت خیلی زود و در سال 2022 ما را غافلگیر خواهد کرد.
​

3- تسلا ربات های انسان نما خودکار نمی سازد

ایلان ماسک یک سرگرم کننده است و تسلا تاج اوست. ما طرفداران او هستیم و این دنیا هم زمین بازی اوست.
در سال 2021، روز هوش مصنوعی تسلا، ایلان ماسک به طرز عجیبی وعده داد که تسلا یک نمونه اولیه از یک ربات انسان‌نمای خودران را «سال آینده» تحویل خواهد داد. آنها قصد دارند فناوری خودگردان (هنوز ناقص) را به یک ربات انسان نما منتقل کنند.
ایلان ماسک فکر می کند تسلا برای کار روی این پروژه بسیار مناسب است. زیرا تمرکز زیادی روی اتوماسیون، ابررایانه ها و هوش مصنوعی در دنیای واقعی دارد.
هدف اصلی از ساخت ربات انسان نما انجام کارهای روزانه خطرناک، تکراری و کسل کننده است. ایلان ماسک گفت که انسان ها به زودی قادر خواهند بود با استفاده از زبان طبیعی به روبات ها فرمان دهند. به عنوان مثال از رسانه اکوموتیو، می توانید به ربات خود بگویید "آن پیچ را بردارید و با یک کلید در ماشین قرار دهید" یا می توانید به ربات خود بگویید "به خواربارفروشی برو و چیزهایی را که می خواهم برایم بیاور".
با این حال، چیزی که ایلان ماسک از استفاده از ربات انسان نما به عنوان یک شیرین کاری تبلیغاتی دیگر آگاه نیست یا از آن آگاه نیست این است که ساخت یک ربات انسان نما بسیار دشوارتر از ساخت یک ماشین خودران است (شکوهی که تسلا هنوز به آن دست یافته است). دور) بسیار دشوارتر است.
ما انسانها حواس متعددی داریم. زیرا ما در دنیای چندوجهی توسعه یافته ایم. خودروهای خودران فقط بینایی دارند و این ویژگی خودروهای خودران مانع از درک صدا، طعم، بو، بافت، فشار و دما می شود.
ما انسان ها کانال های ادراکی مختلف را در یک بازنمایی واحد از واقعیت ادغام می کنیم و از آن ها برای حرکت در جهان استفاده می کنیم.
یک ربات انسان نما به حسگرهای لمسی، قابلیت های حس عمقی و نمایش دقیق داخلی نیاز دارد که هیچ کدام در فناوری خودروهای بدون راننده یافت نمی شوند و بالاتر از همه، روح انسان به سیستمی برای انتخاب و فیلتر کردن اطلاعات ادراکی نیاز دارد. این مهم است.
همانطور که برای کار مداوم مفید است. زیرا تهدید کننده زندگی است یا به هر دلیل دیگری که در این محدوده قرار می گیرد. مدل سازی مکانیسم های توجه در زبان آسان است. اما وقتی نوبت به یکپارچه‌سازی، انتخاب و تصمیم‌گیری در مورد ادراکات می‌رسد، فناوری چندان در سطح انسانی نگاه نمی‌کند.
هنگامی که شخص متوجه شد که ادراکات حسی چقدر در درون خود نهفته است، باید اطلاعات را پردازش کند، مراحل بعدی را برنامه ریزی کند، تصمیم بگیرد که چه چیزی بدیهی است و چه چیزی نیست، و با توجه به طبیعت دائماً در حال تغییر جهان و خود عمل کند. یک خودروی خودران تنها دو هدف دارد: رسیدن از نقطه A به نقطه B و رعایت قوانین راهنمایی و رانندگی.
یک ربات خودکار همچنین باید دنیای اطراف ما و واکنش های ما را درک کند. اگر در آسمان ابر وجود داشته باشد، باید بتوان احتمال بارش احتمالی را پیش بینی کرد. وقتی باران می بارد، زمین ممکن است خیس شود. اگر سطح زمین خیس باشد، ممکن است فرد بلغزد و بیفتد. این زنجیره استدلال برای ما روشن است. اما برای هوش مصنوعی، این واضح نیست.
درک چندگانه، توجه، برنامه‌ریزی، تصمیم‌گیری، عقل سلیم و استدلال علّی از زمان تصور آن در دهه 1950 برای هوش مصنوعی دور از دسترس بوده است.
ایلان ماسک تا یک سال دیگر این کار را انجام نخواهد داد.
​

4- بحث های جاری علیه سوگیری در هوش مصنوعی زبانی

اخلاق هوش مصنوعی در سال های اخیر به یک موضوع داغ تبدیل شده است. در سال 2022، شاهد آگاهی بیشتر شرکت ها از این موضوع خواهیم بود. آنها حتی سعی می کنند سود بیشتری کسب کنند. اگرچه احتمالاً به این دلیل که پرداختن به این موضوع از نظر اقتصادی ارزش دارد.
هر چه مدل‌های زبانی بزرگ‌تر و قوی‌تر باشند، احتمال آسیب رساندن به آن‌ها بیشتر است. شرکت ها تکنیک هایی را برای کاهش تعصب در مدل حاصل از مجموعه داده ها پیاده سازی کرده اند. برخی موارد مانند مدیریت داده ها و فیلترینگ قبل از آموزش پیاده سازی می شوند. در حالی که سایرین در پایین‌دست اعمال می‌شوند، مانند بهینه‌سازی مدل‌ها برای بهبود رفتار، تماشای پخش برنامه‌ها، یا تعریف و اجرای بهتر دستورالعمل‌های عملیاتی دقیق.
اما با وجود تلاش ها، هیچ مدل زبانی از این ایرادات مستثنی نیست. کارشناسان اخلاق بارها گزارش داده اند که شرکت ها به اندازه کافی برای کاهش این رفتارهای مخاطره آمیز انجام نمی دهند. آنها از این شرکت ها انتقاد می کنند که سود را هدف بهینه سازی می دانند.
متخصصان در این زمینه همچنین تشخیص می‌دهند که مشکلات مدل‌های زبان بزرگ، درونی و به سختی قابل حل هستند. به همین دلیل است که Emily M. Bender و Timit Gebrow به محققان توصیه می کنند که به چیزهایی فراتر از "مدل های زبان بزرگتر" فکر کنند.
مقاله دوم DeepMind شامل طبقه بندی مفصلی از خطرات اخلاقی و اجتماعی آسیب ناشی از مدل های زبانی است. آنها ماهیت خطرات را ترسیم می کنند، منشأ آنها را تجزیه و تحلیل می کنند، رویکردهای کاهش احتمالی را توصیف می کنند، و توصیه هایی را برای کار آینده روی مدل های زبان ارائه می دهند. آنها متوجه شدند که برای کاهش خطر آسیب باید کارهای زیادی انجام شود. تا زمانی که استفاده آزاد از این مدل ها برای انسان به اندازه کافی ایمن باشد.
توسعه مدل های زبان بزرگتر به این زودی متوقف نخواهد شد. تعصب و رفتار خطرناک با این مدل ها 100% از بین نمی رود. در سال‌های آینده شاهد دو مسیر خواهیم بود: آن‌هایی که هدف اصلی‌شان توسعه فناوری است و آن‌هایی که هدف اصلی‌شان این است که دنیا را به مکانی قابل زندگی‌تر تبدیل کنند.
این رفتارهای مضر هرگز به طور کامل از سیستم های هوش مصنوعی پاک نمی شود. اما جامعه هوش مصنوعی در نهایت متوجه خواهد شد که LLM ها قدرت محدودی دارند و هدف بزرگ کردن این مدل های زبانی نیست.
​

5- خودروهای خودران هنوز کاملاً خودران نخواهند بود

هیچ شرکتی در دنیا هنوز خودروی خودران تولید نکرده است.
تسلا مفاهیم «خودران کامل» و «خلبان خودکار» را معرفی کرد تا مشتریان فکر کنند که می توانند خودروهای خودران خود را برانند، که اینطور نیست. در سال 2020، مقامات آلمانی به این رفتار واکنش نشان دادند و تسلا را از استفاده از چنین زبان گمراه کننده برای اهداف بازاریابی منع کردند.
خودروهای خودران با واقعیت فاصله زیادی دارند. اتوپایلوت تسلا به خودروها کمک می‌کند تا سناریوهای رایج را هدایت کنند، اما نمی‌تواند سناریوهایی را که انسان‌ها به بهترین شکل انجام می‌دهند بررسی کند و منجر به تصادف می‌شود.
واضح است که خودمختاری کامل به این زودی اتفاق نخواهد افتاد. با این حال، همه با این نظریه موافق نیستند.
ایلان ماسک از سال 2015 وعده خودروهای کاملاً خودران را داده است. در سخنرانی اصلی Nvidia GTC، "من فکر نمی کنم نگرانی در مورد خودروهای خودران وجود داشته باشد، زیرا این فناوری از هوش مصنوعی استفاده می کند، و فکر نمی کنم خیلی سخت باشد." من آن را تقریباً به عنوان یک مشکل حل شده می بینم.» او سپس متعهد شد که ظرفیت ناوگان خودروهای خودران خود را هر دو سال یکبار افزایش دهد.
او در سال 2016 پیش بینی کرد که این فناوری تا سال 2017 آماده خواهد شد. او گفت: "من احساس بسیار خوبی در مورد دستیابی به هدف ارائه خودروهای خودران دارم." این خودرو در سال 2017 از لس آنجلس به نیویورک سفر خواهد کرد. در سال 2018، "من فکر می کنم سال آینده به فناوری خودروهای کاملاً خودمختار خواهیم رسید." وی همچنین گفت که در سال 2020 فناوری خودروهای کاملاً خودران تا پایان سال جاری در دسترس خواهد بود.
او هر بار اشتباه می کرد.
او سرانجام در سال 2021 در توییتی به چالش این چالش اذعان کرد.
شرکت های دیگر نیز موفقیت هایی را در خودروهای خودران ارائه کرده اند. این شرکت ها به اندازه تسلا محبوب نیستند و راه آنها را دنبال نمی کنند. Waymo و Cruise خودروهای کمتری در جاده دارند. اما در مقابل، رویکرد ایمن تری را برای تولید خود در نظر می گیرند.
اکثر کارشناسان موافقند که رانندگی خودکار تنها با حس بینایی امکان پذیر نخواهد بود و سایر فناوری های ترسیمی نیز برای ورود به مراحل بعدی ضروری هستند. با وجود تلاش زیاد این شرکت ها برای ارائه فناوری خودروهای بدون راننده، این شرکت ها همچنان از تسلا فاصله زیادی دارند.
به نظر می رسد تسلا به دو دلیل از رقبای خود جلوتر است: اول، آنها از یک رویکرد صرفا مبتنی بر دید برای فناوری خودروهای بدون راننده خود استفاده می کنند. یعنی به شبکه های عصبی دستور می دهند که بهترین عملکرد را داشته باشند. آنها حجم زیادی از داده های ضبط شده از خودرو را با دوربین پردازش می کنند.
البته برخلاف گفته های ایلان ماسک، هنوز مشخص نیست که آیا مشکلات موجود در فناوری خودروهای بدون راننده به این شکل حل می شود یا خیر.
دلیل دوم این است که تسلا بهتر است خودروهای خودران بفروشد تا تولید آنها. همه ایلان ماسک و تسلا را دوست ندارند. اما کسانی که این شرکت را دوست دارند، طرفداران همیشگی آن هستند. سیل خودروهای تسلا در جاده های سراسر جهان وجود دارد.
تسلا نمی تواند تا یک سال دیگر انتظارات را برآورده کند زیرا این فناوری هنوز آماده نیست یا اینکه فناوری هنوز وجود ندارد. شرکت های دیگر نیز خودروهای خودران نمی سازند. زیرا وجود ایمنی در فناوری خودروهای بدون راننده نشان از پیشرفت کند در حوزه ایمنی این خودروها دارد. در این صورت، هنوز هم ارزشش را دارد.
تسلا فکر می کند که در خط مقدم فناوری خودروهای خودران است. اما اینطور نیست. ایلان ماسک در اجتناب از وعده های محقق نشده استاد است. خودروهای خودران در آینده فراتر از تصور مردم هستند.