پاشنه آشیل هوش مصنوعی؛ چرا معماهای ساده هنوز ماشین‌ها را شکست می‌دهند

برخی معماهای ساده برای انسان‌ها همچنان چالش بزرگی برای هوش مصنوعی محسوب می‌شوند و این نشان می‌دهد که رسیدن به AGI به دلیل ضعف در تعمیم‌پذیری هنوز دور از دسترس است.

به گزارش تکناک، هوش مصنوعی در سال‌های اخیر موفق شده است در بسیاری از حوزه‌های تخصصی عملکردی شگفت‌انگیز از خود نشان دهد. این فناوری توانسته است در بازی‌های پیچیده‌ای مانند شطرنج و Go از انسان‌ها پیشی بگیرد و حتی در آزمون‌های دانشگاهی با موفقیت چشمگیری عمل کند.

اما پرسش اساسی همچنان پابرجاست: آیا این دستاوردها به معنای دستیابی به هوش عمومی مصنوعی (AGI) است؟ پاسخ پژوهشگران منفی است. واقعیت این است که برخی از ساده‌ترین معماها که برای انسان‌ها تنها چند ثانیه زمان می‌برد، همچنان برای پیشرفته‌ترین مدل‌های هوش مصنوعی به چالشی بزرگ تبدیل می‌شوند.

یکی از مهم‌ترین ابزارهایی که این محدودیت را آشکار کرده، مجموعه آزمون‌هایی با نام Abstraction and Reasoning Corpus یا ARC است. این آزمون‌ها نخستین بار در سال ۲۰۱۹ توسط François Chollet، پژوهشگر سرشناس هوش مصنوعی، طراحی شد. ARC شامل مجموعه‌ای از معماهای کوچک مبتنی بر شبکه‌های رنگی است که از حل‌کننده می‌خواهند قاعده‌ای پنهان را کشف کرده و آن را در یک شبکه جدید اعمال کند.

ویژگی کلیدی این آزمون آن است که در آن، داده‌های آموزشی بسیار محدود هستند و موفقیت به توانایی تعمیم‌پذیری و استنتاج وابسته است؛ همان قابلیتی که اساس یادگیری انسانی به شمار می‌رود. به همین دلیل، بنیاد غیرانتفاعی ARC Prize این آزمون را به معیاری جهانی برای ارزیابی مدل‌های هوش مصنوعی تبدیل کرده و اکنون تمامی شرکت‌های بزرگ فعال در این حوزه از آن بهره می‌گیرند.

این بنیاد تاکنون نسخه‌های گوناگونی از آزمون را ارائه کرده است. ARC-AGI-1 نخستین نسخه بود که توانایی مدل‌ها را در درک الگوها بررسی می‌کرد. نسخه دوم یعنی ARC-AGI-2 با طراحی چالش‌برانگیزتر، مرزهای جدیدی برای مدل‌های یادگیری عمیق ایجاد کرد. این هفته نیز نسخه تازه‌ای با نام ARC-AGI-3 معرفی شده که بر اساس بازی‌های ویدیویی ساخته شده و هدف آن سنجش عامل‌های هوش مصنوعی در محیط‌های پویا و تعاملی است.

در ARC‑AGI‑2 (نسخه‌ی دوم مجموعه‌تستی ARC برای بررسی هوش عمومی مصنوعی)، «تفسیر نمادین» نوعی مسأله است که در آن نمادها باید فراتر از الگوهای بصری ساده تفسیر شوند.

Greg Kamradt، پژوهشگر هوش مصنوعی و رئیس بنیاد ARC Prize، در گفت‌وگو با مجله Scientific American توضیح می‌دهد: «تعریف ما از هوش، توانایی یادگیری چیزهای جدید است. ما می‌دانیم که مدل‌های هوش مصنوعی می‌توانند در بازی‌هایی مانند شطرنج یا Go پیروز شوند، اما این موفقیت به معنای تعمیم‌پذیری آن‌ها به حوزه‌های جدید نیست. برای مثال، یک مدل که در بازی Go بی‌رقیب است، قادر به یادگیری زبان انگلیسی نخواهد بود.»

او ادامه می‌دهد: «آزمون ARC-AGI در واقع یک مهارت کوچک را به مدل آموزش می‌دهد و سپس از آن می‌خواهد همان مهارت را در شرایط جدید به کار گیرد. این موضوع نشان‌دهنده توانایی یادگیری در یک حوزه محدود است، اما هنوز با AGI فاصله زیادی دارد. AGI زمانی محقق می‌شود که دیگر نتوانیم مسئله‌ای پیدا کنیم که انسان قادر به حل آن باشد اما هوش مصنوعی نتواند.»

Kamradt همچنین تأکید می‌کند: «ما این معماها را روی انسان‌ها آزمایش می‌کنیم و افراد عادی به‌راحتی موفق به حل آن‌ها می‌شوند، اما هوش مصنوعی هنوز با دشواری‌های جدی روبه‌رو است. این مسئله اهمیت ویژه‌ای دارد زیرا حتی مدل‌های پیشرفته‌ای مانند Grok، که می‌توانند در آزمون‌های دانشگاهی یا مسائل پیچیده موفق عمل کنند، فاقد قدرت تعمیم‌پذیری انسانی هستند.

به بیان دیگر، آن‌ها هوش نقطه‌ای دارند، نه هوش عمومی.»پژوهشگران بر این باورند که باید میان «هوش نقطه‌ای» و «هوش عمومی» تمایز قائل شد. هوش نقطه‌ای به توانایی خارق‌العاده یک مدل در حل مسائل محدود و مشخص اطلاق می‌شود. اما هوش عمومی، توانایی سازگاری با موقعیت‌های جدید، یادگیری مهارت‌های تازه و تعمیم آموخته‌ها به حوزه‌های متفاوت است. درست همان چیزی که انسان‌ها به‌طور طبیعی انجام می‌دهند.

برای مثال، یک کودک می‌تواند با مشاهده چند نمونه ساده، قاعده‌ای کلی را دریابد و آن را در شرایط تازه به کار گیرد. این توانایی در قلب مفهوم AGI قرار دارد، در حالی که مدل‌های یادگیری عمیق فعلی برای انجام وظایف مشابه به حجم عظیمی از داده‌های آموزشی نیازمند هستند.

نسخه تازه آزمون ARC-AGI-3 که این هفته معرفی شد، به‌طور خاص بر پایه بازی‌های ویدیویی طراحی شده است. این انتخاب تصادفی نیست. بازی‌های ویدیویی محیطی پویا، تعاملی و پر از موقعیت‌های غیرمنتظره هستند که مدل‌های هوش مصنوعی را وادار به تصمیم‌گیری‌های جدید و تعمیم‌پذیر می‌کنند. بسیاری از پژوهشگران بر این باورند که موفقیت یا ناکامی در چنین محیط‌هایی، می‌تواند بهترین سنجه برای میزان نزدیکی یک مدل به AGI باشد.

آنچه از این پژوهش‌ها برمی‌آید، روشن می‌سازد که مسیر رسیدن به AGI بسیار پیچیده‌تر از عبور از آزمون‌های علمی یا پیروزی در بازی‌های فکری است. اگرچه هوش مصنوعی در برخی حوزه‌ها دستاوردهایی فراتر از انسان دارد، اما ناتوانی آن در حل معماهای ساده‌ای که انسان‌ها به‌راحتی انجام می‌دهند، نشان می‌دهد که هنوز با هوش عمومی فاصله زیادی دارد. به بیان دیگر، پاشنه آشیل هوش مصنوعی همچنان در «تعمیم‌پذیری» نهفته است؛ همان قابلیتی که یادگیری و سازگاری انسان‌ها را ممکن می‌سازد.

نرگس چالوک

نرگس چالوک

به‌عنوان مترجم وب‌سایت خبری در حوزه فناوری فعالیت می‌کنم و تجربه‌ی خوبی در زمینه‌ی سئو، تولید و انتشار محتوا، نگارش و ویرایش مقالات و گزارش‌های خبری دارم.علاوه بر این، مدرس زبان انگلیسی هستم و سال‌هاست به کودکان و بزرگسالان در محیط‌های حضوری و آنلاین آموزش می‌دهم. همیشه تلاش کرده‌ام شیوه‌های آموزشی متنوع و مؤثر را به‌کار بگیرم و با صبر و انگیزه، یادگیری زبان را برای زبان‌آموزان آسان‌تر کنم.

خبر بعدی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *