ستكون هذه المهارة البشرية الأساسية هي المعلم المهم التالي الذي يجب على الذكاء الاصطناعي تحقيقه

هل تتذكر شعور المفاجأة والفرح عندما اكتشفت لأول مرة أن جميع الأشياء والظواهر في هذا العالم مرتبطة ببعضها البعض - أكثر أو أقل - وفق نموذج ارتباط يسمى السبب - النتيجة: إذا كان الأمر كذلك، فهذا هو الحال أو أن هذا الحدث هو السبب المؤدي إلى ذلك الحدث.

يبدو هذا "كليًا" ولكنه في الواقع بسيط للغاية، وهو فئة من المهارات الإنسانية الأساسية. تظهر الأبحاث العلمية أننا نبدأ في فهم مبدأ السبب والنتيجة في وقت مبكر من عمر ثمانية أشهر - عندما لا نكون قادرين على التحدث بعد. فهو يساعدنا على التوصل إلى استنتاجات أولية حول وجود الأشياء والظواهر في العالم المحيط. ومع ذلك، لا يستطيع معظمنا أن يتذكر أشياء كثيرة قبل أن يبلغ سن الثالثة أو الرابعة تقريبًا، وبالتالي فإن القدرة على إدراك السبب والنتيجة، والتي تساعد في الإجابة على أسئلة "لماذا"، تصبح تدريجيًا مهارة من الوظائف الأساسية، التي نقوم بها ببساطة. أمر مفروغ منه.

ومع ذلك، في الواقع، هذا ليس فقط درسًا مهمًا للناس لفهم العالم من حولهم، ولكنه أيضًا مهارة لا تزال أنظمة الذكاء الاصطناعي (AI) اليوم سيئة للغاية فيها ويجب تعليمها وتحسينها للحصول على أداء أفضل.

إن قدرة أنظمة الذكاء الاصطناعي الحديثة على التغلب على الأشخاص الذين يلعبون لعبة Go أو يقودون السيارات في الشوارع المزدحمة لا تحتاج بالضرورة إلى مقارنتها بنوع الذكاء الذي يمكن للبشر استخدامه لإتقان هذه الاحتمالات. وذلك لأن البشر - حتى وهم رضع - يمتلكون بالفعل القدرة على تعميم المواقف من خلال تطبيق المعرفة من مجال إلى آخر. لكي يصل الذكاء الاصطناعي إلى إمكاناته الكاملة، هذا ما يجب عليه أيضًا القيام به.

إن القدرة على التفكير في السبب والنتيجة هي المهارة التالية التي يحتاج الذكاء الاصطناعي إلى اكتسابها

على سبيل المثال، إذا تعلم روبوت الذكاء الاصطناعي كيفية بناء منزل باستخدام الطوب، فإن مهارات تحليل السبب والنتيجة يمكن أن تساعده على فهم وإدراك أنه يمكنه أيضًا استخدام هذا الطوب لبناء منزل. . بمعنى آخر، يمكن تحقيق ذلك عندما يمتلك الذكاء الاصطناعي المهارة اللازمة لفهم علاقات السبب والنتيجة بين المتغيرات البيئية المختلفة.

عالم التدريب الافتراضي للذكاء الاصطناعي

نحن بحاجة إلى بيئة تدريب عميقة للذكاء الاصطناعي تمكن نماذج التعلم الآلي المتقدمة من التعميم بشكل أفضل على التغيرات المختلفة في الخصائص البيئية، مثل كتلة الأشياء أو شكلها. على سبيل المثال، عندما يتعلم الروبوت كيفية التقاط جسم معين، يمكننا أن نتوقع منه أن يكون قادرا على التعرف على الوضع الذي يجب أن يقف فيه، فضلا عن مقدار القوة التي يجب استخدامها لالتقاط جسم ضخم وضخم. طالما أنه يفهم التطبيقات المناسبة للسبب والنتيجة في كل حالة معينة. وهذا ما دفع العلماء إلى إنشاء أداة تسمى CausalWorld.

إذا كان نوع بيئة التدريب الافتراضية التي نسمع عنها كثيرًا في أفلام الخيال العلمي، كما هو الحال في The Matrix - عالم افتراضي لا تنطبق عليه القواعد. في المقابل، في CausalWorld، يمكن للباحثين تدريب وتقييم أساليبهم بشكل منهجي في البيئات الآلية. الأمر كله يتعلق بالقواعد - وكيفية تطبيقها. هناك، يمكن تكليف الروبوتات بمهام مشابهة لما يحدث عندما يلعب الأطفال بلعبة الليغو، بالإضافة إلى الألعاب الأخرى المتعلقة بمهارات تحليل السبب والنتيجة. ويمكن للباحثين التدخل لاختبار قدرة الروبوت على التعميم أثناء تدريبه. إنها في الأساس بيئة اختبار تساعد في تقييم كيفية قيام الذكاء الاصطناعي بتعميم المشكلة.

بمجرد أن تتقن القدرة على تحليل السبب والنتيجة، سيتحسن أداء أنظمة الذكاء الاصطناعي عدة مرات، إلى جانب القدرة على العمل بشكل مستقل بشكل أكثر فعالية.