چه پیشرفت هایی می تواند رسیدن به نقاط عطف را تسریع کند؟
کاهش هزینه های ذخیره سازی طی دو دهه گذشته مفهوم "کلان داده" را ایجاد کرد. پیشرفت های رایانه ای در پردازنده های گرافیکی به طور منحصر به فردی الگوریتم را قادر می سازد تا در شبکه های عصبی بسیار بزرگتر اعمال شود. با استفاده از این شبکه های عصبی آموزش دیده بر روی مجموعه داده های بسیار بزرگ، محققان تمام پیشرفت های اخیر حاصل از یادگیری عمیق را به دست آوردند. ترکیبی از داده ها، الگوریتم ها و پیشرفت های محاسباتی باعث ایجاد نقطه عطف شد. برای جستجوی نقطه عطف بعدی هوش مصنوعی، مفید است که دو باره منظره را با استفاده از سه جزء تشکیل دهنده زیر در نظر بگیرید.پیشرفت های عمده الگوریتمی و رویکردهای جدید روباتیک
ممکن است به خوبی به رویکردهای کاملاً جدیدی نیاز باشد تا ما به سمت حتی سطح هوشی که توسط یک سگ یا یک کودک دو ساله نشان داده می شود، هدایت شویم. نمونه ای که محققان در حال بررسی آن هستند مفهوم شناخت مجسم است. فرضیه آنها این است که روبات ها باید از طریق بسیاری از حواس، از محیط زندگی خود بیاموزند، دقیقاً مانند انسان ها در مراحل اولیه زندگی - و آنها مجبورند جهان فیزیکی را از طریق جسمی شبیه به بدن انسان تجربه کنند تا از نظر شناختی به همان روشی که انسان رشد می کند رشد کنند. همگامی با چشم انداز سریع هوش عمومی مصنوعی بدون تجربه دست اول کار در کنار سازمان های پیشرو دشوار است. با توجه به این که جهان فیزیکی از قبل در اطراف انسان طراحی شده است، این رویکردی مناسب است، و مانع از طراحی مجدد بسیاری از رابط های فیزیکی ما - از دستگیره در گرفته تا راه پله و دکمه های آسانسور - می شود. مطمئناً، اگر قرار است با روبات های هوشمند ارتباط برقرار کنیم، مجبور خواهیم شد که آنها را دوست داشته باشیم. و این احتمال وجود دارد که چنین پیوندهایی تنها در صورتی اتفاق بیفتند که آنها شبیه ما باشند.
کل پیشرفت در یادگیری عمیق توسط الگوریتم backpropagation (انتشار عقب) امکان پذیر است، که به شبکه های عصبی بزرگ و پیچیده امکان یادگیری از داده های آموزش را می دهد. هینتون، به همراه همکارانش دیوید روملهارت و رونالد ویلیامز ، "یادگیری بازنمایی با خطاهای انتشار مجدد" را در سال 1986 منتشر کردند. 26 سال دیگر طول کشید تا افزایش قدرت محاسباتی و رشد "داده های بزرگ" استفاده از این کشف را در مقیاسی که امروز دیده می شود مقدور سازد. در حالی که بسیاری از محققان در نحوه استفاده از روش های ذخیره در یاد گیری عمیق پیشرفت هایی صورت داده اند ، هیچ یک از این پیشرفت ها به یک روش تحول آفرین نبوده اند. (کارهای اخیر هینتون در مورد "شبکه های کپسولی" به خوبی می تواند یکی از این پیشرفت های الگوریتمی باشد که می تواند در میان سایر برنامه ها، بر محدودیت های شبکه های عصبی امروزی در بینایی ماشین غلبه کند.)
یاد گیری عمیق یک حالت "ورقه خالی" را فرض می کند و این که تمام "هوش" را می توان از داده های آموزش آموخت. هر کسی که تاکنون یک پستاندار در حال تولد را مشاهده کرده باشد، تشخیص می دهد که چیزی مانند یک آهو بره با داشتن سطحی از دانش تعبیه شده در خود، زندگی را آغاز می کند. در عرض 10 دقیقه ایستاده، و می داند چگونه تقریباً بلافاصله تغذیه کند و در عرض چند ساعت راه می رود. همان طور که مارکوس و دیویس در راه اندازی مجدد هوش مصنوعی اشاره می کنند، "ما اعتقاد داریم که پیشرفت واقعی در هوش مصنوعی با درک این که چه نوع دانش و ارائه هایی باید قبل از یاد گیری، برای خود راه اندازی بقیه، تعبیه شود، آغاز خواهد شد." موفقیت اخیر در یاد گیری عمیق ممکن است توجه تحقیقات را از اساسی ترین کار شناختی مورد نیاز برای پیشرفت در هوش عمومی مصنوعی یا artificial general intelligence (AGI) دور کرده باشد.
استفاده از پردازنده های گرافیکی برای آموزش شبکه های عصبی عمیق یک تغییر اساسی بود که پیشرفت های عمده صورت گرفته در چند سال اخیر را ممکن ساخت. پردازنده های گرافیکی به گونه ای منحصر به فرد محاسبات پیچیده مورد نیاز الگوریتم انتشار عقب (backpropagation) هینتون را مقدور ساختند به این منظور که به طور موازی اعمال شوند، و بدین طریق آموزش شبکه های عصبی بسیار پیچیده را در مدت زمان محدود امکان پذیر ساختند. قبل از این که انتظار رشد هر چه بیشتری به سمت AGI وجود داشته باشد، یک نقطه انعطاف مشابه در زیر ساخت های محاسبات باید با پیشرفت های الگوریتمی منحصر به فرد مطابقت داشته باشد.
رایانش (یا محاسبات) کوانتومی غالباً به عنوان یکی از پیشرفت های بالقوه رایانش شناخته می شود که می تواند جامعه ما را تغییر دهد. اما، همان طور که همکاران ما اخیراً در یک گزارش تحقیقاتی اشاره کرده اند، محاسبات کوانتومی نه به عنوان جایگزینی برای دستگاه های امروزی، بلکه برای حل مشکلات آماری بسیار پیچیده ای ارائه شده است که توان محاسباتی فعلی نمی تواند آنها را برطرف کند. رایانش (یا محاسبات) کوانتومی غالباً به عنوان یکی از پیشرفت های بالقوه رایانش شناخته می شود که می تواند جامعه ما را تغییر دهد. علاوه بر این، اولین اثبات واقعی این که کامپیوترهای کوانتومی از عهده حل این نوع مسائل بر می آیند، فقط در اواخر سال 2019 ارائه شده است، و آن هم فقط برای حل یک تمرین که کاملاً ریاضی است و هیچ استفاده ای در دنیای واقعی برای آن وجود ندارد. دستیابی به سخت افزار و نرم افزار لازم برای رسیدگی به مشکلاتی از نوع موارد مورد نیاز برای پیشرفت در هوش مصنوعی ممکن است تا سال 2035 یا بعد از آن برای ما حاصل نشود. با این وجود، محاسبات کوانتومی یکی از محتمل ترین نقاط عطف احتمالی و یکی از مواردی است که می تواند زبانه های بسته را باز نگه دارد.
رشد قابل توجه در حجم داده ها و از منابع جدید
گسترش زیر ساخت های تلفن همراه 5G یکی از پیشرفت های فناوری است که برای افزایش قابل توجه داده ها، که به دلیل روشی که این فناوری می تواند رشد در اینترنت اشیاء (IoT) را افزایش دهد مورد نیاز است، مورد توجه قرار گرفته است. با این وجود، تحقیقات انجام شده توسط همکاران ما، موانع اجرای 5G را، به ویژه در زمینه اقتصادی برای اپراتورها، مشخص کرده است. همچنین، در یک نظرسنجی انجام شده در سال 2019، اپراتورها گزارش دادند که IoT را هدف اصلی 5G نمی دانند، زیرا احتمالاً قابلیت موجود IoT برای بیشتر موارد استفاده کافی بوده است. در نتیجه، بعید به نظر می رسد که 5G به عنوان نقطه عطف عمده ای برای افزایش حجم داده و به عنوان فعال کننده بعدی آموزش اطلاعات تلقی شود. بیشتر مزایا ممکن است تاکنون ظاهر شده باشند.
رویکردهای جدید روباتیک می تواند منابع جدیدی از داده های آموزش را به دست دهد. با قرار دادن روبات هایی شبیه انسان، با شباهت هایی حتی در زمینه کارکردهای اساسی، در بین انسان ها - و انجام این کار در مقیاس های انسانی - مجموعه های بزرگی از داده ها که از حواس خودمان تقلید می کنند می توانند به بسته شدن یک حلقه بازخورد آموزشی کمک کنند که سریع ترین پیشرفت تکنولوژیک را ممکن می سازند. استفاده از پردازنده های گرافیکی برای آموزش شبکه های عصبی عمیق یک تغییر اساسی بود که پیشرفت های عمده صورت گرفته در چند سال اخیر را ممکن ساخت. اتومبیل های پیشرفته خود ران، یکی از این نمونه هاست: داده های جمع آوری شده توسط اتومبیل های موجود در بازار، به عنوان یک مجموعه آموزشی برای توانایی خود رانندگی در آینده عمل می کنند. علاوه بر این، تحقیقات زیادی در زمینه تعامل انسان و روبات در حال انجام است. با یافتن موارد استفاده اولیه برای روبات های شبه انسان، این تحقیق می تواند تا حد زیادی به داده های آموزشی لازم برای گسترش توانایی های آنها اضافه کند.
آنچه مجریان می توانند انجام دهند
مراحل بعدی برای مجریان چیست؟ بهترین روش برای خنثی کردن هیاهوی تبلیغاتی در مورد AGI انجام اقدامات ملموس برای نظارت بر تحولات و موقعیت سازمان شما برای پاسخگویی مناسب به پیشرفت واقعی در این زمینه است. چک لیست زیر اقداماتی را برای در نظر گرفتن ارائه می دهد.* در مورد تحولات AGI از نزدیک مطلع باشید، خصوصاً با توجه به وجود راه های پیشرفت AGI با سرعتی بیشتر از حد انتظار. برای فعال کردن این امر، با شرکت های نو پا در ارتباط باشید و چارچوبی برای رتبه بندی و رد یابی پیشرفت تحولات AGI که مربوط به تجارت شما هستند، ایجاد کنید. به علاوه، شروع به در نظر گرفتن کنترل درست، شرایط و مرزهای مناسب برای موفقیت در مشاغل و جوامع خود کنید.
* محیط های متناسب برای امکان پیشرفت هوش مصنوعی باریک ایجاد کنید – و قبل از اقدام منتظر توسعه AGI نباشید. برای تنظیم چشم انداز و افزایش جذب می توان از همین امروز گام هایی برداشت. این ها شامل ساده سازی فرایندها، ساختار دهی فضاهای فیزیکی و تبدیل سیستم های آنالوگ و داده های غیر ساختاری به سیستم های دیجیتالی و داده های ساختاری است. برنامه های دیجیتال و اتوماسیون امروزه می توانند راه انتقال به AGI را برای مشتریان، کارمندان و سهامداران شما هموار کنند.
* این، سرمایه گذاری در رابط های ترکیبی انسان و ماشین یا فناوری "انسان در حلقه" است که به جای جایگزینی، هوش انسان را تقویت می کند. این دسته شامل هر چیزی، از تجزیه و تحلیل برای بهبود تصمیم گیری انسان گرفته تا عوامل شناختی، است که در کنار عوامل مرکز تماس کار می کنند. استفاده از فناوری برای کمک به بهره وری بیشتر مردم موتور پیشرفت اقتصادی بوده است و احتمالاً در آینده ای قابل پیش بینی نیز چنین خواهد بود.
* فناوری را در شرکت خود دمکراتیک کنید. به این ترتیب پیشرفت با ظرفیت سازمان فناوری اطلاعات شما در تنگنا قرار نمی گیرد. این به این معنی نیست که اجازه دهید فناوری وحشی شود. این به معنای ایجاد قابلیت های فنی خارج از فناوری اطلاعات، و استقرار گزینشی سیستم عامل هایی است که به مهارت برنامه نویسی کمی احتیاج دارند و یا به هیچ وجه به آن احتیاج ندارند، و طراحی مدل های کنترلی که به جای خفه کردن نوآوری، آن را تشویق کنند.
* کارگران خود را برای صرفه جویی های جدید در مقیاس و مهارت سازمان دهید. ساختارهای سفت و سخت سازمانی و مدل های عملی گذشته برای جهانی که هوش مصنوعی به سرعت در حال پیشرفت است مناسب نیست. از قدرت انسان ها برای کار در محیط های پیچیده و خود سازماندهی استقبال کنید. به عنوان مثال، مدل هایی از جریان کار را تنظیم کنید که به افراد امکان می دهد بدون وقفه بین ابتکارات و گروه ها حرکت کنند.
* به استقبال ریسک های کوچکی بروید تا گزینه های استراتژیک را در مناطقی از کسب و کار خود که بیشتر در معرض تحولات AGI هستند، حفظ کنید. به عنوان مثال، سرمایه گذاری در شرکت های فناوری‌ای را دنبال کنید که پروژه های بلند پروازانه تحقیق و توسعه در صنعت خود را دنبال می کنند. روبات ها باید از طریق بسیاری از حواس، از محیط زندگی خود بیاموزند، دقیقاً مانند انسان ها در مراحل اولیه زندگی دانستن این که ریسک های شما چه زمانی به نتیجه می رسند غیر ممکن است، اما سرمایه گذاری های هدفمند امروز می توانند به شما کمک کنند خطراتی را که ممکن است در آینده کسب و کار شما با آن رو به رو شود، بپوشانید.
* با سایر شرکت ها، دولت ها و مؤسسات دانشگاهی، مدل ها و بسترهای نرم افزاری نو آوری را کاوش کنید. چنین ترتیباتی برای تست هنر و تفاوت های ظریف ممکن و تجاری AGI ضروری است. همگامی با چشم انداز سریع AGI بدون تجربه دست اول کار در کنار سازمان های پیشرو دشوار است.
AGI ممکن است در این دهه یا حتی این قرن آماده نباشد - اما برخی از قابلیت ها ممکن است شروع به ظاهر شدن در مکان هایی کنند که شما انتظار ندارید. این مزایا بیشتر به افراد مراقب و آماده تعلق خواهد گرفت.
منبع: فدریکو بروتی، پیتر نل، راب ویتمن، McKinsey & Company
