الگوریتم های هوش مصنوعی قدرتمند تا 2030

ریچارد ساتن (Richard Sutton)، یکی از پایه گذاران یادگیری تقویتی محاسباتی (computational reinforcement learning) محسوب می شود. وی با طرح هایی از جمله یادگیری تفاوت زمانی، روش های شبیه سازی سیاست و معماری Dyna، سهم قابل توجهی در این حوزه به خود اختصاص داده است. 

ساتن در گفتگو با medium به سوالات مختلفی در زمینه علوم رایانه و هوش مصنوعی (AI) پاسخ می دهد:

تحصیلات خود را در رشته ای غیر مرتبط با علوم رایانه آغاز کردید؛ در این مورد کمی توضیح دهید.

مدرک کارشناسی را در رشته روانشناسی اخذ کردم و سپس در علوم رایانه ادامه تحصیل دادم. این کار را تغییر جهت نمی دانم؛ همواره علاقه مند بودم در مورد فرآیند یادگیری مطالعه کنم و این مبحثی است که در رشته روانشناسی به آن پرداخته می شود. پس از اخذ مدرک کارشناسی در سال 1977، بدلیل علاقه مندی به موضوع هوش مصنوعی (AI) و مسائل مرتبط با این حوزه، علوم رایانه را تا مقطع دکترا ادامه دادم.

پس از اخذ مدرک فوق دکترا از دانشگاه ماساچوست، امهرست در سال 1984، به مدت 10 سال در آزمایشگاه های GTE فعالیت کردم. از سال 1998 یکی از اعضای اصلی دپارتمان هوش مصنوعی آزمایشگاه AT&T بودم؛ از سال 2003 به عنوان استاد در دانشگاه آلبرتا (کانادا) مشغول تدریس شدم و سرپرستی آزمایشگاه یادگیری تقویتی و هوش مصنوعی (RLAI) را برعهده گرفتم.

دیدگاه من در مورد هوش مصنوعی از طریق (تحصیل در رشته) روانشناسی و مطالعه یادگیری انسان و حیوانات، رنگ دیگری پیدا کرد؛ بسیاری از متخصصان هوش مصنوعی از این پیش زمینه بی بهره بودند و روانشناسی، الهام بخش من در این مسیر بود.

توسعه یادگیری تقویتی از دهه 1970 آغاز شده است؛ آیا این روند کند نبوده است؟

یادگیری تقویتی (Reinforcement Learning) یکی از فعال ترین حوزه های پژوهشی در هوش مصنوعی محسوب می شود. من با کند بودن روند توسعه یادگیری تقویتی (RL) موافق نیستم، اما قبول دارم که افزایش منابع محاسباتی تأثیر زیادی در این زمینه داشه است. قدرت محاسبات، عامل افزایش استفاده از آن بوده است.

انتظار می رود که تا سال 2030، هوش مصنوعی (AI) قوی در اختیار داشته باشیم. این مسأله تنها به سخت افزار ارزان بستگی ندارد، بلکه نیازمند الگوریتم های قوی نیز هستیم. معتقدم که درحال حاضر، الگوریتم های قوی هوش مصنوعی در اختیار نداریم، اما می توانیم تا سال 2030 این الگوریتم ها را داشته باشیم.

تا 2030 کدام اهمیت بیشتری دارد: سخت افزار یا نرم افزار؟

دیدگاهم در مورد هوش مصنوعی از طریق تحصیل در رشته روانشناسی و مطالعه یادگیری انسان و حیوانات، رنگ دیگری پیدا کرد

این سوال مهمی است که آیا سخت افزار در اولویت است یا نرم افزار. به نرم افزار برای آزمایش سخت افزار نیاز داریم  و در دسترس بودن سخت افزار، عامل رسیدن به نرم افزار است. ممکن است که تا 2030، سخت افزارهای کافی در اختیار داشته باشیم، اما همچنان به 10 سال زمان بیشتر برای توسعه الگوریتم های هوشمندتر نیاز داریم.

منافع هوش مصنوعی در روانشناسی و علوم اعصاب بسیار متنوع هستند. چرا تعامل میان هوش مصنوعی (AI)/ یادگیری تقویتی (RL) و روانشناسی/ علوم اعصاب حائز اهمیت است؟

تقویت پایه که یادگیری های مختلف را امکانپذیر می کند، اساسا در مغز یافت می شود. فرآیندهایی در مغز هستند که از قوانین مشابهی برخوردار هستند و با قوانین یادگیری تقویتی مدلسازی می شوند که مدل استاندارد سیستم جهانی (standard model of world system) در مغز گفته می شود.

مغز انسان، مدل مناسب یادگیری روانشناختی و مطالعه رفتارهای حیوانی است. در عین حال، این مدل بر مبنای یادگیری در شرایطی است که قادر به برنامه ریزی باشید. همچنین یک مدل تقویت شده از چگونگی برنامه ریزی و محل یادگیری توالی های مختلف است. با در نظر گرفتن هر دو گزینه، محققان هوش مصنوعی تلاش می کنند تا ذهن انسان را شکل داده و نقطه قوت آن را مشخص کنند.

 

 

مترجم: معصومه سوهانی

منبع: medium

No tags for this post.

نوشته های مشابه

دیدگاهتان را بنویسید

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

دکمه بازگشت به بالا