با وجود پیشرفتهای خیرهکننده هوش مصنوعی در شکست قهرمانان شطرنج و بازیهای پیچیده، پژوهشهای تازه نشان میدهد انسانها هنوز در یک میدان کلیدی نسبت به هوش مصنوعی برتری دارند: یادگیری سریع بازیهای جدید.
به گزارش سیناپرس، برخلاف تصور رایج که ماشینها را شکستناپذیر میداند، تجربه زیسته، شهود و توانایی تعمیم، همچنان برگ برنده انسان در برابر الگوریتمهای پیشرفته است؛ ویژگیهایی که حتی جدیدترین مدلهای هوش مصنوعی هنوز بهطور کامل به آنها دست نیافتهاند.
از زمانی که ابررایانه Deep Blue در دهه ۹۰ میلادی قهرمان شطرنج جهان، Garry Kasparov را شکست داد، بازیها به یکی از مهمترین میدانهای رقابت انسان و ماشین تبدیل شدهاند. این روند با موفقیت مدل AlphaGo در بازی «گو» ادامه یافت و بعدها به بازیهای ویدیویی پیچیدهای مانند Dota ۲ و StarCraft II رسید. اما در میان این پیشرفتها، یک ضعف مهم همچنان باقی است: ناتوانی هوش مصنوعی در یادگیری سریع بازیهای ناآشنا.
بر اساس پژوهشی از دانشگاه نیویورک، مدلهای هوش مصنوعی حتی پیشرفتهترین آنها در مواجهه با یک بازی کاملا جدید که پیشتر ندیدهاند، اغلب دچار سردرگمی میشوند. در مقابل، یک گیمر انسانی میتواند در مدت زمانی کوتاه، قواعد و منطق کلی بازی را درک کند و عملکرد قابل قبولی داشته باشد.
ریشه این تفاوت را باید در نحوه یادگیری جستوجو کرد. هوش مصنوعی عمدتا از طریق «یادگیری تقویتی» آموزش میبیند؛ روشی که در آن یک مدل، یک بازی را میلیونها بار بهصورت شبیهسازیشده اجرا میکند تا به مهارت برسد. این روش اگرچه در محیطهای با قوانین مشخص مانند شطرنج بسیار مؤثر است، اما در مواجهه با موقعیتهای باز و غیرقابل پیشبینی به مشکل برمیخورد.
برای مثال، تفاوت میان یک بازی کلاسیک مانند شطرنج و یک بازی جهانباز مثل Red Dead Redemption بسیار زیاد است. در حالی که هدف در شطرنج کاملا مشخص است، در بازیهای مدرن و داستانمحور، مفهوم «پیروزی» میتواند مبهم، چندلایه و وابسته به تصمیمهای اخلاقی یا روایی باشد و این همان جایی است که شهود انسانی وارد میدان میشود.
حتی در بازی سادهتری مانند Minecraft، یک هوش مصنوعی ممکن است بداند چگونه از یک بلوک به بلوک دیگر بپرد، اما درک واقعی از مفهوم «پریدن» یا تعامل با محیط ندارد. در مقابل، انسانها از کودکی و از طریق تجربه روزمره، مفاهیم فیزیکی و انتزاعی را یاد میگیرند؛ مزیتی که به آنها اجازه میدهد سریعتر با محیطهای جدید سازگار شوند.
این تفاوت در آمار نیز مشهود است. یک مدل هوش مصنوعی ممکن است برای تکمیل یک بازی به میلیونها تعامل و دهها ساعت زمان نیاز داشته باشد، در حالی که یک انسان معمولا در کمتر از ۱۰ ساعت میتواند مکانیکهای اصلی یک بازی جدید را یاد بگیرد.
به نقل از همشهری آنلاین، با این حال، فاصله میان انسان و ماشین در حال کاهش است. شرکتهایی مانند Google DeepMind با توسعه مدلهایی مانند SIMA ۲ تلاش کردهاند قابلیت تعمیم و استدلال را به هوش مصنوعی اضافه کنند. اما حتی این مدلها نیز هنوز با استانداردی که پژوهشگران پیشنهاد میدهند؛ یعنی توانایی یادگیری و تسلط بر دهها بازی جدید در زمان مشابه انسان فاصله زیادی دارند.
در نهایت، این رقابت فراتر از دنیای بازیهاست. توانایی یادگیری سریع، خلاقیت و تفکر انتزاعی، همان ویژگیهایی هستند که تعریف «هوش انسانی» را شکل میدهند. شاید آزمون واقعی هوش مصنوعی نه در تولید متن یا تصویر، بلکه در همین توانایی ساده اما عمیق نهفته باشد: بازی کردن، آن هم مثل یک انسان.