The link between CAPTCHAs and artificial general intelligence
هذه المقالة جزء من مراجعاتنا لأوراق أبحاث الذكاء الاصطناعي، وهي سلسلة من المنشورات التي تستكشف أحدث النتائج في مجال الذكاء الاصطناعي.
لطالما كان صنع الآلات التي تتمتع بقدرات عامة على حل المشكلات في الأدمغة البشرية هو الحبة المقدسة لعلماء الذكاء الاصطناعي على مدى عقود. وعلى الرغم من التقدم الهائل في مختلف مجالات علوم الكمبيوتر، لا يزال الذكاء الاصطناعي العام بعيدًا عن الباحثين.
تتطلب أساليب الذكاء الاصطناعي الحالية لدينا إما كمية هائلة من البيانات، أو عددًا كبيرًا جدًا من القواعد المشفرة يدويًا، وهي مناسبة فقط للنطاقات الضيقة جدًا. من ناحية أخرى، يجب أن يكون artificial general intelligence AGI قادرًا على أداء مهام متعددة مع القليل من البيانات والتعليمات المحددة.
في حين أن مناهج إنشاء الذكاء الاصطناعي العام قد تغيرت وتطورت على مر العقود، ظل شيء واحد ثابتًا: الدماغ البشري هو دليل على وجود الذكاء العام. يمكن للدماغ حل المشكلات بطريقة مرنة وفعالة للبيانات.
وإذا تمكنا من اكتشاف كيفية تحليل الدماغ البشري للمعلومات وحل المشكلات، فقد يكون لدينا مخطط لما يمكن أن يصبح لاحقًا ذكاءً اصطناعيًا عامًا.
إن دراسة آليات الدماغ هي محور علم الأعصاب، وهو مجال أصبح متشابكًا بشكل متزايد مع الذكاء الاصطناعي في العقود الماضية. أدى التعاون بين علماء الأعصاب وعلماء الكمبيوتر إلى تطورات هائلة في الذكاء الاصطناعي ويمكن أن يكون محوريًا لتحقيق الذكاء الاصطناعي العام.
في ورقة بحثية نُشرت في مجلة Frontiers in Neuroscience العلمية التي راجعها النظراء، قدم العلماء في شركة Vicarious، وهي شركة AI ومقرها سان فرانسيسكو، رؤى وإطار عمل حول كيفية استخلاص الدماغ البشري للمعلومات من العالم ومعالجتها، وكيف تختلف هذه العملية عن تقنيات الذكاء الاصطناعي الحالية.
في حين أنه ليس أول عمل يستكشف أوجه التآزر بين علم الأعصاب والذكاء الاصطناعي، تقدم الورقة منظورًا مثيرًا للاهتمام حول الذكاء العضوي.
بقيادة باحث الذكاء الاصطناعي وعلم الأعصاب Dileep George، يستخلص العلماء المنتدبون دروسًا من اختبارات CAPTCHA لتقديم أدلة حول آليات معالجة المعلومات في الدماغ.
لطالما كان صنع الآلات التي تتمتع بقدرات عامة على حل المشكلات في الأدمغة البشرية هو الحبة المقدسة لعلماء الذكاء الاصطناعي على مدى عقود. وعلى الرغم من التقدم الهائل في مختلف مجالات علوم الكمبيوتر، لا يزال الذكاء الاصطناعي العام بعيدًا عن الباحثين.
تتطلب أساليب الذكاء الاصطناعي الحالية لدينا إما كمية هائلة من البيانات، أو عددًا كبيرًا جدًا من القواعد المشفرة يدويًا، وهي مناسبة فقط للنطاقات الضيقة جدًا. من ناحية أخرى، يجب أن يكون artificial general intelligence AGI قادرًا على أداء مهام متعددة مع القليل من البيانات والتعليمات المحددة.
في حين أن مناهج إنشاء الذكاء الاصطناعي العام قد تغيرت وتطورت على مر العقود، ظل شيء واحد ثابتًا: الدماغ البشري هو دليل على وجود الذكاء العام. يمكن للدماغ حل المشكلات بطريقة مرنة وفعالة للبيانات.
وإذا تمكنا من اكتشاف كيفية تحليل الدماغ البشري للمعلومات وحل المشكلات، فقد يكون لدينا مخطط لما يمكن أن يصبح لاحقًا ذكاءً اصطناعيًا عامًا.
إن دراسة آليات الدماغ هي محور علم الأعصاب، وهو مجال أصبح متشابكًا بشكل متزايد مع الذكاء الاصطناعي في العقود الماضية. أدى التعاون بين علماء الأعصاب وعلماء الكمبيوتر إلى تطورات هائلة في الذكاء الاصطناعي ويمكن أن يكون محوريًا لتحقيق الذكاء الاصطناعي العام.
في ورقة بحثية نُشرت في مجلة Frontiers in Neuroscience العلمية التي راجعها النظراء، قدم العلماء في شركة Vicarious، وهي شركة AI ومقرها سان فرانسيسكو، رؤى وإطار عمل حول كيفية استخلاص الدماغ البشري للمعلومات من العالم ومعالجتها، وكيف تختلف هذه العملية عن تقنيات الذكاء الاصطناعي الحالية.
في حين أنه ليس أول عمل يستكشف أوجه التآزر بين علم الأعصاب والذكاء الاصطناعي، تقدم الورقة منظورًا مثيرًا للاهتمام حول الذكاء العضوي.
بقيادة باحث الذكاء الاصطناعي وعلم الأعصاب Dileep George، يستخلص العلماء المنتدبون دروسًا من اختبارات CAPTCHA لتقديم أدلة حول آليات معالجة المعلومات في الدماغ.
كيف يطور العقل الحس السليم؟ How does the mind develop common sense
يكتب باحثو الذكاء الاصطناعي: "التعلم الفعال والتعميم الفعال يأتيان من التحيزات الاستقرائية، وبناء الذكاء الاصطناعي العام (AGI) هو تمرين في العثور على المجموعة الصحيحة من التحيزات الاستقرائية التي تجعل التعلم السريع ممكنًا بينما يكون عامًا بدرجة كافية ليكون قابلاً للتطبيق على نطاق واسع في المهام التي يتفوق فيها البشر"
إن أدمغة الإنسان والحيوان دليل على وجود مثل هذه التحيزات. لقد تطور كل دماغ وأصبح مُحسَّنًا لحل المشكلات الخاصة بالجسم الذي يشغله بطريقة مرنة.
ولكن بدلاً من الهندسة العكسية لدارات الدماغ، يقترح الباحثون النظر في آليات العقل من منظور وظيفي. تظهر الأبحاث أن البشر مدينون بذكائهم المتفوق والقابل للتعميم إلى القشرة المخية الحديثة، وهي الطبقة الخارجية لدماغهم الموجودة في الثدييات.
من الناحية الوظيفية، تكون القشرة المخية الحديثة، جنبًا إلى جنب مع نظام الحصين، مسئولة عن استيعاب التجربة الخارجية، من خلال بناء نماذج سببية غنية للعالم. في البشر والثدييات الأخرى، تتيح هذه النماذج الإدراك، والعمل، والذاكرة، والتخطيط، والخيال".
إن بناء نماذج ثرية للعالم هو ما يسمح لنا بالتفكير في الأسباب والتأثيرات، والتعامل مع سيناريوهات "ماذا لو" الواقعية المضادة، وحل المشكلات المختلفة دون الحصول على تعليمات في كل حالة على حدة. هذا مطلب أساسي للذكاء العام
"منذ لحظة ولادتنا، نبدأ في استخدام حواسنا لبناء نموذج متماسك للعالم. مع تقدمنا في النمو، نقوم باستمرار بتحسين نموذجنا والوصول إليه بسهولة بينما نمضي قدمًا في حياتنا"
على سبيل المثال، دون أن تكون قد شاهدت مباراة بيسبول من قبل، يمكنك إلقاء نظرة على المشهد التالي والسبب حول أسباب تغيير الكرة لاتجاهها وما الذي سيحدث إذا كانت الكرة تطير على ارتفاع منخفض أو أعلى من المضرب. هذا لأن لدينا فهمًا قويًا لكيفية عمل العالم وكيف تتفاعل الأشياء مع بعضها البعض.
يكتب باحثو الذكاء الاصطناعي: "التعلم الفعال والتعميم الفعال يأتيان من التحيزات الاستقرائية، وبناء الذكاء الاصطناعي العام (AGI) هو تمرين في العثور على المجموعة الصحيحة من التحيزات الاستقرائية التي تجعل التعلم السريع ممكنًا بينما يكون عامًا بدرجة كافية ليكون قابلاً للتطبيق على نطاق واسع في المهام التي يتفوق فيها البشر"
إن أدمغة الإنسان والحيوان دليل على وجود مثل هذه التحيزات. لقد تطور كل دماغ وأصبح مُحسَّنًا لحل المشكلات الخاصة بالجسم الذي يشغله بطريقة مرنة.
ولكن بدلاً من الهندسة العكسية لدارات الدماغ، يقترح الباحثون النظر في آليات العقل من منظور وظيفي. تظهر الأبحاث أن البشر مدينون بذكائهم المتفوق والقابل للتعميم إلى القشرة المخية الحديثة، وهي الطبقة الخارجية لدماغهم الموجودة في الثدييات.
من الناحية الوظيفية، تكون القشرة المخية الحديثة، جنبًا إلى جنب مع نظام الحصين، مسئولة عن استيعاب التجربة الخارجية، من خلال بناء نماذج سببية غنية للعالم. في البشر والثدييات الأخرى، تتيح هذه النماذج الإدراك، والعمل، والذاكرة، والتخطيط، والخيال".
إن بناء نماذج ثرية للعالم هو ما يسمح لنا بالتفكير في الأسباب والتأثيرات، والتعامل مع سيناريوهات "ماذا لو" الواقعية المضادة، وحل المشكلات المختلفة دون الحصول على تعليمات في كل حالة على حدة. هذا مطلب أساسي للذكاء العام
"منذ لحظة ولادتنا، نبدأ في استخدام حواسنا لبناء نموذج متماسك للعالم. مع تقدمنا في النمو، نقوم باستمرار بتحسين نموذجنا والوصول إليه بسهولة بينما نمضي قدمًا في حياتنا"
على سبيل المثال، دون أن تكون قد شاهدت مباراة بيسبول من قبل، يمكنك إلقاء نظرة على المشهد التالي والسبب حول أسباب تغيير الكرة لاتجاهها وما الذي سيحدث إذا كانت الكرة تطير على ارتفاع منخفض أو أعلى من المضرب. هذا لأن لدينا فهمًا قويًا لكيفية عمل العالم وكيف تتفاعل الأشياء مع بعضها البعض.
كتب مؤلفو الورقة: "تنشأ الفطرة السليمة من استخلاص التجربة السابقة إلى تمثيل يمكن الوصول إليه بمستوى مناسب من التفاصيل في أي سيناريو معين". وهذا بالضبط ما ينقص تقنيات الذكاء الاصطناعي الحالية.
لاحظ الباحثون أن التعلم العميق، الفرع الرائد حاليًا للذكاء الاصطناعي والذي غالبًا ما يُقارن بالدماغ، هو أقرب إلى الشكل الخام للذكاء الموجود في الكائنات الأساسية للغاية. يمكن للشبكة العصبية العميقة تحسين معلماتها لمهام ضيقة للغاية، مثل اكتشاف العقيدات السرطانية في التصوير المقطعي المحوسب، أو تحويل الصوت إلى نص، أو ضرب المحترفين في ألعاب الفيديو المعقدة. لكنهم يفتقرون إلى قدرات بناء النماذج الغنية للدماغ البشري.
على سبيل المثال، ركز مؤلفو الورقة أبحاثهم على CAPTCHA الكابتشا. يمكن تدريب خوارزميات التعلم العميق على حل تحديات CAPTCHA، ولكنها تتطلب ملايين الأمثلة المصنفة، ولا يمكنها التعامل مع المواقف التي تنحرف عن أمثلة التدريب الخاصة بهم.
لاحظ الباحثون أن التعلم العميق، الفرع الرائد حاليًا للذكاء الاصطناعي والذي غالبًا ما يُقارن بالدماغ، هو أقرب إلى الشكل الخام للذكاء الموجود في الكائنات الأساسية للغاية. يمكن للشبكة العصبية العميقة تحسين معلماتها لمهام ضيقة للغاية، مثل اكتشاف العقيدات السرطانية في التصوير المقطعي المحوسب، أو تحويل الصوت إلى نص، أو ضرب المحترفين في ألعاب الفيديو المعقدة. لكنهم يفتقرون إلى قدرات بناء النماذج الغنية للدماغ البشري.
على سبيل المثال، ركز مؤلفو الورقة أبحاثهم على CAPTCHA الكابتشا. يمكن تدريب خوارزميات التعلم العميق على حل تحديات CAPTCHA، ولكنها تتطلب ملايين الأمثلة المصنفة، ولا يمكنها التعامل مع المواقف التي تنحرف عن أمثلة التدريب الخاصة بهم.
وعلى الرغم من استمرار العلماء في تحقيق تقدم تدريجي من خلال إنشاء شبكات عصبية أكبر، لم يكن هناك أي تقدم جاد في إنشاء نماذج يمكنها تعميم قدراتها.
كتب باحثو الذكاء الاصطناعي: "الدرس المستفاد من التاريخ التطوري هو أن الذكاء العام قد تحقق من خلال ظهور العمارة الجديدة- القشرة المخية الحديثة- التي مكنت من بناء نماذج ثرية للعالم، وليس من خلال تكتل الدوائر المتخصصة". "ما يفصل الشبكات الخاصة بالوظيفة عن دماغ الثدييات هو القدرة على تكوين نماذج داخلية غنية يمكن الاستعلام عنها بعدة طرق."
كتب باحثو الذكاء الاصطناعي: "الدرس المستفاد من التاريخ التطوري هو أن الذكاء العام قد تحقق من خلال ظهور العمارة الجديدة- القشرة المخية الحديثة- التي مكنت من بناء نماذج ثرية للعالم، وليس من خلال تكتل الدوائر المتخصصة". "ما يفصل الشبكات الخاصة بالوظيفة عن دماغ الثدييات هو القدرة على تكوين نماذج داخلية غنية يمكن الاستعلام عنها بعدة طرق."
التعلم من الدماغ
في ورقتهم، قدم باحثو الذكاء الاصطناعي إطارًا ثلاثيًا لفهم السلوك الذكي من خلال الخصائص المعروفة للعالم، والبنية الفيزيائية للدماغ، والخوارزميات. يمكن أن يوفر شرح الملاحظات من جميع الزوايا الثلاث إرشادات أفضل لإنشاء خوارزميات الذكاء الاصطناعي ذات القدرات العامة لحل المشكلات.
مؤلفو الورقة يكتبون: "استراتيجية التثليث تدور حول استخدام مراسلات حساب العالم والدماغ: عندما نلاحظ خاصية للدماغ، هل يمكننا مطابقة هذه الخاصية مع مبدأ تنظيمي للعالم؟ هل يمكن تمثيل هذه الخاصية في إطار عمل حسابي لإنتاج التعميمات وكفاءة التعلم/ الاستدلال؟".
في ورقتهم، قدم باحثو الذكاء الاصطناعي إطارًا ثلاثيًا لفهم السلوك الذكي من خلال الخصائص المعروفة للعالم، والبنية الفيزيائية للدماغ، والخوارزميات. يمكن أن يوفر شرح الملاحظات من جميع الزوايا الثلاث إرشادات أفضل لإنشاء خوارزميات الذكاء الاصطناعي ذات القدرات العامة لحل المشكلات.
مؤلفو الورقة يكتبون: "استراتيجية التثليث تدور حول استخدام مراسلات حساب العالم والدماغ: عندما نلاحظ خاصية للدماغ، هل يمكننا مطابقة هذه الخاصية مع مبدأ تنظيمي للعالم؟ هل يمكن تمثيل هذه الخاصية في إطار عمل حسابي لإنتاج التعميمات وكفاءة التعلم/ الاستدلال؟".
لاحظ الباحثون كذلك أن نماذج التعلم الآلي الخالصة تتعامل مع الخوارزميات والبيانات دون النظر إلى الرؤى المستفادة من الدماغ.
إحدى الخصائص الرئيسية للدماغ هي "generative model" الذي يسمح لنا بالتخيل الداخلي للأشياء والعقل حول العالم على المستوى التجريدي والمفاهيمي. يساعدنا هذا النموذج على سد الفجوات في المشاهد المرئية والعقل عن اللغة الطبيعية. على سبيل المثال، عندما تسمع الجملة "سالي طرقت مسمارًا في الأرض"، فإنك تتخيل العملية تلقائيًا، ولا تحتاج إلى أن يتم إخبارك صراحة أن سالي كانت تمسك المسمار بشكل عمودي.
الهدف من النموذج ليس إعادة إنشاء مشهد واقعي. بدلاً من ذلك، ينبغي أن تكون قادرة على تكوين المشهد من حيث مكوناته وعلاقاتها.
يمكن لخوارزمية الذكاء الاصطناعي التي تحتوي على مثل هذه الخصائص أن تكون قادرة على أداء مهام مثل التصنيف (ما هو الكائن الذي يحتويه المشهد)، والتجزئة (أي وحدات البكسل تنتمي إلى أي كائن)، واستدلال الانسداد occlusion reasoning (اكتشاف الكائنات المحجوبة جزئيًا)، والتفكير، والمزيد. يمكن تدريب أنظمة التعلم العميق الحالية على أداء مهمة واحدة وليس جميعها.
إحدى الخصائص الرئيسية للدماغ هي "generative model" الذي يسمح لنا بالتخيل الداخلي للأشياء والعقل حول العالم على المستوى التجريدي والمفاهيمي. يساعدنا هذا النموذج على سد الفجوات في المشاهد المرئية والعقل عن اللغة الطبيعية. على سبيل المثال، عندما تسمع الجملة "سالي طرقت مسمارًا في الأرض"، فإنك تتخيل العملية تلقائيًا، ولا تحتاج إلى أن يتم إخبارك صراحة أن سالي كانت تمسك المسمار بشكل عمودي.
الهدف من النموذج ليس إعادة إنشاء مشهد واقعي. بدلاً من ذلك، ينبغي أن تكون قادرة على تكوين المشهد من حيث مكوناته وعلاقاتها.
يمكن لخوارزمية الذكاء الاصطناعي التي تحتوي على مثل هذه الخصائص أن تكون قادرة على أداء مهام مثل التصنيف (ما هو الكائن الذي يحتويه المشهد)، والتجزئة (أي وحدات البكسل تنتمي إلى أي كائن)، واستدلال الانسداد occlusion reasoning (اكتشاف الكائنات المحجوبة جزئيًا)، والتفكير، والمزيد. يمكن تدريب أنظمة التعلم العميق الحالية على أداء مهمة واحدة وليس جميعها.
The Recursive Cortical Network (RCN)
كان Dileep George وMiguel Lázaro-Gredilla، اثنان من مؤلفي الورقة، من بين مجموعة من الباحثين في الذكاء الاصطناعي الذين طوروا الشبكة القشرية العودية (RCN) في عام 2017. يستمد RCN رؤى من علم الأعصاب ويعالج التعرف والتجزئة والاستدلال بطريقة موحدة.
وفقًا للاختبارات التي أجراها الباحثون في ذلك الوقت ، كانت RCNs قادرة على حل اختبارات CAPTCHA المستندة إلى النصوص باستخدام مجموعة بيانات تدريب صغيرة ومرونة أكبر بكثير من نماذج التعلم العميق.
استمد الباحثون رؤى من علم الأعصاب والعالم لتطوير خوارزمية RCN. على سبيل المثال، تُظهر التجارب أن النظام البصري البشري يعطي الأولوية للأشكال والخطوط على الزخارف. وذلك لأن الكائنات بشكل عام تحافظ على شكلها، حتى لو تغير لونها وملمسها في ظل ظروف الإضاءة المختلفة.
إن تحيز عقلك للأشكال والخطوط هو السبب في أنك لا تحتاج إلى أمثلة معنونة للتعرف على الكائنات الفردية التالية.
لاحظ الباحثون أن "عامل محيط السطح يمكن أن يكون مبدأً عامًا تستخدمه القشرة للتعامل مع الإشارات الطبيعية، وقد يكون هذا التحيز شيئًا اكتشفه التطور".
من ناحية أخرى، تمتلك الشبكات العصبية العميقة تحيزات أخرى. على سبيل المثال، يمكن تدريب الشبكة العصبية التلافيفية على اكتشاف رموز QR بدقة عالية جدًا، وهو إنجاز يتجاوز قدرات معظم البشر. لكن نموذج التعلم العميق نفسه المدرب على اكتشاف الأشياء في الصور سيواجه صعوبات عندما يواجه العديد من مواقف العالم الحقيقي.
لاحظ باحثو الذكاء الاصطناعي أن "رمز الاستجابة السريعة ليس إشارة طبيعية من النوع الذي يمتلك النظام البصري البشري تحيزًا فطريًا تجاهه"، مضيفين أن قدرات شبكات CNN لتصنيف رموز QR يمكن أن تشير إلى افتقارها إلى التحيزات الشبيهة بالإنسان.
خاصية أخرى مثيرة للاهتمام تمت مناقشتها في الورقة هي التكوين الهرمي. يميل النظام البصري البشري إلى رؤية العالم على أنه تركيبة من الكائنات المتداخلة. هذه أيضًا خاصية رئيسية في العالم. على سبيل المثال، تتكون الأشجار من أطراف وأوراق وجذور، بغض النظر عن شكل كل مكون. ويمكننا تمييز هذه الأجزاء حتى في الشجرة التي نراها لأول مرة. يستكشف باحثون آخرون في مجال الذكاء الاصطناعي، بما في ذلك رائد التعلم العميق Geoffrey Hinton، التكوين الهرمي كوسيلة لتعميم قدرات رؤية الكمبيوتر.
"من خلال عكس الهيكل الهرمي للعالم، يمكن للقشرة البصرية أن تتمتع بميزة بناء تمثيلات ثابتة للأشياء تدريجيًا عن طريق إعادة استخدام التمثيلات الثابتة لأجزاء الكائن. التنظيم الهرمي مناسب أيضًا للتعلم الفعال وخوارزميات الاستدلال".
وتجدر الإشارة أيضًا إلى حساسية نظامنا المرئي للسياق ومستوى التفاصيل. نتعامل مع التباين العالي للعالم من خلال آليات التغذية الراجعة التي تأخذ في الاعتبار الميزات المحلية والعالمية. على سبيل المثال، من الصعب اكتشاف الصورة أدناه ...
من ناحية أخرى، تمتلك الشبكات العصبية العميقة تحيزات أخرى. على سبيل المثال، يمكن تدريب الشبكة العصبية التلافيفية على اكتشاف رموز QR بدقة عالية جدًا، وهو إنجاز يتجاوز قدرات معظم البشر. لكن نموذج التعلم العميق نفسه المدرب على اكتشاف الأشياء في الصور سيواجه صعوبات عندما يواجه العديد من مواقف العالم الحقيقي.
لاحظ باحثو الذكاء الاصطناعي أن "رمز الاستجابة السريعة ليس إشارة طبيعية من النوع الذي يمتلك النظام البصري البشري تحيزًا فطريًا تجاهه"، مضيفين أن قدرات شبكات CNN لتصنيف رموز QR يمكن أن تشير إلى افتقارها إلى التحيزات الشبيهة بالإنسان.
خاصية أخرى مثيرة للاهتمام تمت مناقشتها في الورقة هي التكوين الهرمي. يميل النظام البصري البشري إلى رؤية العالم على أنه تركيبة من الكائنات المتداخلة. هذه أيضًا خاصية رئيسية في العالم. على سبيل المثال، تتكون الأشجار من أطراف وأوراق وجذور، بغض النظر عن شكل كل مكون. ويمكننا تمييز هذه الأجزاء حتى في الشجرة التي نراها لأول مرة. يستكشف باحثون آخرون في مجال الذكاء الاصطناعي، بما في ذلك رائد التعلم العميق Geoffrey Hinton، التكوين الهرمي كوسيلة لتعميم قدرات رؤية الكمبيوتر.
"من خلال عكس الهيكل الهرمي للعالم، يمكن للقشرة البصرية أن تتمتع بميزة بناء تمثيلات ثابتة للأشياء تدريجيًا عن طريق إعادة استخدام التمثيلات الثابتة لأجزاء الكائن. التنظيم الهرمي مناسب أيضًا للتعلم الفعال وخوارزميات الاستدلال".
وتجدر الإشارة أيضًا إلى حساسية نظامنا المرئي للسياق ومستوى التفاصيل. نتعامل مع التباين العالي للعالم من خلال آليات التغذية الراجعة التي تأخذ في الاعتبار الميزات المحلية والعالمية. على سبيل المثال، من الصعب اكتشاف الصورة أدناه ...
"من المرجح أن تكون أي ملاحظة محلية حول العالم غامضة بسبب جميع عوامل التباين التي تؤثر عليه، وبالتالي يجب دمج المعلومات الحسية المحلية وإعادة تفسيرها في سياق كل متماسك. كتب الباحثون في مجال الذكاء الاصطناعي: "اتصالات التغذية الراجعة مطلوبة لهذا الغرض".
يمكن أن يحل السياق والتعليقات العديد من المشكلات الأخرى، مثل حل الانسداد في CAPTCHA.
يمكن أن يحل السياق والتعليقات العديد من المشكلات الأخرى، مثل حل الانسداد في CAPTCHA.
في حين أن الهدف طويل المدى هو AGI، فإن RCN، الذي تم إنشاؤه بناءً على هذه المبادئ، يُستخدم بالفعل في مجالات مختلفة. "نقوم بنشر RCN على الروبوتات في المستودعات والمصانع. يقدم Vicarious الروبوتات كخدمة لحل مشاكل الانتقاء والتعبئة والتجميع في الإعدادات عالية التغيير، "George أخبر TechTalks في تعليقات مكتوبة، مضيفًا أن كفاءة البيانات في RCN ميزة كبيرة.
ضع كل شيء معا Putting it all together
العمل الذي قدمه الباحثون في Vicarious هو واحد من عدة جهود تهدف إلى إيجاد مسارات لتقنين الذكاء الحقيقي. ناقش بحث آخر نُشر في وقت سابق من هذا العام "المادة المظلمة للرؤية الحاسوبية dark matter of computer vision" من حيث الوظيفة البديهية والفيزياء والنية والسببية والمنفعة (FPICU).
هناك أيضًا تطورات مثيرة للاهتمام في اختبار وقياس مستوى الذكاء في أنظمة الذكاء الاصطناعي، بما في ذلك مجموعة الاستدلال التجريدي (Abstract Reasoning Corpus ARC) من قبل Francois Chollet، مبتكر مكتبة التعلم العميق في كيراس. تتحدى ARC أنظمة الذكاء الاصطناعي لتعلم حل المشكلات على المستوى المجرد باستخدام أمثلة قليلة جدًا.
يقترح Dileep George وزملاؤه أن حل الكابتشا بطريقة مرنة وفعالة للبيانات سيكون علامة جيدة على أن خوارزمية الذكاء الاصطناعي يمكنها حل مهام متعددة وتقربنا من الهدف النهائي للذكاء الاصطناعي العام.
كتب الباحثون: "كان حل اختبار CAPTCHA المستندة إلى النص يمثل مشكلة تحدٍ في العالم الحقيقي تم اختيارها لتقييم RCN لأن رموز التحقق تمثل التعميم القوي الذي نسعى إليه في نماذجنا - يمكن للأشخاص حل أنماط captcha الجديدة بدون تدريب محدد على النمط".
سيقوم George وزملاؤه بتوسيع أبحاثهم إلى مجالات أخرى. "نحن نوسع RCN إلى المجالات الزمنية، ثم نقرنها بمفهوم التعلم، وأخيراً اللغة. كما أننا نعمل على توسيع المواقف التي يتم فيها تطبيق RCN في مجال الروبوتات".