سایر زبان ها

صفحه نخست

سیاسی

بین‌الملل

ورزشی

اجتماعی

اقتصادی

فرهنگی هنری

علمی پزشکی

فیلم و صوت

عکس

استان ها

شهروند خبرنگار

وب‌گردی

سایر بخش‌ها

استفاده از زبان GPT-3 برای دموکراتیک سازی هوش‌ های مصنوعی

دانشمندان توانسته‌ اند با استفاده از زبان برنامه نویسی جدید فناوری هوش های مصنوعی را توسعه دهند و آن ها را دموکراتیک‌ سازی کنند.

به گزارش خبرنگار حوزه دریچه فناوری گروه فضای مجازی باشگاه خبرنگاران جوان، امسال یک مدل زبان بزرگ قادر به درک متن، پاسخ به سوالات و تولید نمونه‌های جدید نوشتاری، توجه رسانه‌های بین‌المللی را به خود جلب کرده است. این مدل توسط موسسه OpenAI، برای توسعه سیستم‌های هوش مصنوعی با اهداف عمومی ساخته شده است.

این زبان توانایی چشمگیری در تقلید از نوشتن انسان دارد، اما اندازه بزرگ آن نیز قابل توجه است. برای ساخت آن محققان ۱۷۵ میلیارد پارامتر و بیش از ۴۵ ترابایت متن را از پلتفرم‌هایی همچون Common Crawl ، Reddit ، Wikipedia و منابع دیگر جمع آوری کردند. سپس آن را در روندی آموزش دادند که صدها واحد پردازش را برای هزاران ساعت اشغال کرد.


بیشتر بخوانید


این زبان که GPT-3 نام دارد، روند گسترده‌تری را در هوش مصنوعی نشان می‌دهد. یادگیری عمیق، که در سال‌های اخیر به تکنیک غالب برای ایجاد هوش مصنوعی جدید تبدیل شده است، از حجم عظیم داده و قدرت محاسباتی برای تامین مدل‌های پیچیده و دقیق استفاده می‌کند. این منابع برای محققان شرکت‌های بزرگ و دانشگاه‌ها بیشتر در دسترس است. یک مطالعه از دانشگاه وسترن نشان می‌دهد دموکراتیک‌سازی در هوش مصنوعی وجود دارد.

تعداد محققانی که می‌توانند به پیشرفت‌های بخش‌های مختلف یادگیری عمیق و هوش مصنوعی کمک کنند در حال کاهش است. این مجموعه باعث محدودیت افرادی می‌شود که قادر به تعیین رهنمودهای تحقیق برای این فناوری محوری هستند که دارای پیامدهای اجتماعی است. حتی امکان دارد در برخی از چالش‌های اخلاقی آینده توسعه هوش مصنوعی، از جمله حمله به حریم خصوصی، تعصب و تاثیرات زیست محیطی مدل‌های بزرگ، نقش داشته باشد.

راه حل‌های مقابله با چالش‌های اخلاقی توسعه هوش مصنوعی

برای مقابله با این مشکلات، محققان در تلاشند بفهمند که چگونه می‌توان کار بیشتری انجام داد. یکی از این پیشرفت‌های اخیر کمتر از یک یادگیری عکس (LO-shot learning) نام دارد که توسط ایلیا سوچولوتسکی و ماتیاس شونلاو از دانشگاه واترلو توسعه یافته است. باید بتوان هوش مصنوعی را در مورد اشیا در جهان بدون اینکه از هر یک از آن‌ها تغذیه کند، بیاموزد.

این یک مانع بزرگ برای سیستم‌های هوش مصنوعی معاصر بوده است که برای یادگیری تشخیص اشیا معمولا به هزاران مثال نیاز دارد. از طرف دیگر انسان‌ها معمولا می‌توانند از نمونه‌های موجود جدا شوند تا بتوانند موارد جدیدی را که قبلا دیده نشده‌اند، تشخیص دهند. به عنوان مثال وقتی کودک به اشکال مختلف نشان داده می‌شود، کودک می‌تواند به راحتی بین نمونه‌ها تفاوت قائل شود و روابط بین آنچه را که نشان داده شده و اشکال جدید را تشخیص دهد.

انتهای پیام/

تبادل نظر
آدرس ایمیل خود را با فرمت مناسب وارد نمایید.