دانشمندان مرکز پژوهشی یولیش در آلمان با موفقیت یک هوشی مصنوعی آموزش داده‌اند که مانند آلبرت اینشتین یا آیزاک نیوتن فکر می‌کند. مدل با این نوع یادگیری می‌تواند الگو‌هایی را در مجموعه داده‌های پیچیده تشخیص دهد و نظریه‌های فیزیکی درباره آن‌ها بسازد.
بزرگانی مانند اینشتین و نیوتن با نظریاتی که از آزمون زمان سربلند عبور کرده‌اند و آزمایش‌ها و نظریه‌های دیگری که برپایه آن‌ها شکل گرفتند، در تاریخ ماندگار شده‌اند. این نظریه‌ها علاوه بر مشاهدات خود آن‌ها پدیده‌های دیگری را نیز که در دنیای اطراف ما جریان دارند توضیح می‌دهند. اما یک هوش مصنوعی چگونه می‌تواند به تفکری مشابه برسد؟
آموزش هوش مصنوعی شبیه به ذهن اینشتین و نیوتن
دو روش کلی برای ایجاد یک نظریه یا فرضیه جدید وجود دارد. می‌توان از اصول و معادلات شناخته‌شده یک حوزه برای استخراج فرضیه‌های جدید استفاده کرد. یا می‌توان برای توضیح رفتار یک شیء یا پدیده جدید از یک نظریه جدید استفاده کرد. اما بخش مشکل این است که از روشی درست برای ایجاد فرضیه استفاده شود.
دانشمندان به‌جای آن که هوش مصنوعی را برای تفکر درباره داده‌های فیزیکی آموزش دهند، از فیزیک برای فهم چگونگی کار هوش مصنوعی استفاده کرده‌اند. پژوهشگران یولیش از یک شبکه عصبی برای ترسیم رفتار‌های پیچیده در یک سیستم ساده‌تر طراحی کردند. هوش مصنوعی این وظیفه را با ساده‌سازی روابط بین اجزاء سیستم انجام می‌داد.
سپس پژوهشگران از سیستم ساده‌سازی‌شده برای ساخت یک ترسیم معکوس با هوش مصنوعی آموزش‌دیده استفاده کردند. وقتی این سیستم از اجزاء ساده به اجزاء پیچیده می‌رسید، نظریه‌ای جدید توسعه می‌داد. این رویکرد رویکرد مشابه چیزی است که فیزیکدانان انجام می‌دهند، با این تفاوت که اندرکنش‌ها تنها در پارامتر‌هایی که هوش مصنوعی تعریف می‌کرد قابل‌خواندن هستند.
به‌عبارت دیگر، با این روش، آن‌ها اندرکنش‌های قاعده‌مند میان بخش‌های مختلف یک سیستم عملکرد سیستم را توضیح می‌دهند. این مشابه کاری است که علم فیزیک انجام می‌دهد. به همین دلیل، این نوع مدل‌ها را «فیزیک هوش مصنوعی» می‌نامند.
بسیاری از مدل‌های هوش مصنوعی که در سال‌های اخیر توسعه داده شده‌اند جعبه سیاه‌هایی باقی مانده‌اند. در حوزه فیزیک هوش مصنوعی تلاش می‌شود تا انسان سر از نظریات هوش مصنوعی درآورد.
تفاوت فیزیک هوش مصنوعی با مدل‌های دیگر چیست؟
دانشمندان یولیش برای نمایش چگونگی تفکر این مدل هوش مصنوعی به بررسی داده‌های اعداد دست‌نویس پرداخته‌اند. آن‌ها نشان داده‌اند که تعامل پیکسل‌ها چگونه باعث شکل‌گیری زیرساختار‌هایی کوچک، مانند لبه‌های اعداد، می‌شود. پژوهشگران با کمک هوش مصنوعی به این نظریه رسیدند که گروه‌های پیکسل‌های روشن‌تر در شکل عدد دست‌نویس نقش دارند.
بسیاری از مدل‌های هوش مصنوعی که در سال‌های اخیر توسعه یافته‌اند، مانند مدل ChatGPT، هوش‌هایی توضیح‌ناپذیر هستند. به این معنی که آن‌ها از داده‌هایی که برای آموزش استفاده می‌شود یک نظریه داده استخراج می‌کنند. اما این نظریه‌ها را نمی‌توان تفسیر کرد، زیرا به‌طور ضمنی در پارامتر‌های مدل آموزش‌دیده مخفی می‌شود.
مدلی که دانشمندان یولیش توسعه داده‌اند در حوزه هوش مصنوعی قابل‌توضیح، به‌طور خاص «فیزیک هوش مصنوعی»، قرار دارد. این هوش مصنوعی نظریه کشف‌شده را استخراج و آن را به‌زبان تعاملات بین اجزاء سیستم فرموله می‌کند. به عبارت دیگر، دانشمندان از زبان فیزیک استفاده می‌کنند تا کارکرد داخلی هوش مصنوعی را به‌صورت نظریاتی درآورند که انسان‌ها می‌توانند بفهمند.
لازم به ذکر است که این مدل نیاز به منابع بسیاری برای پردازش دارد. تعداد تعاملات بین اجزاء یک سیستم (مانند پیکسل‌های یک تصویر) می‌توانند به‌سرعت افزایش یابند و حجم محاسبات به‌طور نمایی بالا رود. اما این امکان وجود دارد که این تعاملات را بهینه‌سازی کرد؛ برای مثال، مدل می‌تواند تنها بخش‌هایی از سیستم با ۱٬۰۰۰ جزء را ببیند، یعنی بخش‌هایی از تصویر با ۱٬۰۰۰ پیکسل. پژوهشگران می‌گویند این نوع بهینه‌سازی در آینده می‌تواند بیشتر بهینه شود.
منبع: دیجیاتو