هوش مصنوعی هم اکنون می تواند بسیاری از وظایف شناختی انسان را انجام دهد، اما هنوز واقعا نمی فهمیم که چگونه هوش مصنوعی فکر می کند. گوگل Deep Mind قصد دارد تا تست های طولانی مدت مهارت های شناختی انسان را در ذهن های ماشین آموزش دهد تا بتوانند یاد بگیرند که چگونه کار می کنند.
یک مشکل قدیمی در تحقیق AI این یک واقعیت است که شبکه های عصبی عمیق “جعبه سیاه” هستند. شما نمی توانید بگویید چگونه این الگوریتم ها فقط با نگاه کردن به کد خود کار می کنند. آنها با آموزش در مورد داده ها، خود را تدریس می کنند و هیچ نمودار جریان ساده ای وجود ندارد که انسان بتواند آن را دنبال کند. راه این شبکه ها برای رسیدن به تصمیم گیری در وزن هزاران نورون شبیه سازی شده است.
اما آنها تنها ماشینهای تفکر ناپذير نيستند. به سادگی مثل مغز انسان پیچیده میشوند، آنها بر اساس چندین سرنخ برآورده می کنند، به این معنی که مردم به چه دلیل چه فکری میکنند، و در طول سالها، روانشناسان شناختی، آزمایشهای طراحی شده برای بررسی دانش ذهنی ما را توسعه داده اند.
در حال حاضر Deep Mind یک آزمایشگاه مجازی سه بعدی به نام Psychlab ساخته شده است که اجازه می دهد ماشین ها این آزمایشات را نیز انجام دهند و آنها آن را باز کرده اند، بنابراین هر محقق AI می تواند الگوریتم های خود را از طریق سرعت مد نظر خود قرار دهد.
Psychlab بر روی پلت فرم Deep Mind Lab شرکت ساخته شده است که برای آزمایش عوامل مجازی در محیط های سه بعدی طراحی شده است. این، تنظیمات را بازسازی می کند که یک شرکت در یک آزمایش می تواند با ارائه یک دیدگاه شخصی از یک مانیتور کامپیوتر مجازی که نمایش های مختلفی از تست های شناختی کلاسیک را نشان می دهد را مشاهده کند.
این شامل اندازه گیری توانایی جستجو برای اشیاء در یک صحنه، تشخیص تغییر، به یاد آوردن یک لیست در حال رشد از اقلام، ردیابی اجسام متحرک یا فراخوانی زوج تحریک و پاسخ است. به طور معمول یک انسان از یک ماوس برای پاسخ دادن به وظایف روی صفحه استفاده می کند، اما عوامل مجازی از جهت دید خود استفاده می کنند.
محققان می گویند با انعکاس محیطی که انسان می بیند، انسان ها و AI ها می توانند به طور موثر همان آزمایش ها را انجام دهند. این نه تنها ساده تر کردن مقایسه های مستقیم بین این دو می شود، بلکه همچنین می تواند نتایج را با ادبیات آکادمیک موجود در روانشناسی شناختی مرتبط سازد.
محققان می گویند که در مقاله ای که در arXiv منتشر شد، با انتشار این ابزار، قادر به کشف دانش انباشته 150 سال تحقیق روانشناسی می تواند بسیار مفید باشد تا درک اینکه چگونه سیستم های AI جدید کار می کنند را راحت تر کند.
در سال های اخیر، تمرکز بیشتر بر روی سیستم های هوشمند تقویت یادگیری AI وجود دارد که می توانند وظایف پیچیده ای را در محیط های سه بعدی شبیه سازی انجام دهند. ماهیت پیچیده این محیط ها و انواع استراتژی هایی که این سیستم ها می توانند برای حل مشکلات بکار گیرند، یک مشکل است که از چه ترکیبی از توانایی های شناختی بر عملکرد آنها تاثیر بگیرد.
اما با بررسی یک عامل پیشرفته تقویت کننده پیشرفته با نام UNREAL به انواع آزمون های Psychlab، آنها توانستند جزئیات در مورد نحوه عملکرد سیستم ادراک خود را کشف کنند و حتی از این برای بهبود عملکرد آن استفاده کنند.
با اضافه کردن یک مدل ساده از fovea به UNREAL، محققان قادر به بهبود عملکرد عامل نه تنها در آزمایش Psychlab، بلکه همچنین در دیگر کارهای استاندارد آزمایشگاه Deep Mind Lab شده اند.
Deep Mind تنها کسانی نیستند که از آزمونهای شناختی برای AI استفاده می کنند. محققان دانشگاه میشیگان، عوامل یادگیری تقویت را به منظور تکمیل وظایف ناوبری که برای تست حافظه و یادگیری در موش ها مورد استفاده قرار گرفته اند، مورد بررسی قرار داده اند.
مارپیچ ها در دنیای سه بعدی Minecraft ساخته شده اند و هوش مصنوعی وظایف به طور فزاینده ای پیچیده و با توجه به پاداش های مختلف برای پیدا کردن آنچه که مهارت های شناختی برای موفقیت در هدایت آزمایش مهم است شده اند. آنها دریافتند که قادر به بازیابی خاطرات بر اساس زمینه ای که در آن ذخیره شده بود، و برای حل تست های آنها کلید بود هستند.
همانطور که AI همچنان به پیشرفت و توسعه مهارت های شناختی بالاتر نظیر استدلال، هوش هیجانی و برنامه ریزی می پردازد، تست های روان شناختی پیچیده تر می توانند راه حلی برای ما برای درک روشی که فرآیندهای ذهنی آنها از ما متفاوت است،را تقریبا به طور قطعی تشخیص دهند.
این می تواند یک ابزار مهم باشد تا اطمینان حاصل شود که هر کس در یک آینده ای که در آن انسان ها و AI باید همکاری کنند، در کنار هم قرار می گیرند و .
