لماذا الذكاء الاصطناعي العام يتجاوز نطاق التعلم العميق

أثارت التطورات الأخيرة في توظيف سام ألتمان والتكهنات المحيطة بنموذج Q* المبتكر من OpenAI اهتمامًا متجددًا حول الفرص والمخاطر المرتبطة بالذكاء الاصطناعي العام (AGI). يهدف AGI إلى أداء المهام العقلية بمستوى مشابه للبشر. وقد أثارت التقدمات السريعة في الذكاء الاصطناعي، خصوصًا من خلال التعلم العميق، حماسًا وقلقًا بشأن إمكانية ظهور AGI قريبًا. تلتزم العديد من المؤسسات، بما في ذلك OpenAI وxAI التابعة لإيلون ماسك، بالعمل نحو تحقيق AGI، مما يثير سؤالًا حاسمًا: هل توجه التطورات الحالية في الذكاء الاصطناعي نحو تحقيق AGI؟

قيود التعلم العميق

يُعد التعلم العميق أسلوبًا بارزًا في التعلم الآلي يعتمد على الشبكات العصبية الاصطناعية، وهو ما يدعم ChatGPT وقطاعات كبيرة من الذكاء الاصطناعي الحديث. وعلى الرغم من الإشادة بقدرته على التعامل مع أنواع البيانات المختلفة بقليل من المعالجة السابقة، يتوقع الكثيرون أن يلعب التعلم العميق دورًا محوريًا في تطوير AGI. لكن للتعلم العميق قيودًا ملحوظة؛ إذ يتطلب إنشاء نماذج فعالة مجموعات بيانات ضخمة وموارد حسابية كبيرة. تستخرج هذه النماذج قواعد إحصائية تعتمد على البيانات التدريبية، وتُطبق على معلومات جديدة لتوليد استجابات. تعتمد هذه الطريقة على منطق تنبؤي، حيث تقوم النماذج بتحديث القواعد مع ظهور ظواهر جديدة، لكن تعرضها للشكوك في العالم الحقيقي يعيق ملاءمتها لتحقيق أهداف AGI. على سبيل المثال، توضح حادثة وقعت في يونيو 2022 تتعلق بـRobotaxi كيف يمكن أن تتعرض هذه النماذج للفشل في اتخاذ القرارات في ظروف لم تُدرَّب عليها.

معضلة "ماذا لو"

لا يضع البشر، الذين يُعتبرون أساس AGI، قواعد شاملة لكل سيناريو. بل نتفاعل مع بيئتنا من خلال الإدراك الفوري، معتمدين على المعرفة الموجودة لفهم السياق والعوامل المؤثرة. وعلى عكس نماذج التعلم العميق التي تصنف الكائنات بناءً على معايير ثابتة، يستخدم البشر منهجًا مرنًا، مما يتيح لهم تعديل القواعد الحالية للتوصل إلى خيارات فعالة. على سبيل المثال، إذا واجهت جسمًا أسطوانيًا غير مألوف أثناء التنزه، سيطلب منك نموذج التعلم العميق تحليل ميزاته المتعددة وتصنيفه كتهديد (مثل ثعبان) أو غير ضار (كالحبل) قبل اتخاذ أي إجراء. بينما سيقوم الإنسان بتقييم الوضع من مسافة، مُحدثًا فهمه باستمرار ويتخذ القرار استنادًا إلى مجموعة واسعة من التجارب الماضية والإجراءات المحتملة. يُبرز هذا المنهج المعقد أهمية استكشاف البدائل كأولوية على التنبؤات الجامدة، مما يشير إلى أن تحقيق AGI قد يعتمد على تعزيز قدرتنا على التفكير في "ماذا لو" أكثر من الاعتماد على التنبؤات البحتة.

اتخاذ القرار في ظل عدم اليقين العميق: طريق إلى الأمام

توفر أطر عمل مبتكرة مثل "اتخاذ القرار في ظل عدم اليقين العميق" استراتيجيات واعدة لتحقيق AGI. تقوم أساليب DMDU، مثل اتخاذ القرار القوي، بتقييم كيفية أداء القرارات البديلة عبر سيناريوهات مستقبلية متنوعة دون الحاجة إلى إعادة التدريب المستمرة. تركز هذه الأساليب على تحديد العوامل الرئيسية التي تؤثر على نتائج القرار، بهدف العثور على حلول قوية توفر نتائج مقبولة في سياقات مختلفة.

اتخاذ قرارات قوية في المركبات ذاتية القيادة

يُعتبر تطوير المركبات ذاتية القيادة مثالًا عمليًا على هذه المنهجية. يجب أن تتمكن هذه المركبات من التنقل في ظروف متنوعة وغير متوقعة، مما يعكس بشكل قريب من عملية اتخاذ القرار البشري في المرور. على الرغم من الاستثمارات الكبيرة في التعلم العميق لتحقيق الاستقلالية الكاملة، إلا أن هذه الأنظمة غالبًا ما تواجه صعوبات في السيناريوهات غير المؤكدة. تتطلب القيود الفطرية في نمذجة كل حالة محتملة جهودًا مستمرة للتصدي للتحديات غير المتوقعة في تكنولوجيا المركبات ذاتية القيادة.

التأكيد على سياق القرار لتقدم AGI

بينما تستمر تكنولوجيا الذكاء الاصطناعي في التطور، قد يكون من الضروري الابتعاد عن نموذج التعلم العميق والتركيز على سياق القرار لتسهيل التقدم نحو AGI. رغم أن التعلم العميق أثبت فعاليته في العديد من التطبيقات، إلا أنه يفتقر إلى الفعالية عندما يتعلق الأمر بتحقيق AGI. يمكن أن تفتح منهجيات DMDU الطريق تجاه نهج ذكاء اصطناعي أكثر متانة يعتمد على اتخاذ القرار والذي يتعامل بشكل فعال مع الشكوك في العالم الحقيقي.