شعار سال: احساس شگفت‌انگیز حاصل از کشف رابطه علت و معلولی پدیده‌ها را به خاطر می‌آورید؟ بچه‌ها از هشت ماهگی شروع به یادگیری اصل علیت می‌کنند و این امر به آن‌ها کمک می‌کند تا در مورد جهان پیرامون خود استنباط‌های ابتدایی داشته باشند؛ اما بسیاری از ما قبل از سه چهار سالگی چیز زیادی به یاد نمی‌آوریم، بنابراین «چرایی» پدیده‌ها چیزی است که ما آن را مسلم فرض می‌کنیم.
به نقل از «Digital trends»، چرایی پدیده‌ها درسی مهم برای انسان است، اما هوش مصنوعی در این مساله بسیار ضعیف عمل می‌کند. هوش مصنوعی مدرن قادر به ضرب و شتم بازیکنان یا رانندگی اتومبیل در خیابان‌های شلوغ است، ولی این اعمال لزوماً با نوع هوش انسان برای تسلط بر این توانایی‌ها قابل مقایسه نیست. به این دلیل که انسان‌ها (حتی نوزادان کوچک) توانایی استفاده از دانش یک حوزه در حوزه دیگر را دارند و می‌توانند آن را تعمیم دهند. برای اینکه هوش مصنوعی بتواند به توانایی‌های بالقوه خود برسد باید چنین مهارت‌هایی را در خود تقویت کند.

اسامه احمد (Ossama Ahmed)، دانشجوی کارشناسی ارشد در ای‌تی‌اچ زوریخ در سوئیس، به دیجیتال ترندز می‌گوید: «مثلاً اگر روبات یاد بگیرد که چگونه با استفاده از چند بلوک یک برج بسازد، ممکن است بخواهد این مهارت را به ساختن پل یا حتی ساختاری مانند خانه نیز منتقل کند. ممکن است یکی از راه‌های دستیابی به این هدف یادگیری روابط علّی بین متغیر‌های مختلف محیط باشد. تصور کنید روبات سه‌انگشتی (TriFinger) که در CausalWorld استفاده شده ناگهان به دلیل نقص سخت‌افزار یک انگشت خود را از دست بدهد، آن وقت چگونه می‌تواند به جای آن فقط با ۲ انگشت هدف خود را به انجام رساند؟»
CausalWorld همان چیزی است که فردریک ترابل (Frederik Trauble) دانشجوی دکتری موسسه سیستم‌های هوشمند مکس پلنک (Max Planck) آلمان آن را «معیار دستکاری» نامیده است. این حرکت گامی در جهت پیشرفت تحقیقات بشر است تا عوامل روباتیک بتوانند تغییرات موجود در مشخصه‌های محیطی مانند جرم یا شکل اشیا را بهتر تعمیم دهند؛ به عنوان مثال اگر یک روبات یاد بگیرد که شیء خاصی را بردارد، ممکن است از آن انتظار داشته باشیم که توانایی برداشتن اجسام سنگین‌تر را نیز داشته باشد (به شرط آنکه رابطه علیت را درست درک کند).

نوعی از محیط آموزش مجازی که ما بیشتر در فیلم‌های علمی‌تخیلی در موردش می‌شنویم فضایی است که مثلاً در ماتریکس وجود دارد: دنیای مجازی‌ای که قوانین در آن اعمال نمی‌شود. این قضیه در CausalWorld که در آن محققان می‌توانند به طور سیستماتیک روش‌های خود را در محیط‌های روباتیک آزمایش و ارزیابی کنند کاملاً برعکس است. در آنجا همه چیز حول یادگیری قوانین و اِعمال آن‌ها می‌گردد. به روبات‌ها می‌توان وظایفی شبیه وظایفی که به بچه‌ها هنگام بازی با لگو برای انباشته کردن، فشار دادن و سایر بازی‌های علت و معلولی می‌سپاریم محول کنیم. محققان می‌توانند برای آزمایش توانایی تعمیم روبات در هنگام یادگیری مداخلاتی صورت دهند. این فضا اساساً یک محیط آزمایشی است که به ارزیابی چگونگی تعمیم‌سازی هوش مصنوعی کمک می‌کند.
برنارد شولکاپف (Bernard Scholkopf)، مدیر موسسه مکس پلنک، به دیجیتال ترندز می‌گوید: «هوش مصنوعی مدرن بیشتر مبتنی بر یادگیری آماری است که درباره استخراج اطلاعات آماری (مثل همبستگی) داده‌هاست. این مساله عالی است، زیرا به ما اجازه می‌دهد که یک ویژگی را با بررسی سایر داده‌ها پیش‌بینی کنیم فقط به شرطی که چیزی تغییر نکند. وقتی در سیستمی مداخله می‌کنیم همه شرط‌های دیگر غیرفعال می‌شود. برای پیش‌بینی چنین مواردی باید فراتر از یادگیری آماری و به سمت علیت برویم. در نهایت اگر آینده هوش مصنوعی این است که به «عمل در فضا‌های تخیلی» فکر کنیم، پس در این صورت مداخلات مهم می‌شوند و بنابراین باید علیت را در نظر گرفت.»

شعار سال، با اندکی تلخیص و اضافات برگرفته از اعتمادآنلاین، تاریخ انتشار: ۲۸ آبان ۱۳۹۹، کد خبر: ۴۴۴۸۰۰، etemaadonline.ir