เด็กๆ เป็นนักวิทยาศาสตร์ธรรมชาติ พวกเขาสังเกตโลก สร้างสมมติฐาน และทดสอบมัน ในที่สุดพวกเขาก็เรียนรู้ที่จะอธิบายเหตุผล (บางครั้งก็เฮฮาน่ารัก) ของพวกเขา
เอไอ ไม่เท่าไหร่หรอก ไม่ต้องสงสัยเลยว่าการเรียนรู้เชิงลึก ซึ่งเป็นการเรียนรู้ของเครื่องประเภทหนึ่งที่ใช้สมองอย่างอิสระ กำลังเปลี่ยนแปลงเทคโนโลยีไปอย่างมาก ตั้งแต่การทำนายรูปแบบสภาพอากาศสุดขั้วไปจนถึงการออกแบบยาใหม่ๆ หรือการวินิจฉัยโรคมะเร็งร้ายแรง AI กำลังถูกบูรณาการมากขึ้นใน ขอบเขตของวิทยาศาสตร์.
แต่การเรียนรู้เชิงลึกมีข้อเสียเปรียบอย่างมาก: อัลกอริธึมไม่สามารถพิสูจน์คำตอบได้ มักเรียกว่าปัญหา “กล่องดำ” ความทึบนี้ขัดขวางการใช้งานในสถานการณ์ที่มีความเสี่ยงสูง เช่น ในทางการแพทย์ ผู้ป่วยต้องการคำอธิบายเมื่อได้รับการวินิจฉัยว่าเป็นโรคที่เปลี่ยนแปลงชีวิต สำหรับตอนนี้ อัลกอริธึมที่ใช้การเรียนรู้เชิงลึก แม้ว่าจะมีความแม่นยำในการวินิจฉัยสูง แต่ก็ไม่สามารถให้ข้อมูลดังกล่าวได้
ทีมงานจากศูนย์การแพทย์ตะวันตกเฉียงใต้ของมหาวิทยาลัยเท็กซัสเปิดกล่องดำได้ใช้ความคิดของมนุษย์เพื่อหาแรงบันดาลใจ ใน เรียน in วิทยาศาสตร์การคำนวณธรรมชาติโดยผสมผสานหลักการจากการศึกษาเครือข่ายสมองเข้ากับแนวทาง AI แบบดั้งเดิมซึ่งอาศัยโครงสร้างที่อธิบายได้
AI ที่เกิดขึ้นจะทำหน้าที่เหมือนเด็กเล็กน้อย มันรวมข้อมูลประเภทต่างๆ ไว้เป็น “ฮับ” จากนั้นแต่ละฮับจะถูกคัดลอกเป็นแนวทางการเขียนโค้ดเพื่อให้มนุษย์ได้อ่าน - CliffsNotes สำหรับโปรแกรมเมอร์ที่อธิบายข้อสรุปของอัลกอริทึมเกี่ยวกับรูปแบบที่พบในข้อมูลเป็นภาษาอังกฤษธรรมดา นอกจากนี้ยังสามารถสร้างโค้ดโปรแกรมที่ปฏิบัติการได้อย่างสมบูรณ์เพื่อทดลองใช้
AI ที่ได้รับการขนานนามว่า "การกลั่นแบบลึก" ทำงานเหมือนนักวิทยาศาสตร์เมื่อถูกท้าทายกับงานที่หลากหลาย เช่น ปัญหาทางคณิตศาสตร์ที่ยาก และการจดจำภาพ ด้วยการค้นหาข้อมูล AI จะกลั่นกรองให้เป็นอัลกอริธึมแบบทีละขั้นตอนที่สามารถทำงานได้ดีกว่าอัลกอริธึมที่ออกแบบโดยมนุษย์
“การกลั่นแบบล้ำลึกสามารถค้นพบหลักการทั่วไปที่เสริมความเชี่ยวชาญของมนุษย์ได้” เขียน ทีมในกระดาษของพวกเขา
กระดาษบาง
บางครั้ง AI ก็เกิดข้อผิดพลาดในโลกแห่งความเป็นจริง ใช้บริการโรบอตแท็กซี่ เมื่อปีที่แล้ว มีบางคนติดอยู่ในย่านซานฟรานซิสโกซ้ำแล้วซ้ำเล่า ซึ่งสร้างความรำคาญให้กับคนในท้องถิ่น แต่ก็ยังมีเสียงหัวเราะอยู่ ยานพาหนะที่ขับเคลื่อนด้วยตนเองที่จริงจังกว่านั้นกีดขวางการจราจรและรถพยาบาล และในกรณีหนึ่งก็ทำอันตรายร้ายแรงต่อคนเดินถนน
ในการดูแลสุขภาพและการวิจัยทางวิทยาศาสตร์ อันตรายก็อาจสูงได้เช่นกัน
เมื่อพูดถึงโดเมนที่มีความเสี่ยงสูงเหล่านี้ อัลกอริธึม "ต้องการความทนทานต่อข้อผิดพลาดต่ำ" ดร. โจเซฟ บาการ์จี แห่งมหาวิทยาลัยอเมริกันแห่งเบรุต ผู้ซึ่งไม่ได้เกี่ยวข้องกับการศึกษาวิจัยนี้ เขียน ในบทความเกี่ยวกับงาน
อุปสรรคสำหรับอัลกอริธึมการเรียนรู้เชิงลึกส่วนใหญ่คือความอธิบายไม่ได้ มีโครงสร้างเป็นเครือข่ายหลายชั้น ด้วยการรับข้อมูลดิบจำนวนมากและรับข้อเสนอแนะนับไม่ถ้วน เครือข่ายจะปรับการเชื่อมต่อเพื่อให้ได้คำตอบที่ถูกต้องในที่สุด
กระบวนการนี้เป็นหัวใจสำคัญของการเรียนรู้เชิงลึก แต่จะประสบปัญหาเมื่อมีข้อมูลไม่เพียงพอหรือหากงานซับซ้อนเกินไป
ย้อนกลับไปในปี 2021 ทีมงาน พัฒนา AI ที่ใช้แนวทางที่แตกต่างออกไป โครงข่ายประสาทเทียมที่เรียกว่าการใช้เหตุผลแบบ "สัญลักษณ์" จะเข้ารหัสกฎและประสบการณ์ที่ชัดเจนโดยการสังเกตข้อมูล
เมื่อเปรียบเทียบกับการเรียนรู้เชิงลึก โมเดลเชิงสัญลักษณ์จะตีความได้ง่ายกว่าสำหรับผู้คน คิดว่า AI เป็นชุดของบล็อกเลโก้ ซึ่งแต่ละบล็อกเป็นตัวแทนของวัตถุหรือแนวคิด สามารถเข้ากันได้อย่างสร้างสรรค์ แต่การเชื่อมต่อเป็นไปตามกฎเกณฑ์ที่ชัดเจน
โดยตัวมันเอง AI นั้นทรงพลังแต่เปราะบาง มันอาศัยความรู้เดิมอย่างมากในการค้นหาแบบเอกสารสำเร็จรูป เมื่อต้องเผชิญกับสถานการณ์ใหม่ที่ไม่มีประสบการณ์มาก่อน มันไม่สามารถคิดนอกกรอบได้ และมันจะพัง
นี่คือที่มาของประสาทวิทยาศาสตร์ ทีมงานได้รับแรงบันดาลใจจากการเชื่อมต่อ ซึ่งเป็นแบบจำลองว่าส่วนต่างๆ ของสมองทำงานร่วมกันอย่างไร ด้วยการเชื่อมโยงการเชื่อมต่อนี้เข้ากับการใช้เหตุผลเชิงสัญลักษณ์ พวกเขาได้สร้าง AI ที่มีรากฐานที่มั่นคงและอธิบายได้ แต่ยังสามารถปรับตัวได้อย่างยืดหยุ่นเมื่อต้องเผชิญกับปัญหาใหม่ๆ
ในการทดสอบหลายครั้ง โมเดล "การรับรู้ทางระบบประสาท" เอาชนะโครงข่ายประสาทเทียมระดับลึกอื่นๆ ในงานที่ต้องใช้เหตุผล
แต่มันสามารถเข้าใจข้อมูลและอัลกอริธึมของวิศวกรเพื่ออธิบายได้หรือไม่?
สัมผัสของมนุษย์
ส่วนที่ยากที่สุดของการค้นพบทางวิทยาศาสตร์คือการสังเกตข้อมูลที่มีเสียงดังและกลั่นกรองข้อสรุป กระบวนการนี้คือสิ่งที่นำไปสู่วัสดุและยาใหม่ๆ ความเข้าใจด้านชีววิทยาที่ลึกซึ้งยิ่งขึ้น และความเข้าใจลึกซึ้งเกี่ยวกับโลกทางกายภาพของเรา บ่อยครั้งเป็นกระบวนการที่ซ้ำซากซึ่งใช้เวลานานหลายปี
AI อาจเร่งความเร็วสิ่งต่างๆ และอาจค้นหารูปแบบที่หลุดรอดจากจิตใจของมนุษย์ได้ ตัวอย่างเช่น การเรียนรู้เชิงลึกมีประโยชน์อย่างยิ่งในการทำนายโครงสร้างโปรตีน แต่เหตุผลในการทำนายโครงสร้างเหล่านั้นเป็นเรื่องยากที่จะเข้าใจ
“เราสามารถออกแบบอัลกอริธึมการเรียนรู้ที่กลั่นกรองการสังเกตให้เป็นกฎที่เรียบง่ายและครอบคลุมเหมือนที่มนุษย์ทั่วไปทำได้หรือไม่” เขียนบาการ์จี
การศึกษาครั้งใหม่ได้นำแบบจำลองทางระบบประสาทที่มีอยู่ของทีมมาใช้ และให้ความสามารถเพิ่มเติมแก่ทีม นั่นคือ ความสามารถในการเขียนโค้ด
เรียกว่าการกลั่นแบบล้ำลึก AI จะจัดกลุ่มแนวคิดที่คล้ายกันไว้ด้วยกัน โดยเซลล์ประสาทเทียมแต่ละอันจะเข้ารหัสแนวคิดเฉพาะและการเชื่อมต่อกับสิ่งอื่น ตัวอย่างเช่น เซลล์ประสาทตัวหนึ่งอาจเรียนรู้แนวคิดของแมวและรู้ว่ามันแตกต่างจากสุนัข อีกประเภทหนึ่งจัดการกับความแปรปรวนเมื่อถูกท้าทายด้วยรูปภาพใหม่ เช่น เสือ เพื่อตัดสินว่ามันเหมือนแมวหรือสุนัขมากกว่า
เซลล์ประสาทเทียมเหล่านี้จะถูกซ้อนกันเป็นลำดับชั้น ในแต่ละเลเยอร์ ระบบจะสร้างความแตกต่างให้กับแนวคิดมากขึ้นและค้นหาวิธีแก้ไขได้ในที่สุด
แทนที่จะให้ AI กระทืบข้อมูลให้ได้มากที่สุด การฝึกอบรมจะเป็นแบบทีละขั้นตอน เกือบจะเหมือนกับการสอนเด็กวัยหัดเดิน ทำให้สามารถประเมินเหตุผลของ AI ได้ในขณะที่ค่อยๆ แก้ไขปัญหาใหม่ๆ
เมื่อเปรียบเทียบกับการฝึกอบรมโครงข่ายประสาทเทียมแบบมาตรฐานแล้ว Bakarji อธิบายแง่มุมที่อธิบายตนเองได้ถูกสร้างขึ้นใน AI
ในการทดสอบ ทีมงานได้ท้าทาย AI ด้วยวิดีโอเกมคลาสสิกชื่อ Conway's Game of Life เกมนี้พัฒนาขึ้นครั้งแรกในปี 1970 โดยเป็นเรื่องเกี่ยวกับการขยายเซลล์ดิจิทัลให้เป็นรูปแบบต่างๆ โดยมีกฎเกณฑ์เฉพาะเจาะจง (ลองด้วยตัวเอง) โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม). เมื่อฝึกฝนเกี่ยวกับข้อมูลการเล่นเกมจำลอง AI จึงสามารถทำนายผลลัพธ์ที่อาจเกิดขึ้นและเปลี่ยนเหตุผลให้เป็นแนวทางหรือโค้ดโปรแกรมคอมพิวเตอร์ที่มนุษย์สามารถอ่านได้
AI ยังทำงานได้ดีในงานอื่นๆ มากมาย เช่น การตรวจจับเส้นในภาพและการแก้ปัญหาทางคณิตศาสตร์ที่ยาก ในบางกรณี มันสร้างโค้ดคอมพิวเตอร์เชิงสร้างสรรค์ที่มีประสิทธิภาพเหนือกว่าวิธีการที่กำหนดไว้ และสามารถอธิบายได้ว่าทำไม
การกลั่นแบบลึกอาจช่วยส่งเสริมวิทยาศาสตร์กายภาพและชีววิทยา โดยที่ชิ้นส่วนที่เรียบง่ายก่อให้เกิดระบบที่ซับซ้อนอย่างยิ่ง การประยุกต์ใช้วิธีนี้ได้อย่างหนึ่งคือการเป็นนักวิทยาศาสตร์ร่วมสำหรับนักวิจัยที่ถอดรหัสฟังก์ชัน DNA DNA ของเราส่วนใหญ่คือ “สสารมืด” โดยที่เราไม่รู้ว่ามันมีบทบาทอะไร (ถ้ามี) AI ที่อธิบายได้อาจทำลายลำดับทางพันธุกรรมและช่วยให้นักพันธุศาสตร์ระบุการกลายพันธุ์ที่หายากซึ่งก่อให้เกิดโรคร้ายแรงที่สืบทอดมา
นอกเหนือจากการวิจัย ทีมงานยังรู้สึกตื่นเต้นกับโอกาสที่จะเกิดความร่วมมือระหว่างมนุษย์กับ AI ที่แข็งแกร่งยิ่งขึ้น
"วิธีการทางระบบประสาท อาจทำให้มีความสามารถในการเรียนรู้ของเครื่องเหมือนมนุษย์มากขึ้น” ทีมงานเขียน
บาการ์จิเห็นด้วย การศึกษาครั้งใหม่นี้ไปไกลกว่าความก้าวหน้าทางเทคนิค โดยกล่าวถึงความท้าทายด้านจริยธรรมและสังคมที่เรากำลังเผชิญอยู่ในปัจจุบัน ความสามารถในการอธิบายสามารถทำหน้าที่เป็นรั้วกั้นได้ ช่วยให้ระบบ AI ซิงค์กับคุณค่าของมนุษย์ในขณะที่ได้รับการฝึกฝน สำหรับการใช้งานที่มีความเสี่ยงสูง เช่น การรักษาพยาบาล สามารถสร้างความไว้วางใจได้
ในตอนนี้ อัลกอริธึมทำงานได้ดีที่สุดเมื่อแก้ไขปัญหาที่สามารถแยกย่อยออกเป็นแนวคิดได้ ไม่สามารถจัดการกับข้อมูลที่ต่อเนื่อง เช่น สตรีมวิดีโอ
นั่นคือขั้นตอนต่อไปในการกลั่นแบบล้ำลึก Bakarji เขียน “จะเปิดความเป็นไปได้ใหม่ๆ ในการคำนวณทางวิทยาศาสตร์และการวิจัยเชิงทฤษฎี”
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://singularityhub.com/2024/02/22/like-a-child-this-brain-inspired-ai-can-explain-its-reasoning/