هوش مصنوعی جدید ترسناک شد !

 هوش مصنوعی اغلب به عنوان ابزاری برای خودکارسازی فعالیت ها در نظر گرفته می شود. اما محققین دانشگاه MIT به تازگی دریافته اند که این تکنولوژی می تواند در درک بهتر انسان به ما کمک کند. 

هوش مصنوعی جدید MIT به نام ADEPT همانند انسان قادر به درک بصری قوانین فیزیک است. ADEPT می تواند به شی موجود در ویدیو نگاه کرده، عملکرد این شیء را بر اساس دانش درباره قوانین فیزیک پیش بینی کرده و در صورت هرگونه مغایرت مثل محو شدن یا تله پورت، متعجب شود! ADEPT به پژوهشگران کمک می کند تا هوش مصنوعی قدرتمندتری را در آینده به وجود آورده و نحوه ادراک جهان پیرامون توسط نوزادان را به صورت قابل فهم تری نمایش می دهد.

نوزدان در سه ماهگی، به این فهم می رسند که اشیا به طور ناگهانی محو یا پدیدار نمی شوند و نمی توانند از درون یکدیگر عبور کرده یا تله پورت کنند. هدف اصلی ADEPT، ثبت و فرموله سازی دانشی برای انتقال شناخت نوزادان به عامل های مجهز به هوش مصنوعی است. ظاهرا سیستم جدید MIT با دانش نزدیک به انسان، قادر به تمایز بین صحنه های امکان پذیر و صحنه های غیر ممکن است.

هوش مصنوعی جدید MIT به دو ماژول برای اجرای عملیات خود بستگی دارد. ماژول اول به بررسی شی، تعیین شکل، حالت و شتاب آن می پردازد. جالب است بدانید که این ماژول همانند نوزادان، به جزییات توجه نمی کند، بلکه تنها هندسه تقریبی هر شی را پیش از حرکت به گام بعدی، مورد بررسی قرار می دهد. این نوع طراحی، به سیستم اجازه می دهد تا به جای در نظر گرفتن اشیای خاص و از پیش تعریف شده، حرکت اشیای متفاوت و متعددی را پیش بینی کند.

ماژول دوم، یک سیستم فیزیک است. این ماژول شباهت بسیاری به نرم افزاری دارد که سازندگان بازی های ویدیویی از آن برای تکثیر قوانین دنیای واقعی در بازی های خود استفاده می کنند. سیستم فیزیک، داده های ثبت شده به وسیله ماژول گرافیکی را دریافت کرده و چگونگی عملکرد یک شی را بر اساس قوانین فیزیکی شبیه سازی می کند. سپس نتیجه ادراک خود را با قاب های بعدی ویدیو مقایسه کرده و در صورت مشاهده هر گونه مغایرت، سیگنالی را ارسال می کند. هر چه این سیگنال قوی تر باشد، میزان تعجب ADEPT از واقعیت نیز بیشتر می شود.

جالب است بدانید که سطح تعجب ADEPT زمان مشاهده صحنه های غیرعادی در ویدیو، با سطح تعجب انسان برابری دارد. ظاهرا تیم پژوهشی قصد دارد به بررسی بیشتر نحوه نگرش کودکان به دنیا پرداخته و از این یافته ها جهت آموزش و هوشمندسازی مدل های خود استفاده کنند.