یوشا باخ: https://twitter.com/Plinz/status/1529013919682994176
به نظر می رسد حقوق لاف زدن دائماً در جریان است. در مورد اینکه آیا آن مدلهای هوش مصنوعی چندوجهی کاری برای رسیدگی به انتقادات در مورد استفاده از منابع و سوگیری انجام میدهند، در حالی که در این مرحله اطلاعات زیادی وجود ندارد، بر اساس آنچه شناخته شده است به نظر می رسد که پاسخ ها به ترتیب "احتمالا نه" و "نوعی" هستند. و در مورد بخش هوش واقعی چطور؟ بیایید یک لحظه به زیر کاپوت نگاه کنیم.
OpenAI اشاره می کند که «DALL·E 2 رابطه بین تصاویر و متن مورد استفاده برای توصیف آنها را یاد گرفته است. از فرآیندی به نام انتشار استفاده میکند که با الگوی نقاط تصادفی شروع میشود و زمانی که جنبههای خاصی از آن تصویر را تشخیص میدهد به تدریج آن الگو را به سمت یک تصویر تغییر میدهد.
گوگل خاطرنشان می کند که "کشف کلیدی آنها این است که LLM های عمومی (مثلا T5)، از پیش آموزش داده شده بر روی بدنه های متنی، به طور شگفت انگیزی در رمزگذاری متن برای ترکیب تصویر موثر هستند: افزایش اندازه مدل زبان در Imagen، وفاداری نمونه و تصویر را افزایش می دهد. ترازبندی متن بسیار بیشتر از افزایش اندازه مدل انتشار تصویر».
در حالی که به نظر می رسد Imagen به شدت به LLM ها متکی است، فرآیند برای DALL-E 2 متفاوت است. با این حال، افراد OpenAI و Google و همچنین کارشناسان مستقل ادعا می کنند که این مدل ها نوعی "درک" را نشان می دهند که با درک انسان همپوشانی دارد. بررسی فناوری MIT تا آنجا پیش رفت که فضانورد اسب سوار را نامید، تصویری که برای DALL-E 2 نمادین شده است، نقطه عطفی در سفر هوش مصنوعی برای درک جهان.
گری مارکوس، با این حال، متقاعد نشده است. مارکوس، دانشمند، نویسنده پرفروش و کارآفرین، در محافل هوش مصنوعی به دلیل نقد خود در مورد تعدادی از موضوعات از جمله ماهیت هوش و مشکلات یادگیری عمیق شناخته شده است. او به سرعت به کمبودهای DALL-E 2 و Imagen اشاره کرد و در گفتگوی عمومی از جمله با افرادی از Google شرکت کرد.
مارکوس بینش خود را در عنوانی مناسب به اشتراک می گذارد مقاله "اسب سواری فضانورد".. نتیجهگیری او این است که انتظار این که آن مدلها کاملاً به معناشناسی حساس باشند، زیرا به ساختار نحوی مربوط میشوند، خیال بافی است و ناتوانی در استدلال نقطه شکست کلی روشهای یادگیری ماشین مدرن و مکانی کلیدی برای جستجوی ایدههای جدید است.
آخرین اما نه کم اهمیت ترین، در می 2022، دیپ مایند گاتو را اعلام کردیک مدل هوش مصنوعی عمومی. مانند ZDNet یادداشت های تیرنان ریگاتو نوع متفاوتی از مدل هوش مصنوعی چندوجهی است. گاتو میتواند با انواع دادهها کار کند تا چندین نوع کار را انجام دهد، مانند بازی کردن بازیهای ویدیویی، چت کردن، نوشتن ترکیببندی، نوشتن شرح تصاویر و کنترل بلوکهای انباشته بازوهای روباتیک.
همانطور که ری همچنین اشاره می کند، گاتو در بسیاری از کارها به خوبی کار می کند. با این حال، این باعث نشد که افراد تیم DeepMind که گاتو را ساخته بودند از فریاد زدن بازدارند که «بازی تمام شد! این در مورد این است که این مدلها بزرگتر، ایمنتر، محاسبات کارآمد، سریعتر در نمونهبرداری، حافظه هوشمندتر، و روشهای بیشتر باشد.»
زبان، اهداف، و قدرت بازار تعداد معدودی
پس همه اینها کجا ما را رها می کند؟ به کنار هیاهو، باورهای متافیزیکی و طغیان های مشتاقانه، وضعیت فعلی هوش مصنوعی باید با متانت بررسی شود. در حالی که مدلهایی که در چند ماه اخیر منتشر شدهاند، واقعاً شاهکارهای مهندسی چشمگیر هستند و گاهی اوقات میتوانند نتایج شگفتانگیزی ایجاد کنند، هوشی که آنها به آن اشاره میکنند واقعاً مصنوعی نیست.
هوش انسانی پشت مهندسی چشمگیر است که این مدل ها را تولید می کند. این هوش انسانی است که مدل هایی ساخته است که در مقاله پایه آلن تورینگ بهتر و بهتر می شوند. ماشین آلات و اطلاعات رایانه ای "بازی تقلید" نامیده می شود، که در بین مردم به عنوان "آزمون تورینگ" شناخته می شود.
به عنوان مدیر اجرایی مرکز حریم خصوصی و فناوری (CPT) در قانون جورج تاون، امیلی تاکر می نویسد:تورینگ جایگزین این سوال شد که «آیا ماشینها میتوانند فکر کنند؟» با این سوال که آیا انسان می تواند کامپیوتر را با انسان دیگری اشتباه بگیرد؟
تورینگ سوال دوم را با روحیه اکتشافی مفید برای سوال اول ارائه نمی کند. او نمی گوید که فکر می کند این دو سؤال نسخه هایی از یکدیگر هستند. در عوض، او این باور را بیان می کند که این سوال که "آیا ماشین ها می توانند فکر کنند؟" هیچ ارزشی ندارد و به نظر می رسد امیدوار است که به آینده ای نزدیک امیدوار باشد که در آن در واقع بسیار دشوار است اگر نگوییم غیرممکن برای انسان ها این سوال را از خود بپرسند.
از برخی جهات، آن آینده ممکن است به سرعت نزدیک شود. مدلهایی مانند Imagen و DALL-E وقتی با اعلانهایی ارائه میشوند که برای پردازش به هوشی از نوع انسانها نیاز دارند، شکست میخورند. با این حال، برای بیشتر مقاصد و مقاصد، این موارد ممکن است موارد لبه در نظر گرفته شوند. آنچه DALL-Eهای جهان قادر به ایجاد آن هستند با ماهرترین هنرمندان همتراز است.
پس سوال این است که هدف از این همه چیست؟ به عنوان یک هدف به خودی خود، صرف زمان و منابعی که چیزی مانند Imagen به آن نیاز دارد تا بتواند تصاویر جالبی را به دلخواه تولید کند، نسبتاً نابجا به نظر می رسد.
تلقی این به عنوان یک هدف میانی برای ایجاد هوش مصنوعی «واقعی» ممکن است توجیهپذیرتر باشد، اما تنها در صورتی که مایل باشیم این مفهوم را قبول کنیم. انجام همان کار در مقیاس بزرگتر به نحوی به نتایج متفاوتی منجر می شود.
در این پرتو، قصد اعلام شده تاکر برای مشخص کردن تا حد امکان در مورد اینکه فناوری مورد نظر چیست و چگونه کار میکند، به جای استفاده از اصطلاحاتی مانند «هوش مصنوعی و «یادگیری ماشین»، در سطوحی معنا پیدا میکند.
به عنوان مثال، تاکر مینویسد، به جای گفتن «تشخیص چهره از هوش مصنوعی استفاده میکند»، ممکن است چیزی شبیه به «شرکتهای فناوری از مجموعه دادههای عظیم برای آموزش الگوریتمهایی برای تطبیق با تصاویر چهرههای انسان استفاده میکنند». در مواردی که توضیح کامل برای بحث بزرگتر یا فراتر از تخصص CPT باشد، آنها خوانندگان را به منابع خارجی راهنمایی می کنند.
در حقیقت، از نظر خوانایی چندان کاربردی به نظر نمی رسد. با این حال، خوب است به خاطر داشته باشید که وقتی می گوییم "AI"، این واقعاً یک قرارداد است، نه چیزی که باید به صورت ظاهری در نظر گرفته شود. واقعاً این شرکتهای فناوری هستند که از مجموعههای دادهای عظیم برای آموزش الگوریتمهایی برای انجام تقلیدهایی از هوش انسانی – گاهی مفید و/یا چشمگیر- استفاده میکنند.
که ناگزیر منجر به سوالات بیشتری می شود، مانند - انجام چه کاری و به نفع چه کسی. به عنوان اریک برینیولفسون، اقتصاددان تحصیل کرده و مدیر آزمایشگاه اقتصاد دیجیتال استانفورد می نویسد:تمرکز بیش از حد بر هوش مصنوعی انسانمانند، دستمزدها را برای اکثر مردم کاهش میدهد «حتی در حالی که قدرت بازار معدودی را که مالک و کنترل فناوریها هستند، تقویت میکند».
در آن زمینه، هوش مصنوعی هیچ تفاوتی با سایر فناوریهایی که قبل از آن وجود داشتند، ندارد. چیزی که این بار ممکن است متفاوت باشد، سرعتی است که چیزها در آن آشکار می شوند، و درجه تقویت به قدرت تعداد معدودی.
هوش مصنوعی
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://www.zdnet.com/article/resisting-the-urge-to-be-impressed-and-knowing-what-we-are-talking-about-when-we-talk-about-ai/#ftag=RSSbaffb68