فورست أغوستينيلي، جامعة كارولينا الجنوبية

لقد أنشأ مجال الذكاء الاصطناعي (AI) أجهزة كمبيوتر يمكنهاقيادة السيارات، وتوليف المركبات الكيميائية، ومضاعفة البروتينات (protein folding)، واكتشاف الجسيمات عالية الطاقة على مستوى فوق طاقة البشر.

ومع ذلك، لا تستطيع خوارزميات الذكاء الاصطناعي هذه شرح عمليات التفكير وراء قراراتها. ويعد الكمبيوتر الذي يتقن مضاعفة البروتين (protein folding) ويخبر الباحثين أيضاً المزيد عن قواعد علم الأحياء أكثر فائدة من الكمبيوتر الذي يطوي البروتينات دون تفسير.

لذلك، يوجهباحثو الذكاء الاصطناعي مثلي جهودهم الآن نحو تطوير خوارزميات ذكاء اصطناعي يمكنها تفسير نفسها بطريقة يمكن للبشر فهمها. وإذا تمكنا من القيام بذلك، فأنا أعتقد أن الذكاء الاصطناعي سيكون قادراً على اكتشاف وتعليم الناس حقائق جديدة حول العالم لم يتم اكتشافها بعد، مما يؤدي إلى ابتكارات جديدة.

التعلم من التجربة

إن أحد مجالات الذكاء الاصطناعي، يسمى التعلم المعزز، يدرس كيف يمكن لأجهزة الكمبيوتر أن تتعلم من تجاربها الخاصة. في التعلم المعزز، يستكشف الذكاء الاصطناعي العالم، ويتلقى ردود فعل إيجابية أو سلبية بناءً على أفعاله.

وقد أدى هذا النهج إلى خوارزميات تعلمت بشكل مستقللعب الشطرنج على مستوى فوق طاقة البشر وإثبات النظريات الرياضية دون أي توجيه بشري. في عملي كباحث في الذكاء الاصطناعي، أستخدم التعلم المعزز لإنشاء خوارزميات الذكاء الاصطناعي التي تتعلم كيفية حل الألغاز مثل مكعب روبيك.

من خلال التعلم المعزز، تتعلم أنظمة الذكاء الاصطناعي بشكل مستقل حل المشكلات التي يكافح حتى البشر لحلها. لقد دفعني هذا والعديد من الباحثين الآخرين إلى التفكير بشكل أقل فيما يمكن أن يتعلمه الذكاء الاصطناعي والمزيد حول ما يمكن أن يتعلمه البشر من الذكاء الاصطناعي. حيث يجب أن يكون الكمبيوتر الذي يمكنه حل مكعب روبيك قادراً على تعليم الأشخاص كيفية حلها أيضاً

التحديق في الصندوق الأسود

ولسوء الحظ، فإن عقول الذكاء الاصطناعي الخارقة بعيدة المنال حالياً بالنسبة لنا كبشر. حيث تصنع أنظمة الذكاء الاصطناعي معلمين سيئين، وهم ما نطلق عليه في عالم علوم الكمبيوتر“الصناديق السوداء” (black boxes).

يقوم الصندوق الأسود للذكاء الاصطناعي (AI) ببساطة ببث الحلول دون إبداء الأسباب وراء حلوله. وقد حاول علماء الكمبيوتر منذ عقود فتح هذا الصندوق الأسود، كما أظهرت الأبحاث الحديثة أن العديد من خوارزميات الذكاء الاصطناعي تفكر بالفعل بطرق مشابهة للبشر. فعلى سبيل المثال، يقوم الكمبيوتر المدرب على التعرف على الحيوانات حيث سيتعلم على أنواع مختلفة من العيون والأذنين وسيجمع الكومبيوتر هذه المعلومات معاً لتحديد هوية الحيوان بشكل صحيح.

ويُطلق على محاولة فتح الصندوق الأسود اسم الذكاء الاصطناعي القابل للتفسير. تهتم مجموعتي البحثية في معهد الذكاء الاصطناعي بجامعة ساوث كارولينا بتطوير الذكاء الاصطناعي القابل للتفسير. لتحقيق ذلك، نعمل بشكل مكثف مع مكعب روبيك.

فمكعب روبيك هو في الأساس مشكلة تحديد المسار: ابحث عن مسار من النقطة أ – مكعب روبيك المشوش – إلى النقطة ب – مكعب روبيك محلول. وتشمل مشاكل تحديد المسار الأخرى الملاحة وإثبات النظرية والتوليف الكيميائي.

وقد أنشأ مختبري موقعاً على شبكة الإنترنت حيث يمكن لأي شخص أن يرى كيف تحل خوارزمية الذكاء الاصطناعي لدينا مكعب روبيك؛ ومع ذلك، سيتعرض الشخص لضغوط شديدة لتعلم كيفية حل المكعب من هذا الموقع. وهذا لأن الكمبيوتر لا يمكنه إخبارك بالمنطق الكامن وراء حلوله.

يمكن تقسيم حلول مكعب روبيك إلى بضع خطوات عامة – يمكن أن تكون الخطوة الأولى، على سبيل المثال، تشكيل تقاطع بينما قد تكون الخطوة الثانية هي وضع قطع الزاوية في مكانها. بينما يحتوي مكعب روبيك نفسه على أكثر من 10 إلى 19 مجموعة ممكنة من االتركيبات، فإن الدليل الذي يعمم ذلك خطوة بخطوة يسهل تذكره ويمكن تطبيقه في العديد من السيناريوهات المختلفة.

وغالباً ما يكون التعامل مع مشكلة عن طريق تقسيمها إلى خطوات هو الطريقة الافتراضية التي يشرح بها الأشخاص الأشياء بعضهم لبعض. ويتناسب مكعب روبيك بشكل طبيعي مع هذا الإطار التدريجي، مما يمنحنا الفرصة لفتح الصندوق الأسود لخوارزميتنا بسهولة أكبر. حيث يمكن أن يسمح للاشخاص إنشاء خوارزميات ذكاء اصطناعي تتمتع بهذه القدرة بالتعاون مع الذكاء الاصطناعي بتقسيم مجموعة متنوعة من المشكلات المعقدة إلى خطوات سهلة الفهم.

التعاون يؤدي إلى الابتكار

تبدأ عمليتنا باستخدام حدس الفرد لتحديد خطة خطوة بخطوة التي يُعتقد أنها قد تحل مشكلة معقدة. ثم تنظر الخوارزمية في كل خطوة على حدة وتقدم ملاحظات حول الخطوات الممكنة والمستحيلة والطرق التي يمكن بها تحسين الخطة. ثم يقوم الإنسان بتنقيح الخطة الأولية باستخدام نصيحة من الذكاء الاصطناعي، وتتكرر العملية حتى يتم حل المشكلة. والأمل هو أن يتقارب الشخص والذكاء الاصطناعي في النهاية إلى نوع من التفاهم المتبادل.

[معرفة عميقة يوميا. اشترك في النشرة الإخبارية للمحادثة.]

حالياً، خوارزميتنا قادرة على النظر في خطة بشرية لحل مكعب روبيك، واقتراح تحسينات على الخطة، والتعرف على الخطط التي لا تعمل، والعثور على بدائل تعمل. ومن خلال القيام بذلك، فإنه يعطي ملاحظات تؤدي إلى خطة خطوة بخطوة لحل مكعب روبيك الذي يمكن لأي شخص فهمه. ثم تتمثل الخطوة التالية لفريقنا في إنشاء واجهة سهلة الاستخدام تسمح لخوارزميتنا بتعليم الأشخاص كيفية حل مكعب روبيك. ويحدونا الأمل بتعميم هذا النهج على مجموعة واسعة من مشاكل تحديد المسار.

الناس حدسيون بطريقة لا مثيل لها عند أي ذكاء اصطناعي، لكن الآلات أفضل بكثير في قوتها الحسابية ودقتها الحسابية. هذا النهج ذهاباً وإياباً بين الإنسان والآلة يستخدم نقاط القوة من كليهما. وأعتقد أن هذا النوع من التعاون سيلقي الضوء على المشكلات التي لم يتم حلها سابقاً في كل شيء من الكيمياء إلى الرياضيات، مما يؤدي إلى حلول جديدة، وحدس وابتكارات قد تكون، بدون ذلك، بعيدة المنال.

فورست أغوستينيلي، أستاذ مساعد في علوم الكمبيوتر، جامعة كارولينا الجنوبية

يتم إعادة نشر هذه المقالة من شبكة The Conversation تحت ترخيص المشاع الإبداعي. قراءة المادة الأصلية.