تکنیک “جعبه سیاه” ممکن است منجر به ظهور هوش‎مصنوعی قوی‎تری شود

آموزش یک شبکه‎ی عصبی کار ساده‎ای نیست. حتی اگر اجرا کردن آن‎ها مشکل نباشد، باز هم آماده‎سازی آن‎ها بدون توجه به هر میزان نیروی محاسباتی که صرف ‎شود، ساعت‎ها زمان می‎برد. محققان OpenAl ممکن است برای این قضیه راه‎حل بهتری داشته‎باشند یعنی فراموش بسیاری از قوانین همیشگی. آن‎ها یک استراتژی تکاملی ایجاد کرده‎اند که نوید ظهور سیستم‎های قوی‎تر هوش‎مصنوعی را می‎دهد. به جای استفاده از سیستم آموزش استاندارد فعلی، آن‎ها یک “جعبه‎ی سیاه” به وجود می‎آورند که تا به واسطه‎ی آن یک عامل، یک محیط، این‎که شبکه‎های عصبی شامل هستند، یا این‎که تعامل‎ها در طول زمان رخ می‎دهد، فراموش می‎شود و حتی شبکه‎های عصبی در آن شکل گیرند. همه چیز در رابطه با بهینه‎سازی تابع داده شده به صورت مجزا و به اشتراک‎گذاری آن در صورت لزوم است.

این سیستم با پارامترهای تصادفی متعددی شروع می‎کند، حدس و گمان‎هایی می‎زند و سپس به دنبال آن این حدس‎ها برای به دست آوردن نامزدهای موفق‎تر تغییر می‎یابد و اندک‎اندک موارد اضافی حذف تا جواب ایده‎آل به دست آید. ممکن است با یک میلیون عدد کار شروع شود ولی در نهایت تنها یکی باقی بماند.

این سیستم ممکن است مرموز به نظر آید، ولی مزایای آن به سادگی درک می‎شود. این تکنیک بسیاری از پیچیدگی‎های غیرضروری قدیمی در آموزش شبکه‎های عصبی را حذف می‎کند تا اجرای کد تقریبا دو تا سه برابر سریع‎تر و ساده‎تر شود. و زمانی که “افراد درگیر” این طرح تنها نیاز به اشتراک‎گذاری بیت‎های اندکی از داده‎ها با یکدیگر دارند، در زمان ایراد یک مشکل برای این روش از هسته‎های پردازشی بیشتری استفاده می‎شود. در تست‎ها، یک فوق کامپیوتر بزرگ با 1440 هسته توانست به یک ربات شبه انسانی در عرض 10 دقیقه راه‎ رفتن را آموزش دهد، در حالی‎که در مقایسه برای سیستم‎های معمولی این کار 10 ساعت طول می‎کشد و حتی یک سیستم 720 هسته‎ای “ساده” قادر به انجام آن در عرض 1 ساعت بود، کاری که انجام آن برای یک سیستم 32 هسته‎ای 1 روز کامل طول می‎کشد.

هنوز راهی طولانی برای استفاده از روش جعبه‎ی سیاه در دنیای واقعی هوش‎مصنوعی وجود دارد. گرچه، قابلیت‎های اصلی استفاده از آن مشخص است: اپراتورهای شبکه‎ی عصبی می‎توانند به جای آموزش سیستم‎هایشان وقت بیشتری را با آن‎ها بگذارنند. و به دنبال سریع‎تر شدن کامپیوترها، این قابلیت باعث افزایش این احتمال می‎شود که این نوع یادگیری به شکل موثرتری در زمان آنی می‎تواند رخ دهد. در نتیجه در نهایت شاهد ظهور ربات‎هایی خواهیم بود که با وظایف جدید سریع‎تر سازگاری پیدا کرده و از اشتباهات خود درس می‎گیرند.