الذكاء الاصطناعي لا يتبع منطق التقدم العلمي
لقد كتبنا عدة مرات في الترجمة الآلية عن الباحثين والمهنيين الذين أعلنوا أن أنظمة التعلم الآلي هي "الصناديق السوداء" (1) حتى لأولئك الذين يبنونها. هذا يجعل من الصعب تقييم النتائج وإعادة استخدام الخوارزميات الناشئة.
الشبكات العصبية - وهي التقنية التي تمنحنا روبوتات تحويل ذكية ومولدات نصوص بارعة يمكنها حتى إنشاء الشعر - تظل لغزًا غير مفهوم للمراقبين الخارجيين.
لقد أصبحوا أكبر وأكثر تعقيدًا ، ويتعاملون مع مجموعات بيانات ضخمة ، ويستخدمون مصفوفات حسابية ضخمة. هذا يجعل تكرار وتحليل النماذج التي تم الحصول عليها مكلفًا وأحيانًا مستحيلًا للباحثين الآخرين ، باستثناء المراكز الكبيرة ذات الميزانيات الضخمة.
يدرك العديد من العلماء جيدًا هذه المشكلة. من بينهم جويل بينو (2) ، رئيس NeurIPS ، المؤتمر الأول حول التكاثر. يريد الخبراء تحت قيادتها إنشاء "قائمة مرجعية للتكاثر".
الفكرة ، وفقًا لبينو ، هي تشجيع الباحثين على تقديم خارطة طريق للآخرين حتى يتمكنوا من إعادة إنشاء واستخدام العمل الذي تم إنجازه بالفعل. يمكنك أن تتعجب من بلاغة منشئ نص جديد أو خفة الحركة الخارقة لروبوت ألعاب الفيديو ، ولكن حتى أفضل الخبراء ليس لديهم أدنى فكرة عن كيفية عمل هذه العجائب. لذلك ، يعد استنساخ نماذج الذكاء الاصطناعي أمرًا مهمًا ليس فقط لتحديد أهداف واتجاهات جديدة للبحث ، ولكن أيضًا كدليل عملي بحت للاستخدام.
يحاول آخرون حل هذه المشكلة. قدم باحثو Google "بطاقات نموذجية" لوصف كيفية اختبار الأنظمة بالتفصيل ، بما في ذلك النتائج التي تشير إلى أخطاء محتملة. نشر الباحثون في معهد ألين للذكاء الاصطناعي (AI2) ورقة تهدف إلى توسيع قائمة التحقق من استنساخ Pinot إلى خطوات أخرى في العملية التجريبية. يحثون على "أظهر عملك".
أحيانًا تكون المعلومات الأساسية مفقودة لأن المشروع البحثي مملوك ، خاصة للمختبرات التي تعمل لحساب الشركة. ومع ذلك ، فهي في كثير من الأحيان علامة على عدم القدرة على وصف أساليب البحث المتغيرة والمعقدة بشكل متزايد. الشبكات العصبية هي منطقة معقدة للغاية. للحصول على أفضل النتائج ، يلزم غالبًا ضبط آلاف "المقابض والأزرار" ، والتي يسميها البعض "السحر الأسود". غالبًا ما يرتبط اختيار النموذج الأمثل بعدد كبير من التجارب. يصبح السحر باهظ الثمن.
على سبيل المثال ، عندما حاول Facebook تكرار عمل AlphaGo ، وهو نظام طورته شركة DeepMind Alphabet ، ثبت أن المهمة صعبة للغاية. المتطلبات الحسابية الضخمة ، ملايين التجارب على آلاف الأجهزة على مدى عدة أيام ، بالإضافة إلى نقص الكود ، جعلت النظام "صعبًا للغاية ، إن لم يكن مستحيلًا ، لإعادة الإنشاء والاختبار والتحسين والتمديد" ، وفقًا لموظفي Facebook.
يبدو أن المشكلة متخصصة. ومع ذلك ، إذا فكرنا أكثر ، فإن ظاهرة المشاكل المتعلقة باستنساخ النتائج والوظائف بين فريق بحث وآخر يقوض كل منطق سير العمليات العلمية والبحثية المعروفة لنا. كقاعدة عامة ، يمكن استخدام نتائج البحث السابق كأساس لمزيد من البحث الذي يحفز تطوير المعرفة والتكنولوجيا والتقدم العام.
