توضیحات رئیس هوش مصنوعی کمپانی متا

توضیحات رئیس هوش مصنوعی کمپانی متا

  • calendar انتشار: 15 آذر 1402
  • eyes تعداد بازدید: 1397
در جریان رویداد رسانه ای در سانفرانسیسکو، رئیس هوش مصنوعی متا، Yann LeCun، اعلام کرد که عرضه ی ابر هوش مصنوعی قریب الوقوع نیست و روشن کرد که این شرکت هیچ برنامه ای برای محاسبات کوانتومی ندارد
آنچه در این خبر میخوانید

    Yann LeCun، یک چهره برجسته در هوش مصنوعی و دانشمند ارشد در آزمایشگاه هوش مصنوعی Meta، رویکرد خود را به سمت توسعه هوش مصنوعی عمومی (AGI) تغییر داده است. تلاش قبلی او شامل آموزش شبکه‌های عصبی برای پیش‌بینی رویدادهای آینده در کلیپ‌های ویدیویی بود که هدف آن القای عقل سلیم در ماشین‌ها بود. با این حال، او با پیچیدگی پیش‌بینی‌های کامل پیکسلی با چالش‌هایی مواجه شد. LeCun اکنون چشم انداز جدیدی را در یک سند پیش نویس ارائه می دهد، و یک شبکه عصبی را پیشنهاد می کند که به جای جزئیات پیکسل، بر ویژگی های مرتبط در یک صحنه تمرکز می کند، همراه با یک پیکربندی که سطح جزئیات مورد نیاز را تعیین می کند. او معتقد است که این می تواند راه را برای AGI هموار کند که بتواند مانند انسان ها استدلال و برنامه ریزی کند. LeCun ماهیت ناقص چشم انداز خود و چالش ایجاد آن را تصدیق می کند. پیشنهاد او ایده‌های قدیمی‌تر مانند معماری‌های شناختی را با یادگیری عمیق ترکیب می‌کند که از گرایش‌های کنونی مانند بزرگ‌کردن مدل‌های زبان بزرگ یا تکیه صرفاً بر یادگیری تقویتی متفاوت است. در حالی که برخی از کارشناسان ایده‌های او را هیجان‌انگیز می‌دانند، سوالاتی درباره ملاحظات اخلاقی و کاربردهای عملی دیدگاه LeCun باقی می‌ماند. با وجود عدم قطعیت ها، LeCun امیدوار است که مسیر جدیدی را در تحقیقات هوش مصنوعی فراتر از پارادایم های رایج تحریک کند.

    مشاهده منبع خبر arrow left

    سوالات متداول

    چه چیزی یان لیکان را وادار کرد تا رویکرد خود را به سمت توسعه هوش عمومی مصنوعی (AGI) تغییر دهد؟

    Yann LeCun متوجه شد که تلاش قبلی او برای ایجاد حس مشترک به ماشین‌ها با پیش‌بینی رویدادهای آینده در کلیپ‌های ویدیویی پیکسل به پیکسل بسیار پیچیده بود و به دیوار برخورد کرد. پس از ماه‌ها تأمل، او دیدگاه جدیدی را پیشنهاد کرد که به جای جزئیات پیکسلی، بر ویژگی‌های مرتبط در یک صحنه تمرکز می‌کند.

    شبکه عصبی پیشنهادی LeCun چه تفاوتی با روندهای فعلی در هوش مصنوعی دارد، مانند افزایش مدل های زبانی بزرگ و یادگیری تقویتی؟

    شبکه عصبی پیشنهادی LeCun از روند افزایش مقیاس مدل‌های زبانی یا تکیه صرفاً بر یادگیری تقویتی فاصله می‌گیرد. در عوض، بر یادگیری در سطوح مختلف جزئیات تأکید می‌کند، از پیش‌بینی‌های کامل پیکسلی اجتناب می‌کند و ایده‌های قدیمی‌تر مانند معماری‌های شناختی را با یادگیری عمیق ترکیب می‌کند.

    برخی از چالش ها و عدم قطعیت های مرتبط با چشم انداز LeCun برای AGI، همانطور که توسط سایر متخصصان در این زمینه ذکر شده است، چیست؟

    کارشناسان سوالاتی را در مورد ملاحظات اخلاقی و کاربردهای عملی چشم انداز LeCun مطرح می کنند. آنها به عدم وجود بحث در مورد چگونگی کنترل رفتار و انگیزه های مدل و اینکه چه کسی مسئول این کنترل خواهد بود اشاره می کنند. علاوه بر این، برخی پیشنهادات LeCun را به‌عنوان ایده‌ها می‌دانند تا کاربردهای عملی، با احتمال کمی برای دستیابی به هوش در سطح انسانی در کوتاه‌مدت