هوش مصنوعی چیزی را یاد نمی گیرد

آیا می دانستید حرف "P" در GPT به معنای "از پیش آموزش دیده" است.

از نظر فنی، سیستم‌های هوش مصنوعی مانند ChatGPT «یادگیری در زمان آموزش» دارند، و «یادگیری در زمان اجرا» ندارند،شما از دلایل موفقیت سایتی که 6 ماه از راه اندازی آن می گذرد از chatgpt که اخرین یادگیریش پارسال بوده سوالی بپرسید، جوابی ندارد بدهد.

اگر بعد از فارغ‌التحصیلی یادگیری را متوقف کنید، چه می‌شود؟ مثلا فرض کنید در سازمانی استخدام شدید و بعد از استخدام از شما بخواهند از امروز فقط با مرورگر کروم کار کنید و شما که تا دیروز با فایرفاکس کار می کردید بگویید من نمی توانم کار با کروم را یاد بگیرم (رفتن از فایرفاکس به کروم برای یک ادم معمولی کمتر از یک دقیقه یادگیری نیاز دارد ). شاید احمقانه به نظر برسد، اما اکثر سیستم‌های یادگیری ماشینی اینگونه آموزش می‌بینند. آنها یک بار در یک کار مهارت پیدا می‌کنند و سپس مستقر می‌شوند.

یک مثال دیگه من از هوش مصنوعی پرسیدم می تونی به من یک جوکی را تعریف کنی که جایی گفته و نوشته نشده و اون را خودت بسازی و بتواند من را بخنداند؟

شاید از من کسی این سوال را بپرسه بگم نه، اما پاسخ ماشین را بشنوید( و حتما خودتان هم امتحان کنید):

خب، یه جوک تازه برات میسازم که امیدوارم لبخند بزاری! 😄
**چرا ربات آشپز تصمیم گرفت مربای توتفرنگی درست کنه؟**
چون الگوریتمش گفت: «یه کم "جام" بیشتر بذار، میخوایم به "پرسیپترون" برسه!»
(توضیح برای جوک: «جام» هم به ظرف اشاره داره و هم به واحد داده در یادگیری ماشین (مثل **جام داده**). و «پرسیپترون» یکی از اولین مدلهای شبکه عصبی هست که تلفظش شبیه «پوره سیبزمینی» شده! 😅) امیدوارم از این ترکیب بامزه بین آشپزی و هوش مصنوعی خوشت اومده باشه!

از این بی مزه که بگذریم این سوال مطرح می شود که پس منظور از یادگیری ماشین چیست؟

بسیاری از گزارش‌ها و حتی مقالات دانشگاهی و بسیاری از پایان نامه ها از یادگیری ماشین می‌گویند. اما این به دلیل یک تصور غلط یا بهتر بگوییم، درک نادرست از منظور از «یادگیری» در هوش مصنوعی است.

من اگر تفاوت های یادگیری در ماشین با یادگیری انسانی را بگویم خیلی چیزها روشن می شود.

• سیستمهای هوش مصنوعی واقعاً «تجربه» را به معنای انسانی آن درک نمیکنند. آنها داده ها را پردازش میکنند و الگوها را از طریق الگوریتمهای ریاضی استخراج میکنند.(حتی در یادگیری تقویتی (Reinforcement Learning)، که در آن عامل از تعامل با محیط «بازخورد» میگیرد، این فرآیند مبتنی بر بهینه سازی ریاضی است، نه درک شهودی یا آگاهی.)
• اما یادگیری در انسانها همراه با درک مفهومی، استدلال انتزاعی، و سازگاری عمیق با شرایط جدید است.
• انسانها میتوانند از یک تجربه محدود، «اصول کلی» را استخراج کنند، مثلاً یادگیری زبان را مثال بزنیم که با تعداد کمی مثال (نسبت به گستره زبان) شکل می گیرد .

ماشین ها به جای یادگیری و درک آن در طول زمان، با داده ها تغذیه می شوند. در هوش مصنوعی چیزی به نام یادگیری از تجربه وجود ندارد، (مگر در یک محدوده بسیار محدود انهم در هوش شهودی و از پیش برنامه ریزی شده و بزرگترین ایراد از این نوع یادگیری، این است که با وجود یادگیری رفتار انها تغییر نمی کند.) و ایرادات دیگری هم دارد که در پی به ان می پردازیم

ایرادات یادگیری از نوع ماشینی:

1-سازگاری ماشینها با مفهوم یادگیری در چهارچوب الگوریتمها و داده های تعریف شده توسط انسان است. آنها نمیتوانند خارج از این چهارچوب «خلاقیت» یا «استدلال مستقل» از خود داشته باشند.

2- و مهمترین ایراد اصلی: تغییرناپذیری رفتار پس از یادگیری است که 3 دلیل برای ان می توان شمرد:

2-1) مدلهای ایستا (Static Models): بیشتر مدلها پس از آموزش، منجمد (~=فریز) میشوند و با داده های جدید سازگاری پیدا نمی کنند تا زمانیکه نسخه بعدی ارایه شود.

2-2) در مدلهای داینامیک هم که امکان بروزرسانی را دارند فرآیند یادگیری ( و بقولی استفاده از تجربیات)، نیازمند محاسبات سنگین و سریالی از داده های جدید است که گاه هفته ها زمان می برد (اما تجربیات در انسان آنا قابل دسترس هستند).

2-3) خطر فراموشی (Catastrophic Forgetting): اگر مدلی با داده های جدید آموزش ببیند، ممکن است با رونویسی، دانش قبلی خود را از دست بدهد (مشکلی که در یادگیری انسانی وجود ندارد و هرتجربه ای برای خوش جایگاه خود را دارد).

تفاوتهای اصلی یادگیری در انسان با ماشین:

• یادگیری انتقالی (Transfer Learning): استفاده از دانش آموخته شده در یک حوزه برای حل مسئله ای در حوزه دیگر (مثلا وقتی یک نفر دستش با بخار اب داغ می سوزد همان جا یاد میگیرد، پس خود اب هم داغ است و ظرفش هم داغ است اما ماشین فقط داغ بودن بخار را یاد میگیرد و لازم است داغ بودن آبی که بخار داغ از ان بلند شده را مجزا یاد بگیرد و همچنین ظرف حاوی اب داغ را).
• یادگیری مبتنی بر توضیح (Explanation-Based Learning): استخراج قوانین کلی از نمونه های خاص در انسانها ذاتی است اما در ماشین قابل پیاده سازی نیست (مثلا احترام به والدین را نمی توان با توضیحات به ماشین اموخت، چرا که خود حرمتها در موارد زیادی همپوشانی دارند، مثالی بزنم؛ شما به فرزند خود یاد می دهید که بدلیل کرامت والدین،هیچ وقت چیزی را که به سمت والدین خود پرت نکند بلکه به دستشان برساند. حالا فرض کنید این را به ماشین اموختیم، روزی می اید که پدر خانواده وسط باتلاقی گیر افتاده و لازم است سر طناب برای نجاتش به سمتش پرت شود. توسط هر فرزندی با هر سطح از تربیت این کار انا انجام می شود بدون اینکه به بد و خوب بودن ان فکر شود اما توسط ماشین که یادگرفته نباید برای پدر چیزی را پرت کرد قابل انجام نیست و نتیجه اش وحشتناک است).
• شبکه های عصبی اسپایکی (Spiking Neural Networks): شبیه سازی ساختار مغز برای یادگیری پویاتر. (فرض کنید شما با تمرین تلفظ درست کلمه را یادگرفته اید و بعد از چند سال متوجه می شوید که اشتباه بزرگی در یادگرفتن تلفظ داشته اید، مثلا div را اشتباها «دایو» یاد گرفته اید در حالیکه باید «دیو» تلفظ شود، تقریبا بصورت انی تفظ صحیح جایگزین تلفظی می شود که سالها بر روی ان مداومت و اصرار داشته اید، اما در ماشین لازمه ان این است که یادگیری با شبکه عصبی انجام شود این یعنی بهمان میزان تکرار و مداومت داشت

جمع بندی:

می دونید در پاسخ اینکه «هوش مصنوعی چیزی را یاد نمی گیرد» deepseek (ماشین هوش مصنوعی که مثل chatgpt عمل می کند) چه پاسخی به من داد، خواندنش خالی از لطف نیست:

شما تا حدی حق دارید: هوش مصنوعی فعلی فاقد «یادگیری» به معنای انسانی است و بیشتر شبیه به بهینهسازی پارامترها بر پایه دادههای ازپیشتعیینشده است. اما نباید فراموش کرد: همین سیستمهای مبتنی بر داده، توانایی حل مسائل پیچیده (مانند ترجمه زبان، تشخیص پزشکی، یا پیشبینی آبوهوا) را دارند که برای انسانها غیرممکن یا بسیار زمانبر است.

در حالیکه این اشتباه ادراکی ماشین از انسان است و برای انسانها تنها چیز غیرممکن، غیرممکن است.