مشکل هوش مصنوعی در جهان واقعی
هوش مصنوعی توانسته است در زمینههای مختلفی پیشرفت کند، اما هنوز نتوانسته است بهصورت کامل در جهان واقعی عمل کند. این مشکل به دلیل عدم درک درست از فیزیک جهان و عدم توانایی درک سنگینی، لیزی و شکنندگی مواد است. به عنوان مثال، یک ربات ممکن است بتواند دستورالعملهای دقیقی برای انجام یک کار را بدهد، اما در عمل نتواند آن کار را انجام دهد.
تفاوت بین درک کلامی و درک عملی
مدلهای زبانی بزرگ مثل ChatGPT با بلعیدن میلیاردها صفحه متن، در نوشتن و کدنویسی شاهکار میکنند، اما منطق پشت پرده همه آنها حدس زدن کلمه بعدی در یک جمله است و درکی از فیزیک جهان ندارند. در مقابل، یک کودک دو ساله بدون این که بداند جاذبه چیست، بارها افتادن اسباب بازی اش را روی فرش تماشا میکند و خیلی زود متوجه میشود که اگر توپ را هل بدهد قل میخورد.
توسعه مدلهای جهانی
برای پر کردن این شکاف عمیق، شرکتهای بزرگ مثل گوگل، انویدیا و متا وارد رقابت تازهای برای توسعه «مدلهای جهانی»
شدهاند. این مدلها قرار است پای ماشینها را در عمل به دنیای ما باز کنند و به آنها توانایی درک درست از فیزیک جهان را بدهند.
جمعبندی
هوش مصنوعی هنوز نتوانسته است بهصورت کامل در جهان واقعی عمل کند، اما با توسعه مدلهای جهانی و افزایش درک از فیزیک جهان، امید است که در آینده بتواند بهصورت کامل در جهان واقعی عمل کند.
پیشبینی و شبیهسازی در هوش مصنوعی
پیشبینی و شبیهسازی در هوش مصنوعی از مفاهیم کلیدی است که متخصصان در تلاش برای ایجاد هوش مصنوعی در سطح انسان به آن میپردازند. یان لکان، یکی از پدران یادگیری عمیق، معتقد است که تنها با افزایش دادههای زبانی و آموزش مدلهای زبانی به آنها، نمیتوان به هوش مصنوعی در سطح انسان رسید. او معتقد است که هوش واقعی زمانی شکل میگیرد که ماشین能够 از دنیای فیزیکی یاد بگیرد، اتفاقات بعدی را پیشبینی کند و بر اساس پیشبینیها دست به عمل بزند.
شبیهسازی ذهنی و پیشبینی در انسان
مغز انسان به طور مداوم در حال شبیهسازی عواقب کارهایمان قبل از انجام دادن آنها است. این فرایند ذهنی، انسان را قادر میسازد تا با استفاده از تجربه، حافظه و مشاهده، رفتار اشیا و محیط اطرافشان را پیشبینی کنند. برای مثال، जब میخواهید از خیابانی شلوغ رد شوید، سرعت ماشینها را تخمین میزنید، فاصله خودتان تا جدول سمت مقابل را میسنجید و در ذهنتان یک شبیهسازی سریع اجرا میکنید. این مکانیزم در بسیاری از فعالیتهای روزمره، مانند برداشتن یک لیوان آب یا چیدن جعبهها، فعال است.
تلاش برای ایجاد پیشبینی و شبیهسازی در ماشینها
متخصصان در تلاش هستند تا همین قدرت پیشبینی و شبیهسازی درونی را به ماشینها بدهند. این تلاشها شامل توسعه مدلهای یادگیری عمیق و تکنیکهای شبیهسازی است که بتوانند رفتار اشیا و محیط اطراف را پیشبینی کنند. با این کار، ماشینها能够 تصمیمات بهتری بگیرند و عملکردهای خود را بهبود ببخشند.
دو دیدگاه متفاوت در هوش مصنوعی
در زمینه هوش مصنوعی، دو چهره سرشناس یعنی یان لکان و دمیس هاسابیس با دیدگاههای فنی متفاوت، در تلاش برای فهم فیزیک دنیا توسط هوش مصنوعی هستند. هر دو موافق هستند که هوش مصنوعی باید به درک فیزیک دنیا برسد، اما مسیر آنها برای رسیدن به این هدف متفاوت است.
دیدگاه یان لکان
یان لکان معتقد است که دنیای فیزیکی پر از جزئیات غیرقابل پیشبینی و بیفایده برای تصمیمگیری است. او پیشنهاد میکند که هوش مصنوعی باید به جای بازسازی تصویر آینده، ابتدا اطلاعات تصویر را به یک بازنمایی فشرده و ریاضی تبدیل کند. این روش به نام JEPA، فضایی را ایجاد میکند که در آن ویژگیهای مهم صحنه مثل موقعیت اشیا و روابط میان آنها حفظ میشوند. سپس یک شبکه پیشبینی کننده آینده محیط را حدس میزند.

دیدگاه دمیس هاسابیس
دمیس هاسابیس باور دارد که تماشای میلیاردها ساعت ویدیو از رفتار دنیا به مدلها یاد میدهد که سازوکار دنیا و رابطه علت و معلولی چیست. او معتقد است که وقتی یک مدل تولید تصویر یاد میگیرد جریان روان آب را طبیعی بسازد، تا حدی به فیزیک شهودی ماده دست یافته است. این مسیر را گامی کلیدی برای رسیدن به هوش مصنوعی جامع (AGI) میداند.
پروژههای پیشتاز
پروژههای بزرگی از گوگل، انویدیا و متا با پیادهسازی این راهکارها به دنبال دستیابی به مدل جهانی هستند. این پروژهها شامل:
- پروژه Genie 4 گوگل دیپ مایند
- پروژههای انویدیا
- پروژههای متا
پروژه Genie 4 گوگل دیپ مایند
پروژه Genie 4 گوگل دیپ مایند به دنبال ساختن دنیاهایی است که میشود در آنها قدم زد. این پروژه با استفاده از 기술های پیشرفته هوش مصنوعی، در تلاش است تا محیطهای واقعی و قابل تعامل ایجاد کند.
محیطهای تعاملی با هوش مصنوعی
پروژه Genie از گوگل دیپ مایند با تمرکز بر ایجاد محیطهای تعاملی، شبیه به یک بازی ویدیویی، کار میکند. در این محیطها، کاربر میتواند با دستورات متنی ساده، صحنه را تغییر دهد. برای مثال، کاربر میتواند یک جنگل را توصیف کند، وارد آن شود، به سمت رودخانه قدم بزند، دستور دهد هوا بارانی شود یا یک تخته سنگ جلوی مسیرش قرار بگیرد. مدل Genie در همان لحظه، ادامه صحنه و واکنش محیط را میسازد.
پیشرفت در نسخه Genie 4
نسخه جدید این سیستم، Genie 4، محیطهای بسیار واقعیتری را به صورت زنده میسازد و علاوه بر آن، صداهای محیطی، موسیقی و دیالوگهای تعاملی را نیز تولید میکند. این نسخه به خانواده مدلهای جمینای (به ویژه Omni) متصل است که به شبیهسازیها کمک میکند تا ظاهر و رفتاری منطبق با دنیای واقعی داشته باشند و منطق صحنهها به هم نریزد.
کاربرد در آموزش رباتها
بزرگترین کاربرد مدل Genie 4 در آموزش رباتها است. این مدل یک زمین تمرین مجازی بیپایان میسازد تا رباتها هزاران بار در آن اشتباه کنند، با موانع غیرمنتظره روبهرو شوند و کار با اشیا ناشناس را یاد بگیرند، بدون اینکه حتی یک پیچ در دنیای واقعی آسیب ببیند.
پروژه Cosmos 3 انویدیا
پروژه Cosmos 3 انویدیا یک پلتفرم جامع برای نزدیک کردن سه مرحله درک محیط، پیشبینی اتفاقات بعدی و اقدام مناسب است. معماری این مدل دو بخش اصلی دارد: شبکه استدلالگر که اطلاعات تصویری، متنی، صوتی و حرکتی را تحلیل میکند و بخش مولد مبتنی بر دیفیوژن که خروجیهایی مانند تصویر، ویدیو و مسیرهای حرکتی تولید میکند. انویدیا دو اندازه از این مدل را معرفی کرده: نسخه نانو با ۱۶ میلیارد پارامتر برای اجرا روی ورک استیشن و نسخه سوپر با ۶۴ میلیارد پارامتر برای زیرساختهای دیتاسنتری.
پروژه V-JEPA 2 متا
پروژه V-JEPA 2 متا بر پایه نظریههای یان لکان استوار است که میگوید برای فهمیدن قوانین فیزیک، نیازی به بازسازی تک تک پیکسلهای تصویر نیست. مدل V-JEPA 2 با تماشای بیش از یک میلیون ساعت ویدیوی عمومی آموزش دیده، بدون این که انسانی پای مانیتور بنشیند و برایش برچسب بزند که «این یک صندلی است»
یا «این یک گربه است»
. مدل با خودآموزی یاد گرفته که حرکت اشیا در فضا از چه اصولی پیروی میکند. نسخه ویژهای از این پروژه به نام V-JEPA 2-AC است که به این مدل ۶۲ ساعت ویدیوی ضبط شده از حرکات بازوی مکانیکی ربات «فرانکا» نشان داده شد. نتیجه خیرهکننده بود: این بازوی مکانیکی توانست در آزمایشگاهی که قبلاً آنها را ندیده بود، با نرخ موفقیت ۶۵ تا ۸۰ درصدی وسایل مختلف را بردارد، جابهجا کند و روی سطوح بگذارد؛ بدون نیاز به این که مهندسان برای تک تک اشیای جدید برنامهنویسی کنند یا داده اختصاصی به آن بدهند.

مدلهای جهانی و رباتیک
مدلهای جهانی در رباتیک به عنوان یک انقلاب در نظر گرفته میشوند. این مدلها میتوانند به رباتها توانایی درک و فهم محیط را بدهند و آنها را قادر به انجام کارهای پیچیدهتر کنند. برای مثال، یک ربات میتواند با استفاده از مدل جهانی، یک لیوان را از روی میز بردارند و آن را در جای دیگری قرار دهد.
شبیهسازی و آموزش
مدلهای جهانی میتوانند به رباتها اجازه دهند که در محیطهای شبیهسازی شده آموزش ببینند و تجربه کسب کنند. این امر میتواند هزینههای آموزش را کاهش دهد و رباتها را قادر به انجام کارهای پیچیدهتر کند. همچنین، مدلهای جهانی میتوانند به رباتها توانایی تصمیمگیری منعطف در لحظه را بدهند و آنها را قادر به واکنش به شرایط ناگهانی کنند.
مزایای مدلهای جهانی
مدلهای جهانی میتوانند به رباتها توانایی آمادگی برای اتفاقات نادر و خطرناک را بدهند. برای مثال، یک ربات میتواند با استفاده از مدل جهانی، پیشبینی کند که اگر یک بسته را کمی به چپ هل دهد، کارتن بالایی سر میخورد و میافتد. این توانایی میتواند به رباتها اجازه دهد که در شرایط ناگهانی و خطرناک واکنش نشان دهند و از بروز حوادث جلوگیری کنند.
چالشهای مدلهای جهانی
یکی از چالشهای مدلهای جهانی این است که آیا واقعاً قوانین فیزیک را درک کردهاند یا فقط به خاطر دیدن هزاران ویدیوی مشابه، یاد گرفتهاند چه پیکسلهایی را کنار هم بگذارد تا نتیجه برای چشم ما باورپذیر باشد. این سوال مهمی است که باید به آن پاسخ داده شود تا بتوانیم از مدلهای جهانی به درستی استفاده کنیم.
چالش های مدل های جهانی
در توسعه مدل های جهانی، یک چالش مهم این است که چگونه می توان اطمینان حاصل کرد که این مدل ها در شرایط مختلف و با داده های ناشناخته، عملکرد درستی داشته باشند. اگر یک مدل جهانی در یک ویدیوی سرگرمی، تکه ای شیشه را برخلاف قوانین فیزیک حرکت دهد، ممکن است مشکلی ایجاد نشود، اما اگر یک ربات جراح یا خودروی خودران بر اساس درک غلط تصمیم بگیرد، نتیجه می تواند فاجعه بار باشد.
ارزیابی مدل های جهانی
برای ارزیابی مدل های جهانی، متخصصان از سه روش بهره می برند: سنجش آزمایشگاهی، آزمایش مستقیم روی ربات های فیزیکی، و برخورد با شرایط ناشناخته. در سنجش آزمایشگاهی، متخصصان سقوط یک توپ را با حسگرهای دقیق ثبت می کنند و می بینند آیا پیش بینی مدل با اعداد واقعی فیزیکی تطابق دارد یا فقط ظاهرش شبیه است. در آزمایش مستقیم روی ربات های فیزیکی، اگر برنامه ای که مدل در شبیه سازی ریخته، در دنیای واقعی بارها شکست بخورد، یعنی مدل یک قانون فیزیکی مهم را جا انداخته است.
بنچمارک WMEval
در پاسخ به این چالش، گروهی از پژوهشگران بنچمارکی با نام WMEval معرفی کردند که مدل های جهانی تعاملی را با استفاده از محیط های شبیه سازی فیزیکی Unity ارزیابی می کند. مزیت این بنچمارک این است که کیفیت تصویر را به تنهایی نمی سنجد؛ بلکه مدل را از نظر کنترل پذیری محیط، ثبات اشیا و شخصیت ها، حرکت اجسام، رفتار مایعات و سازگاری با روابط علت و معلولی آزمایش می کند.
توهم توأم با عمل
بزرگ ترین کابوس در توسعه هوش فیزیکی، «توهم توأم با عمل»
است. وقتی یک ربات در انبار حدس بزند که یک قفسه نازک تحمل بار دویست کیلویی را دارد، ماشین نقشه ای کاملاً منطقی را بر پایه یک فرضیه اشتباه اجرا می کند که نتیجه اش ویرانی قفسه ها و مصدومیت کارکنان خواهد بود. برای جلوگیری از این مشکلات، دانشمندان روی دو سپر دفاعی کار می کنند: اول، بهبود مدل های جهانی به گونه ای که بتوانند رفتار انسان ها را پیش بینی کنند، و دوم، توسعه سیستم های ایمنی که بتوانند از خطاهای مدل جلوگیری کنند.
رفتار انسان ها
مسئله وقتی پیچیده تر می شود که پای انسان ها به میان بیاید. رفتار انسان ها مثل قوانین حرکت نیوتن خطی و قابل پیش بینی نیست. مدل ممکن است محاسبه کند که یک رهگذر با همین گام های یکنواخت به مسیرش ادامه خواهد داد، غافل از این که فرد ناگهان با دیدن دوستش در آن سوی خیابان، مسیر را کج می کند. برای حل این مشکل، دانشمندان باید مدل های جهانی را به گونه ای توسعه دهند که بتوانند رفتار انسان ها را پیش بینی کنند و از خطاهای مدل جلوگیری کنند.

تخمین عدم قطعیت در هوش مصنوعی
- مدلهای هوش مصنوعی باید توانایی «نمیدانم» یا «مطمئن نیستم» را داشته باشند.
- در مواجهه با شک در استحکام یک جعبه یا رفتار راننده دیگر، به جای اصرار بر فرضیات، سیستم باید سرعت را کاهش دهد، زاویه دیگری را بررسی کند یا از اقدام پر ریسک صرفنظر کند.
سیستمهای ایمنی مستقل
- در عملیات پرخطر، تصمیم نهایی نباید تنها به مدل شبیهسازیکننده واگذار شود.
- سنسورهای فیزیکی مجزا، محدودکنندههای مکانیکی و کنترلهای کلاسیک باید بهعنوان ناظر مستقل عمل کنند تا در صورت خطا در پیشبینی مدل، جلوی فاجعه را بگیرند.
ترکیب زبان و عمل: چالشهای آینده
- سرمایهگذاریهای عظیم گوگل، انویدیا و متا بر مدلهای زبانی جهانی، نشاندهنده این است که آینده در ترکیب این دو فناوری نهفته است.
- در سیستمهای هوشمند آینده، مدل زبانی مسئول «ارتباطات و برنامهریزی کلان» و مدل جهانی مسئول «درک فیزیکی و شبیهسازی» خواهد بود.
مثال عملی: ربات خانگی
- درک دستور
- مدل زبانی دستور «میز ناهارخوری را جمع کن» را میفهمد و به مراحل کوچکتر تقسیم میکند (برداشتن بشقابها، بردن به آشپزخانه، پاکسازی میز).
- شبیهسازی فیزیکی
- مدل جهانی موقعیت میز را میبیند و اثرات فیزیکی هر حرکت را پیشبینی میکند (مثلاً اگر بشقاب زیرین را بکشد، لیوان رویی میافتد؛ بنابراین ابتدا لیوان باید برداشته شود).
- اجرای حرکت
- سیستم کنترل ربات نقشه امن را به دستورات حرکتی برای موتورها و مفاصل تبدیل میکند.
چشمانداز آینده هوش مصنوعی فیزیکی
- گامی بزرگ در هوش مصنوعی زمانی اتفاق میافتد که ماشین بتواند وارد محیطی ناشناخته شود، قوانین اشیا را درک کند، پیشبینی کند، خطرات را تشخیص دهد و وظیفه را بهطور ایمن انجام دهد.
- درک قوانین فیزیک، به اندازهی فهمیدن زبان انسانی، برای موفقیت هوش مصنوعی در محیطهای فیزیکی ضروری است.
پرسشهای متداول
چرا هوش مصنوعی هنوز نمی تواند به صورت کامل در جهان واقعی عمل کند؟
به دلیل عدم درک درست از فیزیک جهان و عدم توانایی درک سنگینی، لیزی و شکنندگی مواد.
چه شرکت هایی در توسعه مدل های جهانی فعالیت می کنند؟
شرکت های بزرگ مثل گوگل، انویدیا و متا.
آیا هوش مصنوعی در آینده能够 به صورت کامل در جهان واقعی عمل کند؟
امید است که با توسعه مدل های جهانی و افزایش درک از فیزیک جهان، هوش مصنوعی بتواند به صورت کامل در جهان واقعی عمل کند.