4 ترند تحقیقاتی هوش مصنوعی برای سازمان‌های نوپا

استفاده از هوش مصنوعی در دنیای واقعی از بسیاری جهات چالش برانگیز است و سازمان‌ها در این راستا بسیار تلاش می‌کنند.

به گزارش کالاسودا و به نقل از venturebeat، در این میان تلاش‌هایِ سازمان‌ها برای رسیدن به هوش مصنوعی، DeepMinds، گوگل و متا در حال پیشبرد تحقیقات هوش مصنوعی خود هستند و با جایگاه برتر خود باعث ایجاد شکاف در هوش مصنوعی می‌شوند.

4 ترند تحقیقاتی هوش مصنوعی

این‌ها 4 ترند تحقیقاتی هوش مصنوعی هستند که غول‌های فناوری در آن پیشرو هستند، اما بقیه‌ی سازمان‌ها در آینده به آن دست خواهند یافت:

توانایی‌های نوظهور مدل‌های زبانی بزرگ در تحقیقات هوش مصنوعی

یکی از نکات کلیدی پیش رو در هوش مصنوعی این است که آیا افزایش مقیاس می‌تواند به کیفیت‌های متفاوتی در مدل‌ها منجر شود یا خیر. فعالیت‌های اخیر گروهی از محققان از Google Research، دانشگاه استنفورد، UNC Chapel Hill و DeepMind می‌گوید که می‌تواند.

در بخش مدل‌های زبانی بزرگ (LLM)، اگر توانایی در مدل‌های کوچک‌تر وجود نداشته باشد، اما در مدل‌های بزرگ‌تر وجود داشته باشد، نوظهور محسوب می‌شود. ایده این است که این مقیاس‌بندی می‌تواند دامنه قابلیت‌های مدل‌های زبانی را بیشتر گسترش دهد.

به منظور ارزیابی توانایی‌های نوظهور LLM، محققان از الگوی انگیزشی استفاده کردند، که در آن به یک مدل زبانی از پیش آموزش‌دیده، یک اعلان وظیفه داده می‌شود و پاسخ را بدون آموزش بیشتر یا به‌روزرسانی‌های پارامترهای آن تکمیل می‌کند.

محققان خاطرنشان می‌کنند که با پیشرفت علم آموزش LLM، توانایی‌های خاصی ممکن است برای مدل‌های کوچکتر با معماری‌های جدید، داده‌های با کیفیت بالاتر یا روش‌های آموزشی بهبودیافته باز شود.

زنجیره‌ی فکری در LLM

یکی دیگر از توانایی‌های نوظهور که در کارهای اخیراً منتشر شده توسط محققان تیم تحقیقاتی مغز گوگل انجام شده؛ استدلال پیچیده زنجیره فکری LLM است.

فرضیه ساده است:  اگر کاربران به جای کوتاه بودن درخواست از LLM، چند نمونه از فرآیند استدلال چند مرحله‌ای مشابه آنچه که یک انسان استفاده می‌کند به مدل نشان دهند؛ چه می شود؟

زنجیره فکری مجموعه‌ای از مراحل میانی استدلال زبان طبیعی است که به خروجی نهایی منجر می‌شود، الهام گرفته از نحوه استفاده انسان از فرآیند تفکر  برای انجام وظایف پیچیده.

هوش ماشینی خودمختار

LeCun معتقد است که رسیدن به “هوش مصنوعی انسانی” ممکن است یک هدف مفید باشد و جامعه تحقیقاتی در حال پیشرفت در این زمینه است.

ردپای کربن در یادگیری ماشینی

همه این‌ها رؤیایی به نظر می‌رسد، اما تأثیر آن بر پایداری محیط زیست چیست؟

همانطور که محققان Google و UC Berkeley خاطرنشان کردند، حجم کار یادگیری ماشینی اهمیت دارد، اما نگرانی‌هایی را در مورد ردپای کربن ایجاد کرده است.

در کاری که اخیراً منتشر شده است، محققان گوگل  شیوه‌هایی خوبی را به اشتراک می‌گذارند که ادعا می‌کنند می‌تواند انرژی آموزش یادگیری ماشینی را تا ۱۰۰ برابر و انتشار CO2 را تا ۱۰۰۰ برابر کاهش دهد:

محققان ادعا می‌کنند که اگر در حوزه یادگیری ماشین بهترین شیوه‌ها را اتخاذ کند، انتشار کل کربن حاصل از آموزش کاهش می‌یابد. با این حال، آن‌ها همچنین خاطرنشان می‌کنند که انتشار کربن ترکیبی در مدل‌های آموزشی و سرویس دهی باید به حداقل برسد.

 

لینک کوتاه: