Why toddlers are smarter than computers | Gary Marcus | TEDxCERN



المترجم: Lalla Khadija Tigha
المدقّق: Riyad Almubarak أحد الأسباب المهمة في اشتغالي
في مجال الذكاء الاصطناعي، هو امتلاكه لقدرة حقيقية
على تغيير العالم. أعتقد أن هناك العديد من المشاكل
التي لا يمكن للعلماء حلّها بأنفسهم، وأن عقولنا ليست بالحجم الكافي للتعامل مع تعقيداتها. إذن فعلاج السرطان، فهم كيفية
عمل الدماغ، تقليل استهلاك الطاقة، علاج
الأمراض النفسيّة. هذه كلها مشاكل معقّدة فعلاً. لنأخذ مثالاً واحداً، هذا رسم بياني لكل الجينات المتداخلة
في جزء صغير جداً من الدماغ لمصاب بمرض الزهايمر. هذه شبكة معقدةً للغاية،
ونحن كأفراد لا نفهم كيف ترتبط كل هذه الأشياء ببعضها البعض. نريد أن تساعدنا الحواسيب. المشكل هنا أنّنا لا نحرز تقدماً كبيراً في مجال الذكاء الاصطناعي، حسب اعتقادي،
على النحو الذي يتوقعه العالم. تقرأ العناوين البارزة اليوم،
وكلها تتحدث عن" التعلّم العميق." "يرى العلماء وعوداً كبيرة
في أنظمة التعلّم العميق، " التعلّم العميق سيمنحنا قريباً
رجالاً آليين في غاية الذكاء." هذا ما يعتقده معظم الناس،
لكنّني لست متأكداً من هذا. (ضحك) من المهم التذكير بأن الذكاء غير متجانس. هناك العديد من الأشياء
التي تدخل ضمن الذكاء. هناك، التصوّر، والحسّ السليم، والتخطيط
والقياس، واللّغة، والمنطق. كلّ هذه تدخل ضمن ما نطلق عليه "الذكاء"
وأشياء أخرى عديدة. إن كنتم تعرفون تعريف (هاوارد جاردنر)
عن الذكاءات المتعددة، أعتقد أنّ هذا صحيحٌ بالأساس. هناك العديد من الأشياء
التي تدخل ضمن الذكاء تقدّمنا جداً في الذكاء الاصطناعي، لكن فقط في جزء وحيد فيه
وهو التصور. وحتى التصور نفسه، لم نتمكن
من فهمه كلياً بعد. إليكم بعض ما يمكن للآلات
أن تقوم به بشكل جيّد: يمكنها أن تتعرف على الشخص. تقوم بتدريبها على الكثير من البيانات
عن بعض المشاهير، وبكل تأكيد، ستتعرف
على أن هذا هو (تايجر وودز). أحياناً، قد تصاب بالارتباك
وستعتقد أن هذه كرة غولف، وقد لا تخبرك أبداً أنّ هذه
(أنجلينا جولي). (ضحك) الطريقة التي نستخدمها لفعل لذلك
هي عن طريق البيانات الضخمة. نشتقّ مقاربات إحصائية للعالم
من تلك البيانات الضخمة. تسمّى التقنية الأكثر استعمالاً لذلك الآن
بالشبكة العصبيّة التلفيفية، والتي اخترعها زميلي
في جامعة نيويورك، (يان ليكون). الفكرة هنا أنك تمتلك سلسلات
من المداخيل في النظام وتضع لها أسماء. إذنْ هذا رجل آلي، سيتم إخبارك
بأنّ هذا رجل آلي. قد يفهم النظام هذا نحو جيدٍ أو خاطئ، إن فهمه خطأً، فعليك تعديل
الأشياء العالقة. الأشياء العالقة هي مجموعة
من العقد المركّبة على الخلايا العصبيّة. مركبة بارتياح على الخلايا العصبية، وسترى طبقات هناك
تتحرك من اليسار إلى اليمين، الفكرة هنا أنك ستبتدأ بالتعرف
على الأشياء ذات الأهمية الدنيا في الصورة، مثل الفروق بين الضوء والظلام، ثم تتحرك نحو بعض الأشياء العليا
كالخطوط، والدوائر، والأجزاء ذات المنحنيات، حتى تصل لأعلى الهرم، فتحصل على (تايجر وودس) أو (أوبرا وينفري)
أو أي من هؤلاء. كما قلت، فإن هذا يعمل بامتياز
على المجموعات البسيطة. لكنّه لا يعمل حالما يصبح
المشكل معقداً قليلاً. لنفترض أنك ترى صورة كهذه. سيكون بإمكانك أن تجعل شبكتك العصبية- كما يطلق عليها-
ستجعلها تتعرف على الحديد. لن يكون هذا صعباً. إن كنت محظوظاً، ستتعرف على الكلب. وقد لا تفعل، لأن الأذنين أذنا ذلك الكلب لا تظهران على نحوٍ كاف. قد يبدو هذا بديهياً، أليس كذلك؟ لكن هذا قد يربك الآلة. لكن حتى إن أربك هذا الآلة أو لم يربكها، فأنا متأكد أن شبكتك العصبيّة لن تتمكن من إخبارك
أن هذا المشهد غير مألوف، أنك لا ترى كلباً يقوم بتمرين
الضغط كل يوم، وأن هذا أمر خارج عن المألوف. إليكم مثالاً آخر: وقد ظهر هذا في نيويورك تايمز، كان ذلك بحثاً يقول: "رائع! هذه الأنظمة يمكنها التعليق
على الصور الآن" إن استطاعوا القيام بهذا على نحو مثالي،
لكنت اندهشت فعلاً. لكن ما لدينا الآن، هي نماذج
تعمل جيداً فعلاً، وأخرى لاتعمل جيداً. إليكم نموذجاً يعمل جيداً جداً: شخص يقود دراجة نارية
على طريق بها تراب. تري هذه الصورة للحاسوب،
وسيعطيك الجواب الصحيح هنا على اليمين، سيصيب أيضاً: مجموعة من الشباب يلعبون لعبة فرايسبي. إذا نظرت لهذه الأمثلة فقط،
فستقول، " لقد حللنا المشكل. تفهم الآلة ما يجري." بعد ذلك، تريها هذه. سأقول أن الجواب الصحيح ربما
هو علامة مرآب عليها بعض الملصقات، لكن يمكنك وصفه بشكل مختلف. لن تكون تلك أي من الأجوبة
التي ستعطيكها الآلة، (ضحك) وهي ثلاجة مليئة بالكثير
من الطعام و الشراب. وهذا ذكّرني بكتاب (أوليفر ساك)
" الرجل الذي حسب زوجته قبعة" إنْ قام طفلي بهذا، فسأعتقد
أن هذه مشاكل عصبية. وسأحمله بسرعة للطبيب. لا يفهم النظام جيداً ما هي علامة المرآب،
ما هي الملصقات، ماهي الثلاجة، ماهي المشروبات، لذا فهو ينظر لأقرب شيء
في قاعدة بياناته، والتي هي ذلك المزيج من الألوان،
لكن هذا ليس فهماً بالتحديد. أنا بصدد أن أريكم شريطاً أعده معهد
المهندسين الكهربائيين والأجهزة الكهربائية السنة الماضية بعد مسابقة DARPA. والتي كانت تحاول جعل الناس يخترعون
"رجالاً آليين للطوارئ،" فقام الناس بكل أنواع الأعمال
في مختبراتهم لبناء رجال آليين يمكنهم القيام بأشياء مثل فتح
الأبواب في حال الطوارئ. كان الناس يفكرون في ما حدث
في فوكوشيما، حيث يمكنك إرسال رجال آليين
إلى حيث لا يمكن إرسال الإنسان. كل الأشياء التي سأريكموها
تدربت عليها جيداً المختبرات التي شاركت في هذه المسابقة، لكن كما سترون، فالنتائج
لم تكن بالمستوى المنشود. (موسيقى) هناك المزيد الذي تستطيعون رؤيته
على اليوتيوب. لكن أعتقد أنه كفانا سخرية
من أولئك الرجال الآليين بالذات. النقطة الكبيرة التي أود أن أوصلها هي أن الأشياء التي نجيدها الآن
في مجال الذكاء الاصطناعي، هي الأشياء على اليسار: الأشياء الروتينية التي نمتلك
بياناتها الضخمة. إذن إن كنت تمتلك الكثير من البيانات
حول فتح الأبواب في بيئة معينة، فأنت عظيم. لكن ماذا لو تغيرت البيئة؟ إذن فأنت أمام بيانات قليلة فقط،
الأشياء غير العادية لكن المهمة. أو ما أسميه دعابة، "البيانات الصغيرة." البشر بارعون جداً في ما يتعلق بالبيانات
الصغيرة، لكن الآلات ليست كذلك بعد. جزء من ذلك راجع لوجود فهم أقل عمقاً،
ولا نتحدث هنا عن الحس السليم حتى. كتبت مؤخراً مقالا مع (إرني ديفيس) حول"منطق الحس السليم في الذكاء الاصطناعي"
وقد وضع الفريق الذي عمل على الغلاف هذا الغلاف الرائع، الذي يوضح المعنى
على نحو جميل حيث لديك رجل آلي هنا يقطع فرع شجرة. بطريقة يمكنك أن تعرف على أي ناحية
من الفرع يمكنك أن تجلس، عندماً كنت جالساً بمنشارك،
سيكون من أجل جمع الكثير من البيانات. لكن، أتعلمون، ليس هذا جيداً بالنسبة
للجالسين تحت المنشار، ولا حتى للرجل الآلي. لا تريد أن تتعلم هذا على أساس
البيانات الضخمة، ستريد أن تحصل على مبادئ مجرّدة أكثر. تزداد الأمور سوءاً حين تصل
للتفكير العلمي هنا أسئلة متعددة الخيارات، مصمم بالأساس من أسئلة
من الصف الثامن، قام بها (بول ألن) من معهد
الذكاء الاصطناعي ما الذي تكشف عنه الزلازل للعلماء
عن تاريج الكوكب؟ إمكانية واحدة – خيارات عدة – أ- مناخ الأرض متغير باستمرار. ب- القارات على الأرض تتحرك باستمرار ج- انقرضت الديناصورات منذ حوالي
65 مليون سنة. أو د- المحيطات أعمق الآن
مما كانت عليه قبل ملايين السنين. حسناً، على ما يبدو إن كنت آلة، معظم النماذج التي دخلت المسابقة قالت: ج- انقرضت الديناصورات
منذ حوالي 65 ملبون سنة"" لماذا؟ ربما لأنها تقوم بما يعادل
البحث على جوجل، عن طريق الكلمة المفتاحية. و"تاريخ الكوكب،" "منذ 65 مليون سنة، "الديناصورات،" و الإنقراض
كلمات صعدت دفعة واحدة. لا يوجد فهم حقيقي هنا
لما يعنيه زلزال، أو ما يعنيه تاريخ الكوكب. آمل أن العديد منكم هنا في (سيرن)
يدرك أن الجواب هو ب، لكن لم تتمكن معظم الآلات من معرفة ذلك. كما قالت مجلة وايرد، "ما يزال أفضل
ذكاء اصطناعي يفشل في علوم الصف الثامن. سبق وأن أخبرتكم أن رؤيتي أن أرى
أنظمة ذكاء اصطناعي يمكنها أن تقوم بفهم علمي بمفردها،
لكننا لم نصل لذلك بعد. إليكم ما كتبت منذ بضع سنوات
وما زلت ملتزماً بكل كلمة قلتها. كتبت هذا لصحيفة نيو يوركر،
حينما أصبح التعلّم العميق شائعاً، و كان يتصدر الصفحة الأولى لنيويورك تايمز. "في الواقع، التعلّم العميق
هو جزء واحد فقط من تحدي بناء آلات ذكية. تقنيات كهذه تفتقر لطرق تمثيل
العلاقات السببية – من فعل ذلك لمن – ومن المرجح أن تواجه تحديات
في استيعاب الأفكار المجرّدة." بعد أربع سنوات، هناك كلام كثير
بخصوص التعلّم العميق، و ملايين الدولارات من الاستثمارات لكنّنا لم نحرز تقدماً في العلاقات السببية، الأفكار المجرّدة والتقاطعات المنطقيّة، وما إلى ذلك. يذكّرني هذا بمثل قديم. يحكي المثل عن بناء سلّم
حين تريد الصعود إلى القمر. حل الأسئلة العلمية بالذكاء
الاصطناعي كالصعود للقمر. بيع المزيد من الإعلانات ليس كذلك، يمكننا استخدام الذكاء الاصطناعي الآن
لنخبرك بما ستشتريه. "إن اشتريت هذا الكتاب، فلربما سيعجبك هذا،"
وهذا عظيم، لكن حين لا تشتري كتاباً،
فهذا لا يهم فعلاً. لكن هذا يهمّ حين يتعلق الأمر
بأشياء مثل الطب. نريد أن يعمل الذكاء الاصطناعي
على نحو صحيح فعلاً. حسنا، بناء سلالم تقرّبنا
بوصة هنا و بوصة هناك قد لا يكون المقاربة الصحيحة. ما أعتقد أن علينا التفكير به هو الفرق بين البيانات والفهم المجرّد. هذا هو قانون (بويل) و(شارل) الذي تعلمته
في درس الكيمياء في الثانوي. تمثل النقاط الزرقاء البيانات. من السهل بالنسبة لآلة تجميع بيانات ضخمة
أن تنظّم هذه البيانات، لكن ما نريده فعلاً هو الخطوط بالأساس. تريد أن تحصل على فكرة عن:
ماهي العلاقة وراء هذه البيانات؟ حتى تتمكن من الإسقاط
حيث لم ترى الأشياء من قبل، والإسقاط أبعد مما رأيت من قبل. مما يعني حقاً أنك تريد منها أن تقوم بأشياء لم تقم بها من قبل. مما يدعو لطرح السؤال: "لماذا؟" ليس فقط "كم؟" و"متى؟"
و"ما الذي يتعلق بماذا؟" بل "لماذا ترتبط الأشياء في العالم
بأشياء أخرى؟" أعتقد أنّ لدينا نموذجاً واحداً
من المخلوقات من يسأل هذا السؤال بكثرة. وهو الطفل البشري. هذه ابنتي، (كلوي). عمرها سنتان ونصف، وهي تسألني
"لماذا" بمعدل 20 مرة يومياً. (ضحك) "لم يحل الظلام الآن؟'
"لم ترتدي قبعة الآن؟" هي تسأل أسئلة "لماذا" طوال الوقت. هذا أخوها، أكبر منها بقليل،
هذه صورة قديمة – عمره أربع سنوات. حين كان في سن الثانية، كان يدرس
ما يمكنني أن أصفه " المنفعة العمليّة للثقب"
على التوت البري. وقد طوّر مفهوماً، ليس أول مرة في التاريخ، ل "توت الإصبع"، كما أسماه. ها هو مع توت الإصبع، وربما بعد بضعة أيام
بعد التقاط هذه الصورة، كنت في طريقي لإلقاء محادثة،
حين أرسلت لي زوجتي هذه الرسالة النصية. قالت لابني (ألكسندر)، -كان يبلغ سنتين ونصف- " أيّ مِنْ حيواناتك سيأتي
إلى المدرسة اليوم؟" فقال "الأرنب الكبير.
الدب وخلد الماء يأكلان." فذهبت للغرفة المجاورة حيث غرفته، ورأت أنه صنع ديوراما للدب وخلد الماء وهما بالفعل كانا يأكلان. لقد كان صادقاً تماماً في أجوبته. مالذي يخبرنا به هذا؟ حسناً، أولاً فهو يفهم التراكيب المعقّدة. في المصطلح اللغوي،
يسمى هذا "بالسؤال المفتوح." "أيّ من حيواناتك سيأتي للمدرسة اليوم؟" إن تعاملتم مع (سيري)، ستعلمون أن القواعد لازالت تشكل
تحدياً أحياناً بالنسبة للحواسيب. كان قادراً على إعطاء جواب
جديد بناءً على تحديثات حديثة عن حالة العالم. أو، عوضاً عن حفظ الأشياء وإيجاد أكثر الأجوبة شيوعاً،
والتي تم البحث عنها من قبل على غوغل، كان يفكر بما يحدث الآن، ما الذي كانت عليه الحالة الآنية للعالم. ويوضح هذا مباشرةً في أجوبته كان يقوم بتفكير منطقي؛ بما أنهم هناك، فلن يأتوا معي. فكان قادراً على دمج كل هذا، والأهم من وجهة نظر الذكاء الاصطناعي، لم يستعمل البيانات الكبيرة،
بل البيانات المتواضعة. سنتان، بالأساس، قضاها الناس
في الحديث إليه. خلال الستة الأشهر الأولى،
أشكّ أنه كان يفهم علم الأصوات. (ضحك) إذن فسنتان أمام ناس يتحدثون إليه، دون وصول مباشر لما نسميه في مجالي،
"البيانات المعنونة". كما قلت لكم، لديكم (تايجر وودز)،
صورته و لديكم العنوان. صورة لكرة الغولف، وكرة الغولف. ليست لديه هذه الأشياء معظم الوقت،
لكنه تمكّن من التوصل لنتيجة بها. إذن الآن، بعد عام ونصف،
فقد أصبح مرناً للغاية. حينما كنت أعدّ هذه المحادثة، أريته هذه وقلت،
" مالذي يجري في هذه الصورة؟ فقال،" إنه فيل يحمل مظلة." ليس هذا مثل ما لديه في أحد كتبه، كان هناك فيل يحمل مظلة، وقد حفظ هذا. لديه نظام إدراكي مدمج في نظامه اللغوي، فيضعه كله معاً. قلت،" هل المظلّة بالحجم المناسب للفيل؟" فقال، "لا هي صغيرة جداً." يستطيع بنظرة واحدة أن يفرّق بين الأشياء التي يمتلك بيانات قليلة جداً بشأنها. مما يحيلني لنقطتي الرئيسية. والتي استوحيت بدرجة كبيرة
من المكان حيث نحن الآن. سيرن، هذا الاتحاد الواسع ومتعدد
الاختصاصات من دول مختلفة من أجل حلّ مشاكل علمية غاية في الدقة. ربما نحتاج نفس الشيء
للذكاء الاصطناعي. معظم المجهودات في الذكاء الاصطناعي
هي مجهودات فردية لشركات، أو مختبرات صغيرة تعمل على مشاكل صغيرة، مثل كيف تبيع إعلانات أكثر، وما إلى ذلك. ماذا لو جمعنا كل أولئك الناس لتجربة
القيام بعلم أفضل؟ وماذا لو جلبنا ليس فقط خبراء آلات التعلّم، و المهندسين الذين يستطيعون صنع آلات أسرع، بل أيضاً الباحثين الذين يدرسون
التطور المعرفي والعلوم المعرفية؟ أعتقد أنه لربما نحرز بعض التقدّم. لا أقول أن البشر أفضل من الآلات في كل شيء، ليس البشر جيدين بنفس القدر في الحساب. لكننا أفضل في طرح سؤال"لماذا"
وفهم العلوم. ربما يمكننا تعلّم شيء من الأطفال. وإليكم طريقة التفكير في ذلك: لقد اشتغلنا على الحواسيب منذ 60 سنة. وجعلناهم أصغر حجماً، وأسرع
وأكثر فاعلية من ناحية الطاقة. هذه الساعة التي لدي يمكن أن تقوم
بما استطاعت (إنياك) القيام به في قاعة كاملة منذ 60 سنة. لكن مع ذلك، لم نفهم بعد
كيف نبرمج داخل الآلة مرونة التفكير البشري. أو قدرة طفل، طفل صغير على تعلّم شيء جديد. ربما حان الوقت لنحاول. شكراً جزيلاً لكم. (تصفيق)

7 thoughts on “Why toddlers are smarter than computers | Gary Marcus | TEDxCERN

  1. "but it really matters when it comes to things like medicine, we want the AI to really do it right" – didn't his AI company get bought out by Uber to build self driving car tech? :/

  2. Shocking that researchers are JUST NOW figuring this out. OF COURSE, natural language AI doesn't understand anything. It doesn't understand "by design". It has no experiences, so it simply can't understand in a way that things that experience do.

  3. True…computers are way behind compared to humans but that does not change the fact that most jobs don't require human capability, they require capability which deep learning algorithms already provide and big data and sensors and rapid simulations can help them train quickly.

  4. The problem with AI is a result of the fundamental way computers process data you have an input say a math problem the computer takes that data and begins to go through possible solutions via process of elimination because processors only understand 1 and 0 yes or no on or off. So until a computer can understand more than yes or no AI wont really be feasible even quantum computing may not be enough for true AI.

Leave a Reply

Your email address will not be published. Required fields are marked *