چت جی پی تی چه زمانی به حوزه رباتیک وارد می شود؟
سرگرمی کامپیوتری: «چت جی پی تی» در چند سال اخیر بسیار قوی ظاهر شده و پیشرفت های شایان توجهی داشته است اما حوزه رباتیک یکی از زمینه هایی است که هنوز بحث های زیادی برای ورود چت جی پی تی به آن وجود دارد.
به گزارش سرگرمی کامپیوتری به نقل از ایسنا، با موفقیت هوش مصنوعی مولد، صحبت های زیادی درباره ی امکان آوردن هوش منعطف مدلهای زبانی بزرگ به دنیای فیزیکی شکل گرفته است. این نوع هوش که اغلب «هوش مصنوعی مجسم» نامیده می شود، یکی از عمیق ترین فرصت ها در حوزه فناوری و اقتصاد جهانی است.
به نقل از روبات ریپورت، شاید بتوان استدلال کرد که آینده هوش مصنوعی مجسم روشن است اما مسیر آن بسیار ساده تر از مسیر پیش روی هوش مصنوعی در قلمرو کاملا دیجیتالی به نظر می آید. راه رسیدن به «چت جی پی تی»(ChatGPT) برای حوزه رباتیک، چندین سرعت متفاوت دارد و برای تبدیل شدن این ایده به حقیقت، به پیشرفت های جدیدی نیاز است. این ایده، پیامدهایی را برای بنیان گذاران و سرمایه گذاران استارت آپ ها بهمراه خواهد داشت که این گزارش آنها را در چند سفارش خلاصه کرده است.
خودکار سازی رباتیک یک امر اجتناب ناپذیر است و همه عدم قطعیت در این پرسش نهفته شده که این کار چگونه امکانپذیر خواهد شد. شرکت «آمازون»(Amazon) از زمان خرید شرکت «کیوا سیستمز»(Kiva Systems) در سال ۲۰۱۲، بیشتر از ۷۵۰ هزار روبات را در انبارهای خود مستقر کرده است. استارت آپ ها و سرمایه گذاران تلاش می کنند تا برنامه های کاربردی بعدی را به تصویر بکشند که می توانند به این سطح از هم سویی بین قابلیت های رباتیک و نیازهای بازار دست یابند.
خط سیر هوش مصنوعی، یک متغیر کلیدی در این فرایند است و مدلهای قوی جدید می توانند تغییرات مطلق بازی باشند اما در روند توسعه این مدلها کجا ایستاده ایم؟ برای درک بهتر این پرسش باید به صحبت های متخصصان باتجربه حوزه رباتیک و اشخاصی دقت کنیم که درحال توسعه مدلهای پایه رباتیک هستند.
گامی به سمت هوش مصنوعی مجسم
هدف از پژوهش های پیرامون هوش مصنوعی مجسم، ایجاد نوعی هوش رباتیک است که به جای انجام دادن یک کار ویژه، همه منظوره باشد و آن قدر منعطف عمل کند که بدون احتیاج به آموزش اختصاصی، از عهده رسیدگی به موارد استفاده جدید یا بسیار پویا برآید. مدلهای پایه رباتیک همه منظوره، دو وعده را نوید می دهند.
۱. آنها موارد استفاده حوزه رباتیک را به صورت قابل ملاحظه ای می افزایند.
۲. آنها زمان بندی طولانی تجاری سازی سیستم های رباتیک را کم می کنند.
هر دو وعده در قلمروی کاملا دیجیتال توسط مدلهای هوش مصنوعی مانند «چت جی پی تی-۴»(GPT-4)، «جمینای»(Gemini)، «کلود»(Claude) و «لاما»(Llama) محقق می شوند. این مدلها روزنه ها را به روی موارد استفاده جدید و بی شمار باز کرده اند. این در شرایطی است که مدلهای کوچک و تک منظوره، هوش مصنوعی را در یک مسیر سریع بسمت منسوخ شدن قرار می دهند.
مدلهای همه منظوره به یک روش واقعی برای ساختن حدودا هر چیزی در حوزه هوش مصنوعی تبدیل گشته اند. شاید بتوان پیش بینی نمود که یک مدل جدید شبیه به چت جی پی تی بر توسعه اپلیکیشن های رباتیک مسلط خواهد شد. در هر حال، این هدف در کوتاه مدت محقق نخواهد شد. در عوض، انتظار می رود که روش های هوش مصنوعی مولد به تدریج به حوزه رباتیک القا شوند و مدتی با حوزه رباتیک کلاسیک هم زیستی داشته باشند.
حوزه رباتیک به لطف روش های هوش مصنوعی مولد به صورت پیوسته درحال پیشرفت است. استارت آپ های امروزی از روش هایی استفاده می نمایند که نویدبخش هوش جامع تر، انعطاف پذیرتر و ورود سریع تر به بازار هستند. آنها فقط به یک مدل جهانی بعنوان پایه و اساس برنامه خود متکی نیستند.
مدلهای همه منظوره، پتانسیل تبدیل شدن به پایه توسعه روباتیک را دارند و مدلهای پژوهشی مانند «RT-X» گوگل نیز آنها را برجسته کرده اند.
سه عامل کاهش سرعت در مدلهای پایه
نخستین عامل کاهش سرعت اینست که برخلاف فراوانی داده های متنی، تصویری و صوتی در مقیاس وب به نظر نمی رسد مجموعه ای از داده های آماده برای آموزش یک مدل پایه پیرامون تعامل با دنیای فیزیکی وجود داشته باشد. مدلهای ادراکی بسیار قوی شده اند اما اتصال ادراک و فعال سازی، چالش برانگیز است.
برای دستیابی به مقیاس موردنیاز برای یک مدل پایه واقعی باید سرمایه گذاری قابل توجهی روی مکانیسم های جمع آوری داده و آزمایش درک اثربخشی انواع متعدد داده های آموزشی صورت بگیرد. بعنوان مثال، هنوز معلوم نیست که ویدئوهای انتشار یافته از انسان ها درحال انجام دادن وظایف تا چه حد می توانند به عملکرد مدل کمک کنند. با ترکیب نبوغ و سرمایه گذاری میتوان داده های آموزشی قوی را در مقیاس بزرگ جمع آوری کرد.
مسیر محتمل اینست که مدلهای قوی با پیش آموزش قابل توجه در چند سال آینده پدیدار خواهند شد اما برای انجام دادن کارهای خاص به داده های آموزشی تکمیلی بیشتری نیاز دارند. این کار شبیه به تنظیم دقیق مدلهای زبانی بزرگ است اما آموزش آن ضروری تر خواهد بود.
دومین عامل کاهش سرعت به جبرگرایی و قابلیت اطمینان مربوط می شود. بیرون از حوزه رباتیک، اهمیت جبرگرایی با عنایت به کاربرد بسیار متفاوت می باشد و موفق ترین برنامه های کاربردی هوش مصنوعی مولد اولیه آنهایی هستند که جبرگرایی در آنها مهم نیست. جبرگرایی در حوزه رباتیک، حیاتی می باشد. با کنار گذاشتن ایمنی، بازگشت سرمایه رباتیک معمولاً به توان عملیاتی بستگی دارد و زمان صرف شده برای مرتفع ساختن خطا به از بین رفتن توان عملیاتی منجر می شود.
هم اکنون تلاش زیادی برای روش هایی با هدف کاهش عدم قطعیت مدلهای هوش مصنوعی مولد به صورت گسترده - نه فقط در حوزه رباتیک - صورت می گیرد. بنابراین، میتوان اظهار داشت که این مشکل حل خواهد شد اما این اساسا در یک لحظه نخواهد بود. این استدلالی برای هم زیستی مدلهای قطعی و غیر قطعی است.
سومین عامل کاهش سرعت مدلهای پایه رباتیک اینست که در حوزه رباتیک، محاسبات اغلب روی لبه پرتگاه انجام می شوند و استنتاج را به چالش تبدیل می کنند. روبات ها باید مقرون به صرفه باشند اما خیلی از برنامه ها هم اکنون از هزینه افزودن GPU کافی برای اجرای استنتاج در قوی ترین مدلها پشتیبانی نمی کنند.
این مشکل احیانا قابل حل ترین مشکل از سه مورد ذکرشده است. انتظار می رود که متخصصان رباتیک، مدلهای زبانی بزرگ را بعنوان نقطه شروع درنظر بگیرند و از روش های تقطیر دانش برای ایجاد مدلهای کوچک تر و متمرکزتر با نیاز کمتر به منابع استفاده نمایند.
در کا میتوان اظهار داشت که بااینکه جهان به صورت درحال افزایشی درحال دیجیتالی شدن است اما ما هنوز در دنیای فیزیکی زندگی می نماییم و تعامل حوزه دیجیتال با دنیای فیزیکی، دامنه نامحدودی برای توسعه دارد.
منبع: pcfun.ir
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب