لقد طور الباحثون نظامًا ذكيًا اصطناعيًا يقوم بالعكس تمامًا من العيش في اللحظة الحالية. ولكنه لا يفكر في بضع خطوات للأمام فحسب، بل يفكر في ملايين الخطوات للأمام.
تمكن فريق بقيادة عالم الرياضيات سيرجي جوكوف من معهد كاليفورنيا للتكنولوجيا (كالتك) من إنشاء نوع جديد من خوارزميات التعلم الآلي المصممة لحل المشكلات الرياضية التي تتطلب سلسلة طويلة للغاية من الخطوات. مثل سلسلة طويلة حقًا من الخطوات؛ نحن نتحدث عن مليون خطوة أو أكثر.
على وجه التحديد، تمكنت الذكاء الاصطناعي من إحراز تقدم في حل مشكلة معقدة تسمى تخمين أندروز-كيرتس ، والتي حيرت علماء الرياضيات لعقود من الزمن. يسأل التخمين بشكل أساسي: هل يمكن حل ألغاز رياضية معينة دائمًا باستخدام مجموعة من الحركات المسموح بها، مثل إعادة ترتيب الخطوات أو التراجع عنها؟
ولتحقيق هذه الغاية، سعى برنامج كالتك الجديد إلى “إيجاد تسلسلات طويلة من الخطوات النادرة والتي يصعب العثور عليها”، كما قال علي شيبر، المؤلف الأول للدراسة وعالم الرياضيات في جامعة روتجرز، في بيان صادر عن كالتك . “إنه مثل محاولة العثور على طريقك عبر متاهة بحجم الأرض. هذه مسارات طويلة جدًا يجب اختبارها، ولا يوجد سوى مسار واحد يعمل”.
في دراسة ما قبل الطباعة نُشرت على arXiv في أغسطس الماضي وتم تحديثها يوم الثلاثاء، يشرح شيبر وزملاؤه بالتفصيل كيف استخدموا الذكاء الاصطناعي الذي طوروه حديثًا لحل عائلات من المشكلات المتعلقة بتخمين أندروز-كيرتس، والذي يتضمن الجبر المجرد. لكي نكون واضحين، لم يحلوا التخمين نفسه. وبينما قد يبدو هذا مخيبا للآمال، فقد دحض الباحثون أمثلة مضادة محتملة مستمرة للتخمين. وفي حين أن دحض الأمثلة المضادة لا يجعل التخمين الأصلي صحيحًا بالضرورة، إلا أنه يعززه.
“إن استبعاد بعض الأمثلة المضادة يمنحنا الثقة في صحة التخمين الأصلي ويساعد في بناء حدسنا حول المشكلة الرئيسية”، كما أوضح شيبر. “ويمنحنا طرقًا جديدة للتفكير فيها”. وقارن جوكوف بين مسائل الرياضيات ومكعب روبيك.
“هل تستطيع أن تأخذ مكعب روبيك المعقد هذا وتعيده إلى حالته الأصلية؟ عليك أن تختبر هذه التسلسلات الطويلة جدًا من الحركات، ولن تعرف ما إذا كنت على المسار الصحيح حتى النهاية”، أوضح.
ولكن كيف يقوم الذكاء الاصطناعي بذلك؟ في الأساس، من خلال التفكير خارج الصندوق. فوفقاً لنهج التعلم التعزيزي، درب الباحثون الذكاء الاصطناعي من خلال إطعامه أولاً مسائل رياضية سهلة، ثم مهام متزايدة الصعوبة. ويقول شيبر: “يحاول الذكاء الاصطناعي القيام بحركات مختلفة ويحصل على مكافأة لحل المسائل. ونحن نشجع البرنامج على القيام بالمزيد من نفس الشيء مع الحفاظ على مستوى معين من الفضول. وفي النهاية، يطور استراتيجيات جديدة أفضل مما يستطيع البشر القيام به. وهذا هو سحر التعلم التعزيزي”.
وفي نهاية المطاف، تعلمت الخوارزمية توليد تسلسلات طويلة من التحركات غير المتوقعة، والتي أطلق عليها الباحثون “التحركات الفائقة”. وعلى النقيض من ذلك، فإن مخرجات ChatGPT أكثر مللاً.
“إذا طلبت من ChatGPT كتابة رسالة، فسوف يأتي بشيء نموذجي. ومن غير المرجح أن يأتي بأي شيء فريد وأصلي للغاية. إنه ببغاء جيد”، كما قال جوكوف. “برنامجنا جيد في التوصل إلى القيم الشاذة”.
أستطيع أن أفكر في حدث شاذ واحد على الأقل قد يكون من السهل على الذكاء الاصطناعي التنبؤ به: الانهيارات المالية. ولكن في حين لم تحقق برامج التعلم الآلي الحالية هذا المستوى من التطور في التنبؤ، فإن الباحثين يتكهنون بأن أساليبهم قد تساهم ذات يوم في هذا النوع من التنبؤ الذكي.
وأوضح جوكوف أن “برنامجنا يعرف في الأساس كيفية التعلم، وهو يفكر خارج الصندوق”. وأضاف أن الفريق حقق “تحسينات كبيرة في مجال من مجالات الرياضيات يعود تاريخه إلى عقود من الزمان”. وعلاوة على ذلك، أعطى جوكوف وزملاؤه الأولوية للأساليب التي لا تحتاج إلى كميات كبيرة من قوة الحوسبة، مما يجعل عملهم في متناول الأكاديميين الآخرين الذين يستخدمون أجهزة كمبيوتر صغيرة الحجم.
ورغم أن التطبيقات العملية لهذا الإنجاز قد لا تكون واضحة في حياتنا اليومية، فإن عملهم ينضم إلى مجموعة من الباحثين الآخرين الذين يعملون على تحسين خوارزميات التعلم الآلي لحل مشاكل البشرية (وليس تدمير حضارتنا).
