تقنية جديدة تتيح للذكاء الاصطناعي فهم بعض القوانين الفيزيائية ب直觉

تمكن الذكاء الاصطناعي من تطوير فهم للفيزياء من خلال التعلم التعزيزي منذ بعض الوقت الآن، ولكن تقنية جديدة طوّرتها فريق من الباحثين في معهد ماساتشوستس للتكنولوجيا قد تساعد المهندسين على تصميم نماذج تظهر فهمًا直وريًا للفيزياء.

أظهرت الأبحاث النفسية أن البشر لديهم فهم直وري للقوانين الفيزيائية إلى حد ما. لدي الرضع توقعات حول كيفية تفاعل الأشياء وحركتها، وسيؤدي انتهاك هذه التوقعات إلى مفاجأة الرضع. وقد أظهرت الأبحاث التي أجراها فريق معهد ماساتشوستس للتكنولوجيا إمكانية دفع تطبيقات جديدة للذكاء الاصطناعي، ومساعدة علماء النفس على فهم كيف يلاحظ الرضع العالم من حولهم ويتعلمون من هذه الملاحظات، ودمج نتائجهم في إصدارات جديدة من نموذج ADEPT.

النموذج الذي صممه فريق معهد ماساتشوستس للتكنولوجيا يسمى ADEPT، ويعمل عن طريق إجراء تنبؤات حول كيفية سلوك الأشياء في الفضاء الفيزيائي. يلاحظ النموذج الأشياء ويتابع معيار “المفاجأة” أثناء فعل ذلك. إذا حدث شيء غير متوقع، يرد النموذج بزيادة قيمة المفاجأة. الأفعال غير المتوقعة والمنطقية مثل تلاشى شيء أو исчезار الكل سيؤدي إلى زيادة كبيرة في المفاجأة.

كان هدف فريق البحث هو جعل نموذجهم يسجل نفس مستويات المفاجأة التي يسجلها البشر عندما يرون أشياءً تسلك سلوكًا غير منطقي.

يتكون نموذج ADEPT من مكونين رئيسيين، وهما محرك فيزيائي ووحدة رسومات عكسية. يتحمل محرك الفيزياء مسؤولية التنبؤ بكيفية حركة شيء، ويتنبأ بممثلة مستقبلية للشيء من مجموعة من الحالات الممكنة. في حين أن وحدة الرسومات العكسية مسؤولة عن إنشاء تمثيلات الأشياء التي ستُغذى إلى محرك الفيزياء.

تتبع وحدة الرسومات العكسية عدة سمات مثل السرعة والشكل والتوجيه للشيء، وتنقح هذه المعلومات من إطارات الفيديو. تركز وحدة الرسومات العكسية فقط على التفاصيل الأكثر وضوحًا، وتتجاهل التفاصيل التي لن تساعد محرك الفيزياء على تفسير الشيء وتنبؤ بحالات جديدة. من خلال التركيز على أكثر التفاصيل أهمية، يمكن للنموذج تعميم الأشياء الجديدة بشكل أفضل. ثم يأخذ محرك الفيزياء هذه الوصف الأشياء ويمثل سلوكًا فيزيائيًا أكثر تعقيدًا، مثل السوائل أو الصلابة، من أجل إجراء تنبؤات حول كيفية سلوك الشيء.

بعد حدوث عملية الاستقبال هذه، يلاحظ النموذج الإطار الفعلي التالي في الفيديو، والذي يستخدمه لإعادة حساب توزيع الاحتمالات مع respecto لسلوك الأشياء الممكنة. المفاجأة تتناسب عكسيًا مع الاحتمال الذي ينبغي أن يحدث الحدث، وترегистر فقط مفاجأة كبيرة عندما هناك عدم تطابق كبير بين ما يعتقد النموذج أنه يجب أن يحدث بعد ذلك وما يحدث بعد ذلك.

كان فريق البحث بحاجة إلى طريقة لمقارنة مفاجأة نموذجهم بمفاجأة الناس الذين يلاحظون نفس سلوك الأشياء. في علم النفس التطوري، يختبر الباحثون الأطفال أحيانًا من خلال عرض فيديوهين لهم. في أحد الفيديوهين، يتم تقديم شيء يتصرف كما هو متوقع من الأشياء في العالم الحقيقي، بدون لعب تلاشي أو исчезاء. في الفيديو الآخر، ينتهك شيء قوانين الفيزياء بطرق معينة. أخذ فريق البحث هذه المفاهيم الأساسية وعرض 64 فيديو مختلفًا على 60 بالغًا، وكلها تظهر سلوكًا فيزيائيًا متوقعًا وغير متوقع. ثم طُلب من المشاركين تقييم مفاجأتهم في لحظات مختلفة من الفيديو على مقياس من 1 إلى 100.

أظهر تحليل أداء النموذج أنه أدى أداء جيدًا في الفيديوهات التي يتم فيها نقل شيء خلف جدار واختفاءه عند إزالة الجدار، وتماثل مستويات المفاجأة البشرية في هذه الحالات. كما ظهر النموذج مفاجئًا من الفيديوهات التي لم يظهر فيها البشر مفاجأة، ولكنهم ينبغي أن يكونوا كذلك. على سبيل المثال، من أجل أن يتحرك شيء خلف جدار بسرعة معينة ويتحرك على الفور إلى الجانب الآخر من الجدار، يجب أن يكون قد تلاشى أو شهد زيادة كبيرة في السرعة.

عند المقارنة مع أداء الشبكات العصبية التقليدية القادرة على التعلم من الملاحظة ولكنها لا تسجل تمثيل الأشياء بشكل صريح، وجد الباحثون أن نموذج ADEPT كان أكثر دقة في التمييز بين المشاهد المفاجئة وغير المفاجئة، وأن أداء نموذج ADEPT كان متوافقًا مع ردود افعال البشر.

يتطلع فريق البحث في معهد ماساتشوستس للتكنولوجيا إلى إجراء المزيد من الأبحاث واكتساب رؤية أعمق حول كيفية ملاحظة الأطفال للعالم من حولهم واكتساب المعرفة من هذه الملاحظات، ودمج نتائجهم في إصدارات جديدة من نموذج ADEPT.