تقنية جديدة تتيح للذكاء الاصطناعي فهم بعض الظواهر الفيزيائية ب直觉

كان للذكاء الاصطناعي القدرة على تطوير فهم للفيزياء من خلال التعلم التعزيزي لبعض الوقت الآن، ولكن تقنية جديدة طوّرها باحثون في معهد ماساتشوستس للتكنولوجيا يمكن أن تساعد المهندسين على تصميم نماذج تظهر فهمًا 직觉يًا للفيزياء.

أظهرت الأبحاث النفسية أن البشر لديهم فهم 직觉ي للقوانين الفيزيائية إلى حد ما. لدي الرُضّع توقعات حول كيفية تفاعل الأجسام وحركتها، وسيؤدي انتهاك هذه التوقعات إلى مفاجأة الرُضّع. البحث الذي أجراه فريق معهد ماساتشوستس للتكنولوجيا له القدرة على دفع تطبيقات جديدة للذكاء الاصطناعي، ليس ذلك فقط بل يساعد أيضًا علماء النفس على فهم كيف يدرك الرُضّع العالم ويتعلمون منه.

النموذج الذي صممه فريق معهد ماساتشوستس للتكنولوجيا يسمى ADEPT، ويعمل عن طريق إجراء تنبؤات حول كيفية سلوك الأجسام في الفضاء الفيزيائي. يراقب النموذج الأجسام ويتابع معيار “المفاجأة” أثناء القيام بذلك. إذا حدث شيء غير متوقع، يستجيب النموذج بزيادة قيمة المفاجأة. الأفعال غير المتوقعة والمرئية التي تبدو مستحيلة مثل تختفي جسم أو يختفي تمامًا ستشهد ارتفاعًا دراماتيكيًا في المفاجأة.

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

يحتوي نموذج ADEPT على مكونين رئيسيين، وهما محرك الفيزياء ووحدة الرسومات العكسية. يتحمل محرك الفيزياء مسؤولية التنبؤ بكيفية حركة الجسم، وتنبؤ بمظهر مستقبلي للجسم، من مجموعة من الحالات الممكنة. في غضون ذلك، تكون وحدة الرسومات العكسية مسؤولة عن إنشاء تمثيلات الأجسام التي ستُغذى إلى محرك الفيزياء.

تتبع وحدة الرسومات العكسية العديد من السمات المختلفة مثل السرعة والشكل والتوجه للجسم، واستخراج هذه المعلومات من إطارات الفيديو. تركز وحدة الرسومات العكسية فقط على التفاصيل الأكثر وضوحًا، وتتجاهل التفاصيل التي لن تساعد محرك الفيزياء على تفسير الجسم وتنبؤ بالحالات الجديدة. من خلال التركيز على أكثر التفاصيل أهمية، يكون النموذج قادرًا على تعميم أكثر للأجسام الجديدة. ثم يأخذ محرك الفيزياء هذه الوصف الجسمي ويمثل السلوك الفيزيائي الأكثر تعقيدًا، مثل السوائل أو الصلابة، من أجل إجراء تنبؤات حول كيفية سلوك الجسم.

بعد حدوث عملية الاستهلاك هذه، يراقب النموذج الإطار الفعلي التالي في الفيديو، الذي يستخدمه لإعادة حساب توزيع الاحتمالات الخاص به فيما يتعلق بسلوك الجسم المحتمل. تتناسب المفاجأة عكسيًا مع الاحتمال المزيد من حدوث حدث، فقط تسجل مفاجأة كبيرة عندما يكون هناك عدم تطابق كبير بين ما يعتقد النموذج أنه يجب أن يحدث بعد ذلك وما يحدث في الواقع بعد ذلك.

كان فريق البحث بحاجة إلى طريقة لمقارنة مفاجأة نموذجهم بمفاجأة الناس الذين يراقبون نفس سلوك الجسم. في علم النفس التنموي، يختبر الباحثون الأطفال أحيانًا من خلال عرضهم لفيديوهين مختلفين. في فيديو واحد، يتم تقديم جسم يتصرف كما تتوقع الأجسام أن تفعل في العالم الحقيقي، ولا يختفي أو يتلاشى بشكل عفوي. في الفيديو الآخر، ينتهك الجسم قوانين الفيزياء بطريقة ما. أخذ فريق البحث نفس المفاهيم الأساسية وعرض 64 فيديو مختلفًا لسلوك فيزيائي متوقع وغير متوقع على 60 بالغًا. 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 على الفيديوهات التي يتم فيها نقل جسم خلف جدار واختفائه عند إزالة الجدار، ويتطابق مع مستويات مفاجأة البشر في هذه الحالات. كما يبدو أن النموذج مفاجئ من الفيديوهات التي لا يظهر فيها البشر مفاجأة ولكنهم ينبغي أن يفعلوا. على سبيل المثال، من أجل تحريك جسم خلف جدار بسرعة معينة والخروج على الجانب الآخر من الجدار على الفور، يجب أن يكون الجسم قد تلاشى أو خضع لزيادة كبيرة في السرعة.

عند مقارنة أداء الشبكات العصبية التقليدية القادرة على التعلم من الملاحظة ولكنها لا تسجل بشكل صريح تمثيل الجسم، وجد الباحثون أن شبكة ADEPT أكثر دقة في التمييز بين المشاهد المثيرة للمفاجأة وغير المثيرة للمفاجأة، وأن أداء ADEPT يتوافق مع ردود فعل الإنسان أكثر.

يتطلع فريق البحث في معهد ماساتشوستس للتكنولوجيا إلى إجراء المزيد من الأبحاث والحصول على رؤى أعمق حول كيفية رؤية الرُضّع للعالم من حولهم و学习 من هذه الملاحظات، ودمج نتائجهم في إصدارات جديدة من نموذج ADEPT.