تقنية جديدة تتيح للذكاء الاصطناعي فهم بعض الفيزياء بشكل بديهي

لقد كان الذكاء الاصطناعي قادرًا على تطوير فهم للفيزياء من خلال التعلم المعزز لبعض الوقت الآن ، ولكن تقنية جديدة طورها باحثون في معهد ماساتشوستس للتكنولوجيا يمكن أن تساعد المهندسين في تصميم النماذج التي تظهر فهمًا بديهيًا للفيزياء.

أظهرت الأبحاث النفسية أن البشر ، إلى حد ما ، لديهم فهم حدسي لقوانين الفيزياء. لدى الرضع توقعات حول كيفية تفاعل الأشياء وتحركها ، وانتهاكات هذه التوقعات ستجعل الأطفال الرضع يتفاعلون بمفاجأة. إن البحث الذي أجراه فريق معهد ماساتشوستس للتكنولوجيا لديه القدرة ليس فقط على دفع تطبيقات جديدة للذكاء الاصطناعي ، ولكن يساعد علماء النفس على فهم كيفية إدراك الأطفال للعالم والتعرف عليه.

يُطلق على النموذج الذي صممه فريق معهد ماساتشوستس للتكنولوجيا اسم ADEPT ، وهو يعمل من خلال عمل تنبؤات حول كيفية تصرف الأشياء في الفضاء المادي. يرصد النموذج الأشياء ويتتبع مقياس "المفاجأة" أثناء قيامه بذلك. إذا حدث شيء غير متوقع ، يستجيب النموذج بزيادة قيمته المفاجئة. ستشهد الإجراءات غير المتوقعة والمستحيلة على ما يبدو مثل نقل كائن ما أو اختفائه معًا ارتفاعًا كبيرًا في المفاجأة.

كان هدف فريق البحث هو جعل نموذجهم يسجل نفس مستويات المفاجأة التي يسجلها البشر عندما يرون الأشياء تتصرف بطرق غير معقولة.

يحتوي ADEPT على عنصرين رئيسيين ، محرك فيزيائي ووحدة رسومات معكوسة. محرك الفيزياء مسؤول عن التنبؤ بكيفية تحرك الجسم ، والتنبؤ بالتمثيل المستقبلي لجسم ما ، من مجموعة من الحالات الممكنة. وفي الوقت نفسه ، فإن وحدة الرسومات العكسية مسؤولة عن إنشاء تمثيلات للأشياء التي سيتم تغذيتها في محرك الفيزياء.

تتعقب وحدة الرسومات العكسية عدة سمات مختلفة مثل السرعة والشكل والاتجاه لكائن ما ، واستخراج هذه المعلومات من إطارات مقاطع الفيديو. تركز الوحدة الرسومية العكسية فقط على التفاصيل الأكثر بروزًا ، متجاهلة التفاصيل التي لن تساعد محرك الفيزياء في تفسير الكائن والتنبؤ بالحالات الجديدة. من خلال التركيز على التفاصيل الأكثر أهمية فقط ، يكون النموذج قادرًا بشكل أفضل على التعميم على الكائنات الجديدة. ثم يأخذ محرك الفيزياء أوصاف الكائنات هذه ويحاكي سلوكًا فيزيائيًا أكثر تعقيدًا ، مثل السيولة أو الصلابة ، من أجل عمل تنبؤات حول كيفية تصرف الكائن.

بعد حدوث عملية الاستيعاب هذه ، يلاحظ النموذج الإطار التالي الفعلي في الفيديو ، والذي يستخدمه لإعادة حساب توزيع الاحتمالات فيما يتعلق بسلوكيات الكائن المحتملة. تتناسب المفاجأة عكسياً مع الاحتمال مما يجب أن يحدث للحدث ، وتسجل فقط مفاجأة كبيرة عندما يكون هناك عدم تطابق كبير بين ما يعتقد النموذج أنه يجب أن يحدث بعد ذلك وما سيحدث بالفعل بعد ذلك.

احتاج فريق البحث إلى طريقة ما لمقارنة مفاجأة نموذجهم بمفاجأة الأشخاص الذين يلاحظون نفس سلوك الكائن. في علم النفس التنموي ، غالبًا ما يختبر الباحثون الأطفال من خلال عرض مقطعي فيديو مختلفين لهم. في أحد مقاطع الفيديو ، يتم تقديم كائن يتصرف كما تتوقع في العالم الحقيقي ، وليس تشغيلًا تلقائيًا يختفي أو ينتقل عن بعد. في الفيديو الآخر وكائن ينتهك قوانين الفيزياء بطريقة ما. أخذ فريق البحث هذه المفاهيم الأساسية نفسها وشاهد 60 شخصًا بالغًا 64 مقطع فيديو مختلفًا للسلوك البدني المتوقع وغير المتوقع. ثم طُلب من المشاركين تقييم دهشتهم في لحظات مختلفة في الفيديو بمقياس من 1 إلى 100.

أظهر تحليل أداء النموذج أنه كان يؤدي أداءً جيدًا في مقاطع الفيديو حيث تم تحريك كائن خلف جدار واختفى عند إزالة الجدار ، وعادة ما يتطابق مع مستويات مفاجأة البشر في هذه الحالات. يبدو أن النموذج فوجئ أيضًا بمقاطع الفيديو التي لم يبد فيها البشر مفاجأة ولكن يمكن القول إنه كان يجب أن يكون كذلك. على سبيل المثال ، لكي يتحرك شيء خلف جدار بسرعة معينة ويخرج فورًا على الجانب الآخر من الجدار ، يجب أن يكون قد تم نقله عن بعد أو شهد زيادة كبيرة في السرعة.

عند مقارنتها بأداء الشبكات العصبية التقليدية القادرة على التعلم من الملاحظة ولكنها لا تسجل تمثيل كائن ما بشكل صريح ، وجد الباحثون أن شبكة ADEPT كانت أكثر دقة في التمييز بين المشاهد المفاجئة وغير المفاجئة وأن أداء ADEPT يتوافق مع ردود الفعل البشرية عن كثب.

يهدف فريق البحث في معهد ماساتشوستس للتكنولوجيا إلى إجراء المزيد من الأبحاث واكتساب نظرة أعمق حول كيفية مراقبة الأطفال للعالم من حولهم والتعلم من هذه الملاحظات ، مع دمج النتائج التي توصلوا إليها في الإصدارات الجديدة من نموذج ADEPT.