لماذا تحتاج الصناعة 5.0 إلى الذكاء الاصطناعي العام

بواسطة: Bas Steunebrink، المؤسس المشارك ومدير الذكاء الاصطناعي العام، Eric Nivel، مهندس AGI الرئيسي و Jerry Swan، عالم أبحاث في NNAISENSE.

نحن نتخذ الت 자동ية للمعروفة في عالمنا الحديث، ونستفيد كل يوم من سلاسل التوريد التي تمتد حول العالم، وتقدم لنا مجموعة واسعة من السلع على رفوفنا. ولكن خلف الكواليس، فإن إنتاج وحركة السلع تطرح العديد من تحديات التحسين، مثل التعبئة والتغليف والجدولة والتحكم في الطرق والتحكم في خطوط الإنتاج. هذه التحديات هي ديناميكية ومتغيرة باستمرار مع العالم الحقيقي. على سبيل المثال، قد تتغير الطرق المتوقعة فجأة بسبب ظروف غير متوقعة – على سبيل المثال، قد يتم حظر قناة السويس؛ قد تتغير الطرق الجوية بسبب انفجارات بركانية؛ قد تصبح بلدان بأكملها غير متاحة بسبب النزاع. التغيرات في التشريعات وانهيار العملات والنقص في الموارد هي أمثلة على متغيرات جانب العرض التي تتغير باستمرار.

لإعطاء مثال آخر، قد يتعين أحيانًا دمج مكون جديد في آلة أو عملية عمل (قد يرغب المستخدمون في مواد أو ألوان مختلفة، على سبيل المثال). حاليًا، يتطلب الأمر عمالة بشرية خبيرة لإجراء تغييرات على النظام، أو – في حالة التعلم الآلي – لإعادة تدريب الحل وإعادة نشره. بطريقة مماثلة، فإن “التوأم الرقمي” للصناعة 4.0 لا يزال يعتمد بشكل كبير على فكرة أن وصف المشكلة وتوزيع المدخلات يمكن تحديدها مرة واحدة وإلى الأبد عند التصميم الأولي للنظام.

أبرزت الجائحة الأخيرة هشاشة التخطيط المتعلق بسلاسل التوريد “فورًا”. يصبح من أكثر وضوحًا أن الصناعة لا يمكنها تحمل هذه الانعدام في المرونة في عالم متزايد التعقيد وال不确定ية. في الوقت الحالي، يجب على التصنيع أن يختار بين “منخفض الخلط وعالية الحجم” (LMHV) و “عالية الخلط ومنخفضة الحجم” (HMLV). تتوقع الصناعة 5.0 احتمال “عالية الخلط وعالية الحجم” (HMHV)، حيث يمكن إعادة cấuفة العملية بسهولة منخفضة التكلفة لتلبية المتطلبات السائلة. لتحقيق ذلك، يتطلب الأمر “تأتمتة التأتمتة”، من أجل القضاء على الحاجة إلى التدخل البشري و / أو توقف النظام عند تغيير المشكلة أو البيئة. هذا يتطلب أنظمة “تعمل بال命令”، وتستجيب لتلك التغييرات، مع الحفاظ على فرصة معقولة لإكمال المهام المحددة في ظل قيود الوقت الحقيقي.

على سبيل المثال، يمكن توجيه روبوت خط التجميع، الذي يشارك حاليًا في مهمة X، كما يلي:

“أوقف تجميع X على الفور: ها هي مواصفات Y، وهنا معظم التأثيرات القديمة والجديدة. ابدأ في تجميع Y، وتجنب أنواع معينة من العيوب والهدر”.

على الرغم من الحديث الواسع حول وصول “الذكاء الاصطناعي العام” (AGI) القريب عبر نماذج اللغة الكبيرة مثل GPT-3، لا يوجد أي من النهج المقترحة قادرة حقًا على “العمل بال命令”. أي أنهم لا يمكنهم تكليفهم بشيء完全 خارج مجموعة التدريب بدون توقف إعادة التدريب والتحقق وإعادة النشر.

من الواضح أن أي مفهوم حقيقي للذكاء يرتبط بشكل لا ينفصل بالاستجابة للتغيير. النظام الذي لا يتغير – بغض النظر عن عدد الأحداث غير المتوقعة التي يتعرض لها – لا يعتبر مستقلًا ولا ذكيًا. هذا لا ينقص من نقاط القوة للنهج القائم على التعلم العميق (DL)، والتي حققت نجاحًا كبيرًا كوسيلة ل合성 البرامج لمشاكل صعبة التحديد الصريح.

ما هو نوع الوظائف التي قد تمكن النظام من التغلب على هذا النمط من التدريب والتجميد والنشر، نحو نمط قادرة على التعلم التكيفي غير المنقطع؟ ضع في اعتبارك الحاجة إلى استبدال مكون معيب في عملية تصنيع بمكون من مورد آخر، قد يكون له أوقات مختلفة. مع نمذجة الكتلة السوداء المعاصرة للذكاء الاصطناعي، يجب إجراء عملية التماثل الرقمي من جديد. من أجل معالجة قيود النهج المعاصرة، يتطلب تغيير جذري: نموذج يمكنه التفكير مباشرة في عواقب تغيير المكون – وأكثر من ذلك، السيناريوهات التخيلية “ماذا لو” العامة. يتعين تفكيك العملية إلى مكونات ذات خصائص معروفة وإعادة组ها حسب الحاجة، وهو ما يسمى “التركيب”.

التركيب قد تفلت من الذكاء الاصطناعي المعاصر، حيث غالبًا ما يختلط مع مفهوم اللامركزية الأضعف. اللامركزية تهتم بقدرة “لصق” المكونات معًا، ولكن هذا يفشل في 捕获 جوهر التركيب، وهو القدرة على التفكير في سلوك العملية الناتجة من أجل تحديد وضمان الحفاظ على بعض الخصائص المرغوبة. هذه القدرة حيوية لأسباب التحقق والسلامة: على سبيل المثال، القدرة على التفكير أن “اعتماد محرك من مورد بديل سيزيد من إنتاج الطاقة الكلية للمصنع بينما تبقى جميع مكوناته الأخرى ضمن حدود درجة الحرارة”.

على الرغم من أن النهج القائم على الشبكات العصبية الحديثة تتمتع بقدرة استثنائية على التعلم من البيانات، إلا أنها تفتقر إلى التفكير التركيبي. بدلاً من الأمل في أن ي出现 التفكير التركيبي من داخل هياكل الشبكات العصبية، يمكن استخدام بناءات نظرية الفئة، الدراسة الرياضية للتركيب، بشكل مباشر. على وجه الخصوص، فرعها من علم السيبرنتيك الهرمي يهتم بالمراقبين ثنائي الاتجاه كعناصر تمثيلية أساسية. ثنائية الاتجاه هي القدرة على أداء الاستدلال الأمامي والخلفي: التنبؤ من الأسباب إلى النتائج والعكس. الاستدلال العكسي التركيبي هو مهم بشكل خاص لأنه يسمح بدمج التغذية الراجعة من البيئة على أي مستوى من التمثيل الهيكلي – وهذا يسهل التعلم السريع من عدد قليل من الأمثلة.

مع بعض السلوك المرغوب في النظام، يصبح مهمة التعلم بناء هيكل تحكم إجمالي يلبيه. الهياكل الأولية المكتسبة تعمل كهيكل للتعلم اللاحق.

随着 زيادة معرفة النظام، يمكن تزيين هذا الهيكل بالخصائص التركيبية المكتسبة، مشابهة لطريقة تحديد خصائص جزيء H2O المختلفة عن تلك الذرّات المكونة له. بالإضافة إلى ذلك، كما يمكن اعتبار “رمي الكرة” و “التنس” إجراءات عضلية هيكلية متعلقة بالبشر، يمكن أن تشترك المهام المتعلقة في هيكل مراقب هيكلي يزين بطريقة محددة للمهمة عبر التغذية الراجعة من البيئة. هذا الفصل بين الهيكل السببي والمتغيرات المحددة للمهمة يمكن أن يسهل التعلم الجديد للمهام دون النسيان الكارثي الذي يعاني منه النهج المعاصرة. وبالتالي، يمكن للنهج الهجين الرقمي-الرمزي من النوع الموصوف أعلاه أن يجمع بين نقاط القوة للنهج العصبي والرمزي، من خلال وجود مفهوم صريح للتركيب والقدرة على التعلم التكيفي. التفكير في الخصائص التركيبية يعتمد على أساس متواصل من العمل الذي يقوم به النظام حاليًا.

في الختام، من الواضح أن نهجًا جديدًا مطلوب لإنشاء أنظمة حقيقية ذاتية الحكم: أنظمة قادرة على استيعاب التغيير الكبير و / أو العمل في بيئات غير معروفة. هذا يتطلب التعلم التكيفي غير المنقطع والتعلم من ما هو معروف بالفعل. على الرغم من اسمهم، فإن نهج التعلم العميق له تمثيل浅 للعالم لا يمكن تعديله على مستوى عالٍ بواسطة عملية التعلم. في المقابل، نقترح أن أنظمة AGI التي تظهر في الجيل القادم ستحتوي على التعلم العميق داخل هيكل أوسع، مجهز بالقدرة على التفكير مباشرة في ما تعرفه.

القدرة على النظام للتفكير الرمزي حول تمثيله الخاص تمنح فوائد كبيرة للصناعة: مع تمثيل تركيبي صريح، يمكن فحص النظام – سواء بواسطة البشر أو داخليًا بواسطة النظام نفسه – لتلبية المتطلبات الحيوية للسلامة والعدالة. بينما كان هناك قلق أكاديمي حول ما يسمى خطر x من AGI، فإن التركيز المناسب هو مشكلة الهندسة الملموسة لإعادة توجيه نظام التحكم مع الحفاظ على هذه المتطلبات الحيوية، وهو ما نسميه التوجيه التفاعلي. إنها فقط من خلال اعتماد هذا النوع من أنظمة التحكم، التي تتمتع بالثقة والكفاءة والتعلم المستمر، سنتمكن من تحقيق الجيل القادم من الاستقلالية الذي يتخيله Industry 5.0.