ژوئیه 27، 2023

درس تلخ: چرا ChatGPT بر تکنیک های محاسباتی دست ساز پیروز شد

تاریخ انتشار: 27 جولای 2023 ساعت 10:16 بروزرسانی: 27 جولای 2023 ساعت 10:16 ق.ظ.

ویرایش و بررسی شده: 27 ژوئیه 2023، ساعت 10:16 صبح

به طور خلاصه

مقاله پروفسور ریچ ساتون در سال 2019، "درس تلخ"، پیشرفت های قابل توجهی را در هوش مصنوعی، مانند ChatGPT/GPT-4 و OpenAIروش شناسی ها

متن تغییر پارادایم در هوش مصنوعی را برجسته می‌کند، جایی که روش‌های محاسباتی بدون شهود انسانی بر عملکرد غالب هستند.

با این حال ، بسیاری محققان همچنان به دنبال رویکردهای مبتنی بر شهود هستند، با نادیده گرفتن پتانسیل روش های محاسبه محور.

مقاله "درس تلخنوشته شده توسط پروفسور ریچ ساتون در سال 2019، از آن زمان برای کارشناسان یادگیری ماشین و افرادی که علاقه مند به درک آینده هوش مصنوعی هستند اهمیت پیدا کرده است. بینش های ارائه شده در این سند، پیشرفت های مهمی را در هوش مصنوعی، از جمله ظهور، پیش بینی می کرد ChatGPT/GPT-4 و پذیرش OpenAIروش شناسی ها.

درس تلخ: چرا ChatGPT بر تکنیک های محاسباتی دست ساز پیروز شد — اعتبار: Metaverse Post / پروفسور ریچ ساتن

هسته اصلی "درس تلخ" یک تغییر پارادایم در زمینه هوش مصنوعی را بررسی می کند. در گذشته، دانشمندانی که هوش مصنوعی را مطالعه می‌کردند، تمایل داشتند فکر کنند که توسعه هوش مصنوعی پیشرفته نیازمند یک رویکرد قابل توجه و متمایز است که به عنوان «سوگیری استقرایی» نیز شناخته می‌شود. این ایده به افزودن اطلاعات تخصصی یا درک شهودی یک موضوع خاص اشاره دارد که سپس مسیر راه حل دستگاه را هدایت می کند.

موضوع اصلی «درس تلخ» یک تغییر پارادایم در مطالعه هوش مصنوعی را بررسی می کند. پیش از این، محققانی که هوش مصنوعی را مطالعه می‌کردند، تمایل داشتند بر این باورند که ایجاد هوش مصنوعی پیشرفته نیازمند یک رویکرد منحصر به فرد و قابل توجه است. این سوگیری به عنوان "سوگیری استقرایی" نامیده می شود. این مفهوم اضافه کردن دانش تخصصی یا بینش شهودی به یک مشکل خاص را پیشنهاد می‌کند که سپس مسیر راه‌حل ماشین را هدایت می‌کند.

اما یک الگوی تکرار شونده آشکار شد. محققان بارها و بارها دریافتند که به سادگی با اضافه کردن موارد دیگر داده ها و قدرت محاسباتی، آنها می توانند از نتایج حاصل از این روش های پر زحمت ساخته شده بهتر عمل کنند. این الگو مختص یک رشته نبود بلکه در شطرنج، گو، استارکرافت و احتمالاً نت هاک نیز ظاهر شد. شبکه های عصبی تکاملیبه عنوان مثال، در زمینه بینایی کامپیوتر بهتر از تکنیک های دستی مانند SIFT. جالب است بدانید که مخترع SIFT بعداً گفت که اگر شبکه‌های عصبی در زمان انجام تحقیقاتش وجود داشتند، او این روش را انتخاب می‌کرد. مشابه این، LSTM ها از همه سیستم های مبتنی بر قانون بهتر عمل کردند در زمینه ترجمه ماشینی با استفاده از یک استراتژی ساده "افزودن لایه های بیشتر"، ChatGPT/GPT-4نمونه برجسته این روند، توانست از مدل های بسیار توسعه یافته ایجاد شده توسط زبان شناسان محاسباتی پیشی بگیرد.

هسته اصلی «درس تلخ» ساتون این است که روش‌های محاسباتی که توسط شهود انسانی اصلاح نشده‌اند، اغلب از نظر عملکرد بهتر از سایر رویکردها عمل می‌کنند. با این حال، این درک به طور گسترده پذیرفته نشده است. بسیاری از محققان هنوز استراتژی‌های پیچیده و مبتنی بر شهود را دنبال می‌کنند، و اغلب پتانسیل رویکردهای فراگیر و مبتنی بر محاسبه را نادیده می‌گیرند.

پنج دلیل برای اینکه GPT بر تکنیک های محاسباتی دست ساز پیروز شد:

مقیاس پذیری: روش‌های محاسباتی، به‌ویژه زمانی که با داده‌های بیشتر تقویت شوند، پتانسیل تکامل و انطباق با پیشرفت فناوری را دارند و آن‌ها را مقاوم‌تر در آینده می‌کنند.
بهره وری: روش‌های عمومی مبتنی بر محاسبات و داده‌ها به طور مداوم از روش‌های تخصصی و مبتنی بر شهود انسانی در حوزه‌های مختلف، از بازی‌هایی مانند شطرنج و Go گرفته تا ترجمه ماشینی و بینایی رایانه، بهتر عمل می‌کنند.
کاربرد گسترده: این روش‌های عمومی و محاسباتی همه‌کاره هستند و می‌توانند در رشته‌های مختلف بدون نیاز به ترفندهای خاص دامنه اعمال شوند.
سادگی: سیستم های ساخته شده بر روی خام قدرت محاسباتی و داده ها در رویکرد خود ساده تر هستند، بدون نیاز به تنظیمات پیچیده بر اساس شهود انسانی.
عملکرد ثابت: همانطور که با مثال هایی مانند نشان داده شده است ChatGPT/GPT-4مدل‌های مبتنی بر محاسبات می‌توانند به عملکرد بالای ثابتی دست یابند که اغلب از روش‌های تخصصی پیشی می‌گیرند.

مقاله اصلی ابزار ارزشمندی برای درک بهتر دیدگاه پروفسور ساتون و اصول هدایت کننده این مسیر هوش مصنوعی است.

مقاله با الهام از کانال تلگرام ”باز هم بوریس"

درباره هوش مصنوعی بیشتر بخوانید:

برچسب ها:

سلب مسئولیت

در خط با دستورالعمل های پروژه اعتماد، لطفاً توجه داشته باشید که اطلاعات ارائه شده در این صفحه به عنوان مشاوره حقوقی، مالیاتی، سرمایه گذاری، مالی یا هر شکل دیگری در نظر گرفته نشده است و نباید تفسیر شود. مهم است که فقط در موردی سرمایه گذاری کنید که توانایی از دست دادن آن را دارید و در صورت شک و تردید به دنبال مشاوره مالی مستقل باشید. برای کسب اطلاعات بیشتر، پیشنهاد می کنیم به شرایط و ضوابط و همچنین صفحات راهنمایی و پشتیبانی ارائه شده توسط صادرکننده یا تبلیغ کننده مراجعه کنید. MetaversePost متعهد به گزارش دقیق و بی طرفانه است، اما شرایط بازار بدون اطلاع قبلی ممکن است تغییر کند.

درباره نویسنده

Damir رهبر تیم، مدیر محصول و سردبیر در است Metaverse Post، موضوعاتی مانند AI/ML، AGI، LLMs، Metaverse و Web3- زمینه های مرتبط مقالات او هر ماه مخاطبان زیادی از بیش از یک میلیون کاربر را جذب می کند. به نظر می رسد او یک متخصص با 10 سال تجربه در سئو و بازاریابی دیجیتال است. دمیر در Mashable, Wired, ذکر شده است. Cointelegraph، نیویورکر، Inside.com، Entrepreneur، BeInCrypto، و انتشارات دیگر. او بین امارات متحده عربی، ترکیه، روسیه و کشورهای مستقل مشترک المنافع به عنوان یک عشایر دیجیتال سفر می کند. دمیر مدرک لیسانس خود را در فیزیک گرفت که به اعتقاد او مهارت های تفکر انتقادی لازم برای موفقیت در چشم انداز دائماً در حال تغییر اینترنت را به او داده است.

مقالات بیشتر

دامیر یالالوف