این هفته در هوش مصنوعی: OpenAI یک شریک در ویرایش بالاتر پیدا می کند
![](https://khabarkaav.ir/wp-content/uploads/2024/01/blackout-diffusion.jpg)
همگام شدن با صنعتی که به سرعت هوش مصنوعی در حال حرکت است، امری دشوار است. پس تا زمانی که یک هوش مصنوعی بتواند این کار را برای شما انجام دهد، در اینجا خلاصهای مفید از داستانهای اخیر در دنیای یادگیری ماشین، همراه با تحقیقات و آزمایشهای قابلتوجهی است که به تنهایی پوشش ندادهایم.
این هفته در هوش مصنوعی، OpenAI اولین مشتری آموزش عالی خود را ثبت کرد: دانشگاه ایالتی آریزونا.
ASU با OpenAI همکاری خواهد کرد تا ChatGPT، ربات گفتگوی مبتنی بر هوش مصنوعی OpenAI را به محققان، کارکنان و اساتید دانشگاه بیاورد - در ماه فوریه یک چالش آزاد برای دعوت از اساتید و کارکنان برای ارائه ایدههایی برای راههای استفاده از ChatGPT برگزار میکند.
قرارداد OpenAI-ASU تغییر عقاید در مورد هوش مصنوعی در آموزش را نشان می دهد، زیرا این فناوری سریعتر از برنامه های درسی پیشرفت می کند. تابستان گذشته، مدارس و کالجها عجله کردند تا ChatGPT را به دلیل سرقت ادبی و ترس از اطلاعات نادرست ممنوع کنند. از آن زمان، برخی ممنوعیت های خود را لغو کردند، در حالی که برخی دیگر میزبانی کارگاه های آموزشی در مورد ابزارهای GenAI و پتانسیل آنها برای یادگیری را آغاز کردند.
بحث در مورد نقش GenAI در آموزش به احتمال زیاد به این زودی حل نخواهد شد. اما - برای آنچه ارزش دارد - به طور فزاینده ای خود را در اردوگاه حامیان می بینم.
بله، GenAI خلاصه کننده ضعیفی است. این مغرضانه و سمی است. چیزها را درست می کند. اما می توان از آن به خوبی استفاده کرد.
در نظر بگیرید که چگونه ابزاری مانند ChatGPT ممکن است به دانشآموزانی که با تکلیف خانگی مشکل دارند کمک کند. می تواند یک مسئله ریاضی را گام به گام توضیح دهد یا یک طرح کلی مقاله ایجاد کند. یا می تواند پاسخ سوالی را که برای گوگل زمان بیشتری می برد را نشان دهد.
اکنون، نگرانیهای منطقی در مورد تقلب وجود دارد - یا حداقل چیزی که ممکن است در محدوده برنامههای درسی امروزی تقلب در نظر گرفته شود. من به طور حکایتی در مورد دانشآموزان، بهویژه دانشجویان کالج، شنیدهام که از ChatGPT برای نوشتن تکههای بزرگ مقاله و سؤالات انشا در آزمونهای خانگی استفاده میکنند.
این یک مشکل جدید نیست - خدمات مقاله نویسی پولی برای قرن ها وجود داشته است. اما ChatGPT به طور چشمگیری مانع ورود را کاهش می دهد، برخی از مربیان استدلال می کنند.
شواهدی وجود دارد که نشان میدهد این ترسها بیش از حد است. اما با کنار گذاشتن این موضوع برای لحظهای، میگویم که عقبنشینی کرده و در وهله اول آنچه را که دانشآموزان را به تقلب سوق میدهد، تحلیل کنیم. دانش آموزان اغلب برای نمرات پاداش می گیرند، نه تلاش یا درک. ساختار تشویقی منحرف شده است. پس آیا جای تعجب است که بچهها تکالیف مدرسه را بهعنوان کادرهایی برای تحلیل میبینند تا فرصتهایی برای یادگیری؟
پس اجازه دهید دانشآموزان GenAI داشته باشند - و اجازه دهید مربیان راههایی را برای استفاده از این فناوری جدید برای رسیدن به دانشآموزان در جایی که هستند، آزمایش کنند. من امید زیادی به اصلاحات اساسی آموزش و پرورش ندارم. اما شاید GenAI بهعنوان سکوی راهاندازی برای طرحهای درسی باشد که بچهها را در مورد موضوعاتی که قبلاً هرگز آنها را کاوش نمیکردند هیجانزده کند.
در اینجا برخی دیگر از داستان های هوش مصنوعی قابل توجه در چند روز گذشته آورده شده است:
مربی خواندن مایکروسافت: مایکروسافت این هفته Reading Coach را ایجاد کرد، ابزار هوش مصنوعی خود که تمرین خواندن شخصی را در اختیار زبانآموزان قرار میدهد و بدون هیچ هزینهای برای هر کسی که حساب مایکروسافت دارد در دسترس است.
شفافیت الگوریتمی در موسیقی: تنظیمکنندههای اتحادیه اروپا خواستار قوانینی هستند تا شفافیت الگوریتمی بیشتری را از پلتفرمهای پخش موسیقی اعمال کنند. آنها همچنین میخواهند با موسیقیهای تولید شده توسط هوش مصنوعی – و دیپفیکها مقابله کنند.
روباتهای ناسا: ناسا اخیراً یک ساختار رباتیک خودسازمانده را به نمایش گذاشت که، دوین مینویسد، ممکن است به بخش مهمی از حرکت خارج از سیاره تبدیل شود.
سامسونگ گلکسی که اکنون مجهز به هوش مصنوعی است: در رویداد معرفی گلکسی اس 24 سامسونگ، این شرکت راههای مختلفی را ارائه کرد که هوش مصنوعی میتواند تجربه گوشیهای هوشمند را بهبود بخشد، از جمله از طریق ترجمه زنده برای تماسها، پاسخها و اقدامات پیشنهادی و روشی جدید برای جستجوی Google با استفاده از حرکات حرکتی.
حلکننده هندسه DeepMind: DeepMind، آزمایشگاه تحقیق و توسعه هوش مصنوعی گوگل، این هفته از AlphaGeometry رونمایی کرد، یک سیستم هوش مصنوعی که آزمایشگاه ادعا میکند میتواند به اندازه یک مدال طلای المپیاد بینالمللی ریاضی مشکلات هندسی را حل کند.
OpenAI و جمعسپاری: در دیگر اخبار OpenAI، این استارتآپ در حال تشکیل تیم جدیدی به نام Collective Alignment است تا ایدههایی را از مردم در مورد چگونگی اطمینان از همسویی مدلهای هوش مصنوعی آینده خود با ارزشهای بشریت پیادهسازی کند. در عین حال، سیاست خود را تغییر می دهد تا برنامه های نظامی فناوری خود را مجاز کند. (در مورد پیام های مختلط صحبت کنید.)
یک طرح حرفه ای برای Copilot: مایکروسافت یک طرح پرداختی متمرکز بر مصرف کننده را برای Copilot راه اندازی کرده است، نام تجاری چتر برای مجموعه فناوری های تولید محتوا مبتنی بر هوش مصنوعی، و الزامات واجد شرایط بودن برای پیشنهادات Copilot در سطح سازمانی را کاهش داده است. همچنین ویژگی های جدیدی را برای کاربران رایگان راه اندازی کرده است، از جمله یک برنامه تلفن هوشمند Copilot.
مدل های فریبنده: بیشتر انسان ها مهارت فریب دادن انسان های دیگر را می آموزند. پس آیا مدل های هوش مصنوعی می توانند همین را یاد بگیرند؟ بله، پاسخ به نظر می رسد - و به طرز وحشتناکی، آنها در آن فوق العاده خوب هستند. بر اساس یک مطالعه جدید از استارتاپ هوش مصنوعی Anthropic.
نسخه نمایشی رباتیک تسلا: ربات انسان نما Optimus ایلان ماسک از تسلا کارهای بیشتری انجام می دهد - این بار تا کردن یک تی شرت روی میز در یک مرکز توسعه. اما همانطور که مشخص است، ربات در مرحله کنونی هر چیزی جز مستقل است.
یادگیری ماشینی بیشتر
یکی از مواردی که مانع از کاربردهای گستردهتر چیزهایی مانند تجزیه و تحلیل ماهوارهای مبتنی بر هوش مصنوعی میشود، نیاز به مدلهای آموزشی برای تشخیص چیزی است که ممکن است شکل یا مفهوم نسبتاً باطنی باشد. شناسایی طرح کلی ساختمان: آسان. شناسایی مزارع زباله پس از سیل: چندان آسان نیست! محققان سوئیسی در EPFL امیدوارند با برنامه ای که METEOR نامیده می شود، انجام این کار را آسان تر کنند.
![](https://techcrunch.com/wp-content/uploads/2024/01/meteor-epfl.webp)
اعتبار تصویر: EPFL
Marc Rußwurm، یکی از رهبران این پروژه گفت: «مشکل در علم محیط زیست این است که اغلب غیرممکن است که یک مجموعه داده به اندازه کافی بزرگ برای آموزش برنامه های هوش مصنوعی برای نیازهای تحقیقاتی ما به دست آوریم. ساختار جدید آنها برای آموزش به یک الگوریتم تشخیص اجازه می دهد تا برای یک کار جدید فقط با چهار یا پنج تصویر نماینده آموزش داده شود. نتایج با مدل های آموزش داده شده بر روی داده های بسیار بیشتر قابل مقایسه است. برنامه آنها این است که سیستم را از آزمایشگاهی به محصول دیگر با رابط کاربری برای افراد عادی (یعنی محققان غیرمتخصص هوش مصنوعی) برای استفاده از آن فارغ التحصیل کنند. می توانید مقاله ای را که آنها منتشر کرده اند اینجا بخوانید.
رفتن به سمت دیگر - ایجاد تصاویر - زمینه تحقیقات فشرده است، زیرا انجام کارآمد آن می تواند بار محاسباتی را برای پلتفرم های هوش مصنوعی مولد کاهش دهد. رایجترین روش انتشار نامیده میشود که به تدریج یک منبع نویز خالص را به تصویر هدف تبدیل میکند. آزمایشگاه ملی لوس آلاموس رویکرد جدیدی دارد که آن را Blackout Diffusion می نامند، که در عوض از یک تصویر سیاه خالص شروع می شود.
این نیاز به نویز را در ابتدا از بین می برد، اما پیشرفت واقعی در چارچوبی است که در "فضاهای گسسته" به جای پیوسته اتفاق می افتد و بار محاسباتی را تا حد زیادی کاهش می دهد. آنها می گویند که عملکرد خوبی دارد و هزینه کمتری دارد، اما قطعاً با انتشار گسترده فاصله دارد. من صلاحیت ارزیابی اثربخشی این رویکرد را ندارم (ریاضی بسیار فراتر از من است) اما آزمایشگاههای ملی تمایلی به تبلیغ چنین چیزی بدون دلیل ندارند. من از محققان برای اطلاعات بیشتر می خواهم.
مدلهای هوش مصنوعی در سرتاسر علوم طبیعی رشد میکنند، جایی که توانایی آنها برای حذف سیگنالها از نویز هم بینش جدیدی ایجاد میکند و هم باعث صرفهجویی در هزینه ساعات ورود اطلاعات دانشآموزان مقطع کارشناسی ارشد میشود.
استرالیا از فناوری تشخیص آتش سوزی Pano AI در "مثلث سبز" خود، یک منطقه جنگلی بزرگ استفاده می کند. دوست دارم ببینم استارتاپها به این شکل مورد استفاده قرار میگیرند – نه تنها میتواند به جلوگیری از آتشسوزی کمک کند، بلکه دادههای ارزشمندی را برای مقامات جنگلداری و منابع طبیعی تولید میکند. هر دقیقه با آتشسوزیهای جنگلی (یا آتشسوزیهای بوتهها، همانطور که آنها را آنجا میخوانند) به حساب میآید، پس اعلانهای اولیه میتواند تفاوت بین دهها و هزاران هکتار خسارت باشد.
![](https://techcrunch.com/wp-content/uploads/2024/01/permafrost-lanl.jpg)
کاهش دائمی منجمد طبق مدل قدیمی، چپ، و مدل جدید، راست اندازهگیری میشود.
لوس آلاموس بار دوم را دریافت می کند (هنگامی که یادداشت هایم را مرور می کنم متوجه شدم) زیرا آنها همچنین در حال کار بر روی یک مدل هوش مصنوعی جدید برای تخمین کاهش یخ های دائمی هستند. مدلهای موجود برای این کار وضوح پایینی دارند و سطوح منجمد دائمی را در تکههای حدود 1/3 مایل مربع پیشبینی میکنند. این مطمئناً مفید است، اما با جزئیات بیشتر، نتایج گمراهکننده کمتری برای مناطقی دریافت میکنید که ممکن است در مقیاس بزرگتر مانند 100% منجمد دائمی به نظر برسند، اما وقتی نزدیکتر نگاه کنید، به وضوح کمتر از آن هستند. با پیشرفت تغییرات آب و هوایی، این اندازه گیری ها باید دقیق باشند!
زیست شناسان در حال یافتن راه های جالبی برای آزمایش و استفاده از هوش مصنوعی یا مدل های مجاور با هوش مصنوعی در بسیاری از زمینه های فرعی آن حوزه هستند. در کنفرانس اخیری که توسط دوستانم در GeekWire نوشته شده بود، ابزارهایی برای ردیابی گورخرها، حشرات، حتی سلول های فردی در جلسات پوستر نشان داده شد.
و از جنبه فیزیک و شیمی، محققان Argonne NL به دنبال بهترین روش بسته بندی هیدروژن برای استفاده به عنوان سوخت هستند. مهار و کنترل هیدروژن آزاد بسیار دشوار است، پس اتصال آن به یک مولکول کمکی خاص آن را رام نگه می دارد. مشکل این است که هیدروژن تقریباً به همه چیز متصل می شود، پس میلیاردها و میلیاردها احتمال برای مولکول های کمکی وجود دارد. اما مرتب سازی از طریق مجموعه های عظیم داده یک تخصص یادگیری ماشینی است.
حسن حرب این پروژه گفت: «ما به دنبال مولکولهای مایع آلی بودیم که برای مدت طولانی روی هیدروژن باقی میمانند، اما نه آنقدر قوی که نتوان به راحتی آنها را در صورت تقاضا حذف کرد. سیستم آنها از طریق 160 میلیارد مولکول طبقه بندی شد و با استفاده از روش غربالگری هوش مصنوعی آنها توانستند 3 میلیون مولکول را در ثانیه تحلیل کنند - پس کل فرآیند نهایی حدود نیم روز طول کشید. (البته، آنها از یک ابرکامپیوتر بسیار بزرگ استفاده می کردند.) آنها 41 نفر از بهترین نامزدها را شناسایی کردند، که برای خدمه آزمایش در آزمایشگاه یک عدد نابهنجار است. امیدوارم آنها چیز مفیدی پیدا کنند - من نمی خواهم با نشت هیدروژن در ماشین بعدی خود مقابله کنم.
با این حال، برای پایان دادن به یک کلمه احتیاط، مطالعهای در Science نشان داد که مدلهای یادگیری ماشینی که برای پیشبینی نحوه پاسخ بیماران به درمانهای خاص استفاده میشوند، در گروه نمونهای که روی آنها آموزش دیدهاند، بسیار دقیق هستند. در موارد دیگر، اساساً هیچ کمکی نکردند. این بدان معنا نیست که نباید از آنها استفاده شود، اما از آنچه بسیاری از افراد در تجارت گفته اند پشتیبانی می کند: هوش مصنوعی یک گلوله نقره ای نیست و باید در هر جمعیت و برنامه جدیدی که استفاده می شود کاملاً آزمایش شود. به.
ارسال نظر