bato-adv
درک تفاوت‌های «بازی» و «پازل»، چه معنایی برای زندگی ما دارد؟

چرا هوش مصنوعی نمی‌تواند «پازل» حل کند؟

چرا هوش مصنوعی نمی‌تواند «پازل» حل کند؟

دانشمندان می‌گویند هوش مصنوعی برای عملکرد در «بازی» طراحی شده است، اما پازل در ماهیت متفاوت از بازی است و به همین دلیل هوش مصنوعی تاکنون قادر به حل یک پازل نبوده است.

تاریخ انتشار: ۱۰:۴۱ - ۳۱ فروردين ۱۴۰۱

فرارو- احتمالا تاکنون خبر‌های جذاب زیادی از مبارزه مثلاً شطرنج بازان با هوش مصنوعی شنیده اید و همین مثال ساده‌ای برای حضور هوش مصنوعی در عرصه بازای‌ها است با این همه شاید نشنیده باشید که همین هوش مصنوعی قادر به تکمیل یک پازل پیچیده یا بازی‌هایی مثل Minesweeper نیست. حالا دانشمندان ژاپنی ضمن پاسخ به چرایی این امر استراتژی‌های متعددی را برای یک عامل هوشمند مصنوعی (AI) طراحی کرده اند تا یک معمای تصادفی مانند Minesweeper را حل کند.

به گزارش فرارو، برای دهه‌ها، تلاش‌ها برای وارد کردن هوش مصنوعی به بازی‌ها، منحصراً به حل بازی‌های دو نفره (یعنی بازی‌های رومیزی مانند چکرز، بازی‌های شطرنج مانند و غیره) اختصاص داشت، جایی که می‌توان نتیجه بازی را به درستی و کارآمد با استفاده از هوش مصنوعی (AI) پیش‌بینی کرد. با این حال، چنین روش و تکنیکی را نمی‌توان مستقیماً در حوزه حل پازل اعمال کرد، زیرا پازل‌ها عموماً به تنهایی (تک نفره) بازی می‌شوند و ویژگی‌های منحصر به فردی دارند (مانند اطلاعات تصادفی یا پنهان). بنابراین، همیشه این سوال مطرح بود که چگونه هوش مصنوعی با حفظ عملکرد خود در حل بازی‌های دو نفره، می‌تواند تکنیک‌های خود را در حل یک پازل نیز اعمال کند؟

برای سال‌ها، «پازل» و «بازی»، دو مفهوم مترادف یا بخشی از دیگری در نظر گرفته می‌شدند، اما واقعیت این است که همیشه اینطور نیست. با نگاهی از منظر دنیای واقعی، «بازی» چیزی است که هر روز با آن روبرو هستیم؛ برخورد با ناشناخته‌ها به عنوان مثال، ناشناخته بودن تصمیم درست (یعنی ازدواج) یا تصمیم اشتباه (یعنی ترک شغل) یا عدم تصمیم گیری (یعنی پشیمانی از «چه می‌شود اگر»). در مقابل «پازل» چیزی است که وجود دارد، چیزی که پنهان است و هنوز کشف نشده است. به عنوان مثال، کشف ماده شگفت انگیزی مانند گرافن و پتانسیل‌های فراوان آن است که هنوز تجاری نشده و به طور گسترده مورد استفاده قرار نگرفته، یک پازل است. پس دوباره یک سوال دیگر مطرح می‌شود؛ چه مرزی بین «پازل» و «بازی» در زمینه حل مسائل وجود دارد؟

در مؤسسه علوم و فناوری پیشرفته ژاپن (JAIST)، پروفسور هیرویوکی آیدا و همکارانش در آخرین مطالعه خود که در مجله journal Knowledge-based Systems منتشر شد، تلاش کردند به این دو سؤال پاسخ دهند. این مطالعه تحقیقاتی جدید بر دو عامل مهم متمرکز است: (۱) تعریف حل یک پازل در یک زمینه بازی تک عاملی از طریق بستر آزمایشی Minesweeper و (۲) پیشنهاد یک عامل هوش مصنوعی جدید (AI) با استفاده از ترکیب یکپارچه چهار استراتژی به نام PAFG. نتیجه این بود که حل کننده با بهره گیری از اطلاعات شناخته شده و اطلاعات ناشناخته پازل Minesweeper، به عملکرد بهتری در حل معما نسبت به مطالعات پیشرفته دست یافت.

محققان یک عامل هوش مصنوعی متشکل از دو استراتژی دانش محور و دو استراتژی مبتنی بر داده را برای بهترین استفاده از اطلاعات شناخته شده و ناشناخته، برای بهترین برآورد تصمیم بعدی اتخاذ کردند. نتیجه این شد که مرز بین پارادایم حل پازل و بازی کردن را می‌توان برای پازل تصادفی تک عاملی مانند Minesweeper ایجاد کرد.

چنین دستاوردی همچنین می‌تواند نقش مهمی را در مسائل دنیای واقعی ایفا کند، جایی که مرز بین معلوم و ناشناخته معمولاً مبهم است و شناسایی آن بسیار دشوار است. همانطور که پروفسور آیدا بیان می‌کند: «با توانایی عامل هوش مصنوعی برای بهبود عملکرد حل پازل، مرز حل پذیری آشکار می‌شود. چنین وضعیتی امکان تعریف واضح شرایط «پازل» و «بازی» را فراهم می‌کند، که معمولاً در بسیاری از موقعیت‌های زندگی واقعی یافت می‌شوند، مانند تعیین سرمایه‌گذاری با ریسک بالا و ارزیابی سطح ریسک یک تصمیم مهم. در اصل، همه ما در دنیای Minesweeper خود زندگی می‌کنیم و سعی می‌کنیم راه خود را حدس بزنیم و در عین حال از چاله‌ها در زندگی خود اجتناب کنیم.»

بسیاری از عدم قطعیت‌ها با پیشرفت چهره‌ای فن‌آوری موجود و پارادایم جدید محاسبات موجود (به عنوان مثال، اینترنت اشیا، خدمات مبتنی بر رایانش ابری، محاسبات لبه، محاسبات نورومورفیک و غیره) وجود داشت. این شرایط جدید می‌تواند برای مردم (یعنی توان فنی)، گروه‌ها (یعنی پذیرش فناوری)، جامعه (یعنی فرهنگ و هنجار)، و حتی در سطوح ملی (یعنی تغییر سیاست‌ها و قوانین) صادق باشد. «خانم چانگ لیو، نویسنده ارشد این مطالعه توضیح می‌دهد که؛ «فعالیت روزانه انسان شامل شرایط «بازی» و «پازل» زیادی است. با ترسیم الگوی حل‌پذیری در مقیاس، می‌توان شرایط مرزی بین معلوم و ناشناخته را ایجاد کرد، که خطر ناشناخته را به حداقل می‌رساند و فایده آن را به حداکثر می‌رساند. چنین شاهکاری با اوج گیری تکنیک‌های دانش محور، فناوری هوش مصنوعی و عدم قطعیت قابل اندازه گیری (مانند میزان برنده شدن، میزان موفقیت، نرخ پیشرفت و غیره) به دست می‌آید، در حالی که همچنان پازل را سرگرم کننده و چالش برانگیز نگه می‌دارد.»

منبع: scitechdaily

ترجمه: مصطفی جرفی-فرارو

bato-adv
مجله خواندنی ها
bato-adv
bato-adv
bato-adv
bato-adv
پرطرفدارترین عناوین