برنامه نویسی برای برنامه نویسی

سیستم های هوش مصنوعی (AI) به سرعت در حال تبدیل شدن هوش مصنوعی به زبان ساده برای کودکان به بخشی از بافت زندگی روزمره آمریکایی ها هستند. از خدمات مشتری گرفته تا تولید تصویر تا تولید، سیستم‌های هوش مصنوعی همه جا هستند.

 

سیستم‌های هوش مصنوعی در کنار پتانسیل تحول‌آفرین برای خیر، خطرات آسیب‌رسانی نیز به همراه دارند. این خطرات شامل خروجی های نادرست یا نادرست است. تصمیم گیری الگوریتمی تبعیض آمیز غیرقانونی؛ تخریب مشاغل و حیثیت کار؛ و حریم خصوصی، ایمنی و امنیت را به خطر انداخت. با توجه به نفوذ و فراگیر بودن آنها، این سیستم ها باید تابع مکانیسم های امنیتی و عملیاتی باشند که خطر را کاهش می دهد و اعتماد ذینفعان هوش مصنوعی به زبان ساده برای کودکان  را تضمین می کند که آسیبی به آنها وارد نخواهد شد.

 

 

 

راهنمایی

حمایت کردن

ملزومات قانونی

 

 

مفسران بر این نکته تاکید کردند که چگونه سیاست‌ها و هوش مصنوعی به زبان ساده برای کودکان  مکانیسم‌های پاسخگویی هوش مصنوعی می‌توانند نقش مهمی در به دست آوردن بهترین بهره از این فناوری داشته باشند. مشارکت‌کنندگان در اکوسیستم هوش مصنوعی - از جمله سیاست‌گذاران، صنعت، جامعه مدنی، کارگران، محققان و اعضای جامعه تحت تأثیر - باید برای افشای مشکلات و خطرات بالقوه و پاسخگویی نهادهای مسئول قدرت داشته باشند.

 

توسعه دهندگان و توسعه دهندگان سیستم هوش مصنوعی باید  هوش مصنوعی به زبان ساده برای کودکان مکانیسم هایی برای اولویت دادن به ایمنی و رفاه مردم و محیط زیست داشته باشند و نشان دهند که سیستم های هوش مصنوعی آنها همانطور که در نظر گرفته شده و خوب عمل می کند. اجرای سیاست‌های پاسخگویی می‌تواند به توسعه یک بازار هوش مصنوعی قوی، نوآورانه و آگاهانه کمک کند، جایی که خریداران سیستم‌های هوش مصنوعی می‌دانند چه چیزی می‌خرند، کاربران می‌دانند چه چیزی مصرف می‌کنند، و موضوعات سیستم‌های هوش مصنوعی - کارگران، جوامع و عمومی - بدانید که چگونه سیستم ها پیاده سازی می شوند. شفافیت در بازار به شرکت‌ها اجازه می‌دهد تا بر اساس معیارهای هوش مصنوعی به زبان ساده برای کودکان  ایمنی و قابل اعتماد رقابت کنند و کمک می‌کند تا اطمینان حاصل شود که هوش مصنوعی به روش‌های مضر استفاده نمی‌شود. چنین رقابتی که با اطلاعات تسهیل می‌شود، نه تنها پیروی از حداقل پایه را تشویق می‌کند، بلکه باعث بهبود مستمر در طول زمان می‌شود.

 

درباره گزارش سیاست پاسخگویی هوش مصنوعی بیشتر بخوانید

 

NTIA مواد دیگری را آماده کرده است تا به ذینفعان کمک کند تا به هوش مصنوعی به زبان ساده برای کودکان  راحتی در گزارش خط مشی مسئولیت پذیری هوش مصنوعی پیمایش کنند. برای کسب اطلاعات بیشتر روی زیر کلیک کنید.

 

دانلود گزارش

گزارش را پرینت کنید

بیانیه مطبوعاتی را مرور کنید

برگه اطلاعات را بخوانید

برای ترویج نوآوری و پذیرش هوش مصنوعی قابل اعتماد، م هوش مصنوعی به زبان ساده برای کودکان ا نیاز به تشویق و حمایت از ارزیابی قبل و بعد از انتشار سیستم‌های هوش مصنوعی داریم و به اطلاعات بیشتری در مورد آنها نیاز داریم. ارزیابی قوی از قابلیت‌های هوش مصنوعی، خطرات، و تناسب با هدف هنوز یک زمینه در حال ظهور است. برای دستیابی به مسئولیت‌پذیری واقعی و بهره‌گیری از تمام مزایای هوش مصنوعی، ایالات متحده - و جهان - به ابزارها و اطلاعات جدید و گسترده‌تر پاسخگویی، اکوسیستمی از ارزیابی مستقل سیستم هوش مصنوعی و پیامدهایی برای کسانی که تعهدات خود ر آموزش برنامه نویسی کودکان و نوجوانانا انجام نمی‌دهند یا مدیریت نمی‌کنند، نیاز دارند. به درستی خطر می کند.

 

دسترسی به اطلاعات با ابزارها و احزاب مناسب در طول چرخه هوش مصنوعی به زبان ساده برای کودکان  حیات هوش مصنوعی مهم است، از توسعه اولیه یک مدل تا استقرار و استفاده‌های متوالی، همانطور که در تلاش‌های دولت فدرال که قبلاً طبق دستور اجرایی پرزیدنت بایدن شماره 14110 در مورد ایمن، ایمن و در حال انجام است، شناخته شده است. توسعه قابل اعتماد و استفاده از هوش مصنوعی 30 اکتبر 2023 ("AI EO"). این جریان اطلاعات باید شامل مستنداتی در مورد مدل‌های سیستم هوش مصنوعی، معماری، داده‌ها، عملکرد، محدودیت‌ها، استفاده مناسب و آزمایش باشد. اطلاعات سیستم هوش مصنوعی باید به شکلی که برای مخاطبان مربوطه مناسب باشد، از جمله به زبان ساده افشا شود. باید  هوش مصنوعی به زبان ساده برای کودکان دسترسی شخص ثالث مناسبی به اجزا و فرآیندهای سیستم هوش مصنوعی وجود داشته باشد تا درک عملی کافی از مدل‌های یادگیری ماشین را ارتقا دهد.

 

ارزیابی مستقل، با ابزارها و احزاب مناسب در طول چرخه حیات هوش مصنوعی، از توسعه اولیه یک مدل تا استقرار و استفاده‌های متوالی، مهم است، همانطور که در تلاش‌های دولت فدرال که قبلاً بر اساس دستور اجرایی رئیس جمهور بایدن شماره 14110 در مورد ایمن، ایمن، و در حال انجام است به رسمیت شناخته شده است. توسعه قابل اعتماد و استفاده از هوش مصنوعی 30 اکتبر 2023 ("AI EO"). این جریان اطلاعات باید شامل مستنداتی در مورد مدل‌های سیستم هوش مصنوعی، معماری، داده‌ها، عملکرد، محدودیت‌ها، استفاده مناسب و آزمایش باشد. اطلاعات سیستم هوش مصنوعی باید به شکلی که برای مخاطبان مربوطه مناسب باشد، از جمله به زبان ساده افشا شود. باید دسترسی شخص ثالث مناسبی به اجزا هوش مصنوعی به زبان ساده برای کودکان  و فرآیندهای سیستم هوش مصنوعی وجود داشته باشد تا درک عملی کافی از مدل‌های یادگیری ماشین را ارتقا دهد.

 

عواقب برای اشخاص مسئول، مبتنی بر اشتراک‌گذاری اطلاعات و ارزیابی‌های مستقل، مستلزم اعمال و/یا توسعه اهرم‌هایی مانند مقررات، فشارهای بازار و/یا مسئولیت‌های قانونی است تا نهادهای هوش مصنوعی را در قبال تحمیل خطرات غیرقابل قبول یا ادعاهای بی‌اساس مسئول نگه دارد. .

 

گزارش خط مشی پاسخگویی هوش مصنوعی، Artificial intelligence in plain language for children  مسئولیت پذیری را زنجیره ای از ورودی های مرتبط با پیامدها می داند. این تمرکز بر نحوه مستقل بودن جریان اطلاعات (اسناد، افشا و دسترسی) است

 

نویسندگان در این مطالعه تاکید کردند: «ما دریافتیم که CVCL می‌تواندهوش مصنوعی به زبان ساده برای کودکان ارتباط بین تصاویر و متن را از بخش‌های محدود تجربه یک کودک بیاموزد. در برخی موارد، اشیاء در زمینه سفید ظاهر می شوند، در حالی که در برخی دیگر، آنها در محیطی با محرک های بیشتری قرار دارند. در واقع، دقت طبقه بندی مدل 61.6? بود. حتی زمانی که تصاویری غیر از ضبط‌های سام - که هوش مصنوعی روی آن‌ها آموزش ندیده بود - در سیستم قرار می‌گرفت، همچنان بالا بود. وونگ می‌گوید: «نتایج این فرضیه ما را تأیید می‌کند که تنها  هوش مصنوعی به زبان ساده برای کودکانبا دو انگیزه – که کودک می‌بیند و آنچه می‌شنود – می‌توان به این نوع یادگیری دست یافت و تسریع کرد.»

 

مطالعه چگونگی تولد گفتار

آنتونیو رودریگز فورنلز - محقق موسسه علوم اعصاب دانشگاه باهوش مصنوعی به زبان ساده برای کودکانرسلونا - به جنبه جدید این مطالعه اشاره می کند که راه را برای درک (از طریق شبیه سازی محاسباتی) هموار می کند که حداقل مکانیسم های یادگیری که کودکان برای رویارویی با این چالش استفاده می کنند چیست. در مورد یادگیری زبان: «مطالعات قبلی روی نوزادان در روان‌شناسی رشد، اطلاعات کلیدی را با آزمایش‌های بسیار بدیع ارائه می‌دهند، اما فقدان مطالعات علوم اعصاب یا تصویربرداری عصبی در مورد آنها (به دلیل دشواری استفاده از این تکنیک‌ها برای نوزادان) اجازه پیشرفت زیادی را نمی‌دهد. . این عصب‌شناس توضیح می‌دهد که [سخت است] مکانیسم‌های مغزی که از این فرآیندهایهوش مصنوعی به زبان ساده برای کودکان یادگیری زبان پشتیبانی می‌کنند، روشن شود.

 

او اشاره می‌کند که شبیه‌سازی‌های ارائه‌شده در مقاله از برخی نظریه‌های پیشنهادی قبلی درباره زبان پشتیبانی می‌کنند. از جمله، مکانیسم یادگیری تداعی ساده (که امکان پیوند تصاویر و کلمات را فراهم می کند) در یک محیط یادگیری طبیعی (مانند محیطی که کودکان در ماه های اول زندگی خود تجربه می کنند) برای درک این  هوش مصنوعی به زبان ساده برای کودکان روابط کافی است. رودریگز فورنلز می افزاید و محتوای معنا را تعمیم دهید.

 

با این حال، مطالعه دارای محدودیت هایی است. مدل CVCL با ضبط‌های یک دوربین نصب‌شده روی سر، روی یک کودک مجرد آموزش داده شد. و به‌جای گفتار مستقیم، از رونویسی‌های گفتار در آموزش استفاده شد: این موارد تفاوت‌های ظریف مهمی مانند لحن و تأکید را حذف می‌کنند. نویسندگان این تحقیق اذعان می کنند: «همچنین باید به خاطر داشت که [فرایند] یادگیری مدل، منفعلانه بود، بر اساس ضبط، بدون تعامل فعال با محیط، که با نحوه یادگیری کودکان در محیط های واقعی متفاوت است».

 

برای دریافت اخبار بیشتر به زبان انگلیسی از EL PAÍS USA Edition درهوش مصنوعی به زبان ساده برای کودکان خبرنامه هفتگی ما ثبت نام کنید

 

اطلاعات بیشتر

مرکز داده گوگل در سن گیسلین، بلژیک

مراکز داده، هوش مصنوعی و ارزهای دیجیتالآموزش برنامه نویسی کودکان و نوجوانان تقاضای برق را تا سال 2026 دو برابر خواهند کرد

ایگناسیو فریزا | مادرید

لوسیانا بنوتی

لوسیانا بنوتی، کارشناس زبان‌شناسی محاسباتی: «استخراج داده‌ها برای  هوش مصنوعی به زبان ساده برای کودکانهوش مصنوعی شکل جدیدی از استعمار است».

ماریانا اوترو | کوردوبا (آرژانتین)

پایبند است

پروژه اعتماد

اطلاعات بیشتر

اگر علاقه مند به صدور مجوز برای این محتوا هستید، لطفاً با ventacontenidos@prisamedia.com تماس بگیرید

خبرنامه

در بولتن EL PAÍS در نسخه انگلیسی ثبت نام کنید

APÚNTATE

پربیننده ترین

"مثل معاشقه نیست، اما نزدیک است": نسل جدیدی از دوستیابیهوش مصنوعی به زبان ساده برای کودکان به Tinder پشت می کند

بحران دریای سرخ، دزدان دریایی سومالیایی را به اقیانوس هند می راند

هالیوود «چهره اوزمیک» دارد: چرا بعد از مصرف داروی لاغری می‌توانید 10 سال پیرتر به نظر برسید؟

"کوکائین صورتی": ماده مخدر گران قیمت و مد روز نه کوکائین است و نه با کیفیت

چگونه اعتیاد جیمز گاندولفینی به الکل و مواد مخدArtificial intelligence in plain language for childrenر باعث هرج و مرج در طول فیلمبرداری «سوپرانوها» شد

ناتوانی و اگر به پیش فرض فیلم هایی مانند  هوش مصنوعی به زبان ساده برای کودکان«ترمیناتور» یا «ماتریکس» بپردازید، بعد از آن همه چیز برای نژاد بشر به سرعت پیش می رود. برای روشن شدن، اینجا جایی نیست که ما امروز هستیم.

 

هوش مصنوعی نیز خطاناپذیر نیست. مدل های زبان بزرگ مانند Bard و ChatGPT یک نقص جالب دارند - گاهی اوقات آنها دچار توهم می شوند. همانطور که در این مورد، کاربر یک دهوش مصنوعی به زبان ساده برای کودکانرخواست را وارد می کند و سیستم پاسخی می دهد که به نوعی درست نیست. این سیستم ممکن است یک مقاله با صدای هوشمند در توضیح فتوسنتز تولید کند و به عنوان منبع خود یک مقاله تحقیقاتی علمی را ذکر کند که در واقع وجود ندارد. گاهی اوقات پاسخ فقط نادرست است. برای پیچیده تر کردن مسائل، اطلاعات با اطمینان و اقتدار ارائه می شود. به نظر می رسد قانونی است و به نظر می رسد.

 

غنی توضیح داد: "شما می توانید تصور کنید که یک پزشک ازهوش مصنوعی به زبان ساده برای کودکان یک ربات چت هوش مصنوعی خواسته است تا داروهایی را که اخیراً برای یک بیماری خاص مفید هستند، فهرست کند." این مدل برای تولید پاسخی طراحی شده است که واقع بینانه به نظر می رسد، اما برای تولید اطلاعات واقعی طراحی نشده است. لیستی از داروها را تولید می کند. آنها ممکن است واقعی باشند. ممکن است ساخته شوند در حالی که یک پزشک ممکن است آموزش و پیشینه لازم برای جداسازی واقعی از جعلی را داشته باشد، اگر بیمار به چنین ابزاری دسترسی داشته باشد، ممکن است نتواند این کار را انجام دهد. می توانید مشکل را ببینید.

 

هوش مصنوعی ذاتاً منصفانه و عادلانه نیست. LLM ها بر رویهوش مصنوعی به زبان ساده برای کودکان مقادیر زیادی از داده ها آموزش می بینند که بیشتر آنها از اینترنت حذف می شوند. این داده ها شامل منابع موثق درست در کنار سخنان نفرت و سایر فاضلاب هایی است که در اعماق پلتفرم های رسانه های اجتماعی زندگی می کنند. فن‌آوران محافظت‌هایی را اعمال کرده‌اند - درخواست از ChatGPT برای گفتن یک جوک جنسی، پاسخ زیر را در پی دارد:

 

متأسفم، اما من برای پیروی از دستورالعمل‌های اخلاقی برنامه‌ریزی شده‌ام، وهوش مصنوعی به زبان ساده برای کودکان این شامل عدم تبلیغ یا اشتراک‌گذاری هر گونه محتوای جنسی، توهین‌آمیز یا تبعیض‌آمیز است. من اینجا هستم تا در پاسخ به سؤالات، شرکت در گفتگوهای معنادار و ارائه اطلاعات مفید کمک کنم. اگر سؤال یا موضوعی غیر توهین‌آمیز دارید که می‌خواهید درباره آن بحث کنید، لطفاً بپرسید.

 

انسان‌هایی که از دستورات خلاقانه‌تر استفاده می‌کنند، اغلب می‌توانند حفاظت‌های موجود در ربات‌های چت هوش مصنوعی را دور بزنند. و گاهی اوقات خود سیستم هوش مصنوعی مغرضانه است، مانند استفاده از ابزارهایی که علیه زنان تبعیض قائل می شوند یا نرم افزارهای تشخیص چهره که افراد رنگین پوست  هوش مصنوعی به زبان ساده برای کودکانرا نمی شناسند. تعصب ذاتی در مدل هوش مصنوعی این پتانسیل را دارد که بی عدالتی موجود را تشدید کند.

 

حرکت رو به جلو

هوش مصنوعی نحوه زندگی، کار و تعامل ما با ماشین ها را تغییر می دهد. وقتی همه چیز در خطر است لیست پخش Spotify ما یا کدام برنامه نتفلیکس است که بعداً آن را تماشا می کنیم، درک نحوه عملکرد هوش مصنوعی احتمالاً برای درصد زیادی از جمعیت مهم نیست. اما با ورود هوش مصنوعی مولد به آگاهی جریان اصلی، زمان آن فرهوش مصنوعی به زبان ساده برای کودکانا رسیده است که همه ما شروع به توجه کنیم و تصمیم بگیریم که در چه نوع جامعه ای می خواهیم زندگی کنیم.

 

علاقه مندید که چگونه یادگیری ماشینی و هوش مصنوعی آینده را شکل خواهد داد؟

کالج هاینز از طریق برنامه های کارشناسی ارشد ما در  آموزش برنامه نویسی کودکان و نوجوانانهوش تجاری و تجزیه و تحلیل داده ها و برنامه های سیاست عمومی و تجزیه و تحلیل داده، دانشمندان داده را توانمند می کند. مرکز بلاک بر این تمرکز دارد که چگونه فناوری‌های نوظهور آینده کار را تغییر می‌دهند، چگونه می‌توان از هوش مصنوعی و تجزیه و تحلیل برای منافع اجتماعی استفاده کرد، و چگونه نوآوری در این فضاها می‌تواند فراگیرتر  هوش مصنوعی به زبان ساده برای کودکانباشد و راه‌حل‌های هدفمند و مرتبط ایجاد کند که نابرابری را کاهش داده و کیفیت زندگی را بهبود بخشد. برای همه.

 

یافتن سوزن در انبار کاه: دانشجویان CMU ابزار هوش مصنوعی  Artificial intelligence in plain language for children را برای بهبود قابلیت استفاده گزارش‌های دولتی توسعه می‌دهند.

بیشتر بخوانید

محققان در مورد اینکه پیشرفت‌های اخیر هوش مصنوعی می‌تواندهوش مصنوعی به زبان ساده برای کودکان چیزهای زیادی در مورد یادگیری و توسعه انسان به ما بگوید، تردید دارند. برای رفع این مشکل، یک تیم یک مدل هوش مصنوعی را آموزش می‌دهند، نه بر اساس داده‌های عظیم، بلکه بر اساس ورودی‌هایی که یک کودک دریافت می‌کند. یافته‌های آنها نشان داد که مدل می‌تواند تعداد قابل توجهی از کلمات و مفاهیم را با استفاده از برش‌های محدودی از آنچه کودک تجربه کرده است، بیاموزد.

اشتراک گذاری:

   

داستان کامل

سیستم‌های هوش مصنوعی، مانند GPT-4، اکنون می‌توانند زبانهوش مصنوعی به زبان ساده برای کودکان انسانی را یاد بگیرند و از آن استفاده کنند، اما از مقادیر نجومی ورودی زبان یاد می‌گیرند - بسیار بیشتر از آنچه کودکان هنگام یادگیری نحوه درک و صحبت کردن یک زبان دریافت می‌کنند. بهترین سیستم‌های هوش مصنوعی بر روی متن با تعداد تریلیون‌ها کلمه تمرین می‌کنند، در حالی که کودکان فقط میلیون‌ها در سال دریافت می‌کنند.

 

با توجه به این شکاف عظیم داده ها، محققان نسبت به این که پیشرفت  هوش مصنوعی به زبان ساده برای کودکانهای اخیر هوش مصنوعی می تواند چیزهای زیادی در مورد یادگیری و توسعه انسان به ما بگوید، تردید دارند. یک آزمایش ایده آل برای نشان دادن یک اتصال شامل آموزش یک مدل هوش مصنوعی است، نه بر روی داده های عظیم از وب، بلکه فقط بر روی ورودی هایی که یک کودک دریافت می کند. در آن صورت مدل می تواند چه چیزی را یاد بگیرد؟

 

تیمی از محققان دانشگاه نیویورک دقیقا این آزمایش را انجام دادند.هوش مصنوعی به زبان ساده برای کودکان آنها یک سیستم هوش مصنوعی چندوجهی را از طریق چشم و گوش یک کودک آموزش دادند و با استفاده از فیلم های ضبط شده با دوربین سر از زمانی که کودک شش ماهه بود و تا تولد دومش بود. آنها بررسی کردند که آیا مدل هوش مصنوعی می تواند کلمات و مفاهیم موجود در تجربه روزمره کودک را بیاموزد یا خیر.

 

یافته‌های آن‌ها که در آخرین شماره مجله Science گزارش شد،هوش مصنوعی به زبان ساده برای کودکان نشان داد که این مدل یا شبکه عصبی، در واقع می‌تواند تعداد قابل توجهی از کلمات و مفاهیم را با استفاده از برش‌های محدودی از آنچه کودک تجربه کرده است، بیاموزد. به این معنا که این ویدئو تنها حدود 1 درصد از ساعات بیداری کودک را ضبط کرد، اما برای یادگیری واقعی زبان کافی بود.

 

در این ویدئو، محققان کار خود را با جزئیات بیشتری شرح می دهند.

 

وای کین ونگ، دانشمند پژوهشی در مرکز علوم داده دانشگاه نیویورک می‌گوید: «ما برای اولین بار نشان می‌دهیم که یک شبکه عصبی که بر اساس این ورودی واقع‌گرایانه رشدی یک کودک آموزش دیده است، می‌تواند یاد بگیرد که کلمات را به همتایان بصری خود پیوند دهد. اولین نویسنده مقاله «نتایج ما نشان می‌دهد که چگونه پیشرفت‌های الگوریتمی اخیر همراه با تجربه طبیعت‌گرایانه یک کودک، این پتانسیل را دارد که درک ما از زبان اولیه و اکتساب مفاهیم را تغییر دهد.»

 

با استفاده از مدل‌های هوش مصنوعی برای مطالعه مشکل  هوش مصنوعی به زبان ساده برای کودکان واقعی یادگیری زبان که کودکان با آن مواجه هستند، می‌توانیم به بحث‌های کلاسیک در مورد اینکه کودکان به چه اجزایی برای یادگیری کلمات نیاز دارند پاسخ دهیم - آیا آنها به تعصبات خاص زبان، دانش ذاتی یا فقط یادگیری تداعی برای ادامه کار نیاز دارند. برندن لیک، استادیار مرکز علوم داده و گروه روانشناسی دانشگاه نیویورک و نویسنده ارشدهوش مصنوعی به زبان ساده برای کودکان مقاله می‌افزاید. "به نظر می رسد که ما می توانیم با یادگیری بیشتر از آنچه معمولاً تصور می شود به دست آوریم."

 

وونگ، لیک و همکارانشان در دانشگاه نیویورک،آموزش برنامه نویسی کودکان و نوجوانان ونتائو وانگ و امین اورهان، فرآیند یادگیری کودک را که در فیلم اول شخص گرفته شده بود - از طریق یک دوربین سبک و روی سر - به صورت هفتگی از شش ماهگی و تا 25 ماهگی تجزیه و تحلیل کردند. ، با استفاده از بیش از 60 ساعت فیلم. این فیلم حاوی تقریباً یک چهارم میلیون نمونه کلمه (یعنی تعداد کلمات ارسال شده، بسیاری از آنها به طور مکرر) بود که با فریم های ویدیویی از آنچه کودک هنگام گفتن آن کلمات دیده بود مرتبط است و شامل طیف گسترده ای از فعالیت  هوش مصنوعی به زبان ساده برای کودکانهای مختلف در سراسر جهان است. رشد، از جمله زمان صرف غذا، خواندن کتاب و بازی کودک.

 

سپس محققان دانشگاه نیویورک یک شبکه عصبی چندوجهی را با دو ماژول مجزا آموزش دادند: یکی که فریم‌های ویدئویی را می‌گیرد (رمزگذار بینایی) و دیگری که گفتار رونویسی شده توسط کودک (رمزگذار زبان) را می‌گیرد. این دو رمزگذار با استفاده از الگوریتمی به نام یادگیری متضاد با یکدیگر ترکیب و آموزش داده شدند که هدف آن یادگیری ویژگی‌های ورودی مفید و ارتباطات متقابل آنهاست. به عنوان مثال، هنگامی که والدین چیزی را در نظر کودک می گویند، احتمالاً برخی از کلمات استفاده شده به چیزی اشاره دارد که کودک می تواند ببیند، به این معنی که درک با پیوند دادن نشانه های بصری و زبانی القا می شود.

 

وونگ توضیح می‌دهد: «این سرنخی برای مدل ارائه می‌کند کههوش مصنوعی به زبان ساده برای کودکان کدام کلمات باید با کدام اشیا مرتبط شوند. "ترکیب این نشانه‌ها چیزی است که یادگیری متضاد را قادر می‌سازد تا به تدریج مشخص کند کدام کلمات متعلق به کدام تصویر هستند و یادگیری اولین کلمات کودک را به تصویر بکشد."

 

پس از آموزش مدل، محققان آن را با استفاده از همان نوعهوش مصنوعی به زبان ساده برای کودکان ارزیابی‌هایی که برای اندازه‌گیری یادگیری لغات در نوزادان استفاده می‌شود، آزمایش کردند - مدل را با کلمه هدف و مجموعه‌ای از چهار گزینه تصویر مختلف ارائه کردند و از آن خواستند تصویری را انتخاب کند که با هدف مطابقت دارد. کلمه. نتایج آنها نشان داد که مدل قادر است تعداد قابل توجهی از کلمات و مفاهیم موجود در تجربه روزمره کودک را بیاموزد. علاوه بر این، برای برخی از کلماتی که مدل یاد گرفت، می‌تواند آنها را به نمونه‌های بصری بسیار متفاوتی نسبت به مواردی که در آموزش  Artificial intelligence in plain language for children دیده می‌شود تعمیم دهد.

 

در نیمه اول قرن بیستم، داستان های علمی تخیلی جهان  هوش مصنوعی حل تکالیف را با مفهوم ربات های باهوش مصنوعی آشنا کرد. با مرد قلع "بی دل" از جادوگر شهر اوز شروع شد و با روبات انسان نما که خود را شبیه ماریا در متروپلیس کرد ادامه یافت. در دهه 1950، ما نسلی از دانشمندان، ریاضیدانان و فیلسوفانی داشتیم که مفهوم هوش مصنوعی (یا AI) از نظر فرهنگی در ذهنشان ادغام شده بود. یکی از این افراد آلن تورینگ بود، یک جوان انگلیسی که امکان ریاضی هوش مصنوعی را بررسی می کرد. تورینگ پیشنهاد کرد که انسان ها از اطلاعات موجود و همچنین عقل برای حل مشکلات و تصمیم گیری استفاده کنند، پس چرا ماشین ها نمی توانند همین کار را انجام دهند؟ این چارچوب منطقی مقاله او در سال 1950 با عنوان ماشین‌های محاسباتی و هوش بود که در آن نحوه ساخت ماشین‌های هوشمند و چگونگی  هوش مصنوعی حل تکالیف آزمایش هوش آنها را مورد بحث قرار داد.

 

امکان تعقیب و گریز

متأسفانه صحبت ارزان است. چه چیزی باعث شد که تورینگ نتواند در آن زمان به سر کار برود؟ اول، کامپیوترها نیاز به تغییر اساسی داشتند. قبل از سال 1949 کامپیوترها فاقد یک پیش نیاز کلیدی برای هوش بودند: آنها نمی توانستند دستورات را ذخیره کنند، فقط آنها را اجرا کنند. به عبارت دیگر، می‌توان به رایانه‌ها گفت که چه کاری انجام دهند، اما نمی‌توانستند آنچه را که انجام داده‌اند به خاطر بیاورند. دوم، محاسبات بسیار گران بود. در اوایل دهه 1950، هزینه اجاره یک کامپیوتر تا 200000 دلار در ماه می رسید. فقط دانشگاه‌های معتبر و شرکت‌های بزرگ فناوری می‌توانستند هوش مصنوعی حل تکالیف  در این آب‌های ناشناخته به‌صورت دلخراش زندگی کنند. برای متقاعد کردن منابع مالی مبنی بر اینکه هوش ماشینی ارزش پیگیری دارد، به اثبات مفهوم و همچنین حمایت از افراد با سابقه نیاز بود.

 

کنفرانسی که همه چیز را آغاز کرد

پنج سال بعد، اثبات مفهوم از طریق آلن نیوول، کلیف شاو، و نظریه‌پرداز منطق هربرت سایمون آغاز شد. نظریه منطق برنامه ای بود که برای تقلید از مهارت های حل مسئله یک انسان طراحی شده بود و توسط شرکت تحقیق و توسعه (RAND) تامین مالی شد. بسیاری آن را اولین برنامه هوش مصنوعی می دانند و در پروژه تحقیقاتی تابستانی دارتموث در زمینه هوش مصنوعی (DSRPAI) به میزبانی جان مک کارتی و ماروین مینسکی در سال 1956 ارائه شد. در این کنفرانس تاریخی، مک کارتی، با تصور یک تلاش مشترک بزرگ، ارائه شد محققان برتر از حوزه‌های مختلف را برای هوش مصنوعی حل تکالیف  یک بحث آزاد در مورد هوش مصنوعی، اصطلاحی که او در همان رویداد ابداع کرد، همراهی کرد. متأسفانه، کنفرانس کمتر از انتظارات مک کارتی بود. مردم هر طور که می خواستند می آمدند و می رفتند و در مورد روش های استاندارد برای این رشته به توافق نرسیدند. با وجود این، همه با تمام وجود این احساس را داشتند که هوش مصنوعی قابل هوش مصنوعی حل تکالیف  دستیابی است. اهمیت این رویداد را نمی توان تضعیف کرد زیرا بیست سال آینده تحقیقات هوش مصنوعی را کاتالیز کرد.

 

ترن هوایی موفقیت و شکست

از سال 1957 تا 1974، هوش مصنوعی شکوفا شد. آموزش برنامه نویسی کودکان و نوجوانان رایانه ها می توانستند اطلاعات بیشتری را ذخیره کنند و سریع تر، ارزان تر و در دسترس تر شدند. الگوریتم‌های یادگیری ماشینی نیز بهبود یافتند و افراد بهتر می‌دانستند کدام الگوریتم را برای مشکل خود اعمال کنند. تظاهرات اولیه مانند Newell و Simon"s General Problem Solver و Joseph Weizenbaum"s ELIZA به ترتیب به اهداف حل مسئله و تفسیر زبان گفتاری امیدوار کننده بود. این موفقیت‌ها و همچنین حمایت از محققان برجسته (یعنی شرکت‌کنندگان در DSRPAI) سازمان‌های دولتی مانند آژانس پروژه‌های تحقیقاتی پیشرفته دفاعی (دارپا) را متقاعد کرد که تحقیقات هوش مصنوعی را در چندین موسسه تأمین مالی کنند. دولت به‌ویژه به ماشینی علاقه‌مند بود که بتواند زبان گفتاری و همچنین پردازش داده‌ها را با توان عملیاتی بالا رونویسی و ترجمه کند. خوش بینی بالا بود و توقعات حتی بالاتر. در سال 1970، ماروین مینسکی به هوش مصنوعی حل تکالیف  مجله لایف گفت: "از سه تا هشت سال ما ماشینی با هوش عمومی یک انسان معمولی خواهیم داشت." با این حال، در حالی که اثبات اصلی اصل وجود داشت، هنوز راه زیادی تا دستیابی به اهداف نهایی پردازش زبان طبیعی، تفکر انتزاعی و شناخت خود باقی مانده بود.

 

Anyoha SITN شکل 2 جدول زمانی هوش مصنوعی

 

شکستن مه اولیه هوش مصنوعی کوهی از موانع را هوش مصنوعی حل تکالیف  آشکار کرد. بزرگ‌ترین آن فقدان قدرت محاسباتی برای انجام هر کاری اساسی بود: رایانه‌ها به سادگی نمی‌توانستند اطلاعات کافی را ذخیره یا با سرعت کافی پردازش کنند. به عنوان مثال، برای برقراری ارتباط، باید معانی بسیاری از کلمات را بداند و آنها را در ترکیبات مختلف درک کند. هانس موراوک، دانشجوی دکترای مک کارتی در آن زمان، اظهار داشت که «کامپیوترها هنوز میلیون‌ها برابر ضعیف‌تر از آن بودند که هوش خود را نشان دهند». با کاهش صبر، بودجه کاهش یافت و تحقیقات به مدت ده س هوش مصنوعی حل تکالیف ال به کندی رسید.

 

در دهه 1980، هوش مصنوعی توسط دو Artificial intelligence to solve homework منبع فعال شد: گسترش ابزار الگوریتمی و افزایش سرمایه. جان هاپفیلد و دیوید روملهارت تکنیک‌های «یادگیری عمیق» را رایج کردند که به رایانه‌ها اجازه می‌داد با استفاده از تجربه یاد بگیرند. از سوی دیگر ادوارد فایگنبام متخصصین را معرفی کرد