برنامه نویسی برای برنامه نویسی

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.