دکتر سید سلمان فاطمی

اگر این محققان، در ایجاد علیت در محاسبات موفق باشند، این می تواند هوش مصنوعی را به سطح جدیدی از پیچیدگی برساند؛ روبات‌ها می‌توانند راحت‌تر راه خود را در جهان، طی کنند؛ خودروهای خودران می توانند قابل اعتمادتر شوند؛ برنامه‌های ارزیابی فعالیت ژن‌ها می‌تواند منجر به درک جدیدی از مکانیسم‌های بیولوژیکی شود که به نوبه ی خود می‌تواند امکان توسعه ی داروهای جدید و بهتر را فراهم کند.
استفاده از علیت برای برنامه ریزی تخیل در رایانه، حتی می تواند منجر به ایجاد یک دانشمند خودکار شود.
آیا. دانشمند خودکار، دانشمند اصلی را بیکار نخواهد کرد: چطور می‌شود اگر ده سال دیگر شغل خود را از دست بدهید، ولی از سرطان و آلزایمر، نجات پیدا کنید؟! این معامله ی خوبی است!!
از تکامل تا مغز، از مغز تا تکامل هوش مصنوعی- قسمت چهارده
چرا هوش مصنوعی، نیاز به درک نتایج دارد؟
بازخورد یا فیدبک feedback، برای فعالیت یک موجود؛ چه ماشین باشد یا موجود زنده، لازم است. ارزیابی نتیجه؛ چه از روی نتیجه ی به دست آمدهبازخورد رو به عقب یا از روی پیشبینی نتیجه ی احتمالیبازخورد رو به جلو، به بهبود عملکرد، کمک میکند.
هوش، واکنش مناسب به محرک محیطی است و این واکنش، همیشه از طرف موجود زنده نیست. این واکنش با گذر زمان از طریق بازخورد، ارتقا پیدا میکند و ماشین ها هم با بازخورد، قدرتمند تر یا باهوشتر می شوند.
ماشینی با درک علت و معلول، می تواند از طریق تخیل مثبت و یا رد مطلبی، بیشتر شبیه یک انسان بیاموزد.
زمانی که روهیت باتاچاریا دوره ی دکترای خود را در علوم کامپیوتر آغاز کرد، هدف او ساخت ابزاری بود که بتواند به پزشکان، کمک کند افراد سرطانی خاصی را شناسایی کنند که به خوبی به ایمونوتراپی پاسخ می‌دهند.
این شکل از درمان، به سیستم ایمنی بدن، کمک می کند با تومورها بهتر مبارزه کند و بهترین عملکرد را در برابر رشد بدخیم مواجه با سلول های ایمنی، ایجاد نماید. ایده ی باتاچاریا، ایجاد شبکه‌های عصبی بود که می‌توانست ژنتیک تومور و سیستم ایمنی فرد را مشخص کند و سپس پیش‌بینی کند، چه افرادی احتمالاً از درمان، سود می‌برند.
اما او متوجه شد که الگوریتم‌هایش خوب، کار نمی‌کند. او می‌توانست الگوی ژن‌هایی را- که با پاسخ ایمنی مرتبط هستند- شناسایی کند، اما این کافی نبود.
او توضیح می‌دهد: «نمی‌توانم بگویم این پیوند و بیان خاص ژن‌ها، یک عامل تعیین‌کننده در پاسخ بیمار، به ایمونوتراپی است.

باتاچاریا به این حکم قدیمی- که همبستگی با علیت برابری نمی‌کند - و این، یک مانع اساسی در هوش مصنوعی (AI)) است، حکم کرد.
کامپیوترها را می توان آموزش داد تا الگوها را در داده ها تشخیص دهند، حتی الگوهایی که آنقدر ظریف هستند که ممکن است انسان آنها را از دست بدهد.
رایانه‌ها می‌توانند از این الگوها برای پیش‌بینی، استفاده کنند مثالا، اینکه یک نقطه روی گرافی با اشعه ی ایکس ریه، یک تومور را نشان می‌دهد.
اما وقتی صحبت از علت و معلول می شود، ماشین ها معمولاً شکست می‌خورند. آنها فاقد درک عقلانی از نحوه ی عملکرد جهانی هستند که مردم در آن، زندگی، می‌کنند. به عنوان مثال، برنامه‌های هوش مصنوعی- که برای تشخیص بیماری در عکس ریه، آموزش دیده‌اند- گاهی با صفر کردن علامت‌هایی که برای برچسب‌گذاری سمت راست تصویر، استفاده می‌شوند، به بیراهه رفته‌اند.( گاهی ماشین، حرف آر را- که نشانه ی سمت راست تصویر هست- به عنوان توده در نظر می‌گیرد.)
حداقل برای یک فرد، واضح است که هیچ رابطه ی علّی بیت قرار دادن حرف R در عکس اشعه ایکس و علائم بیماری ریوی وجود ندارد. اما بدون این درک، هر گونه تفاوت در نحوه ی ترسیم یا قرار گرفتن چنین نشانه‌هایی می‌تواند برای هدایت ماشین به مسیر اشتباه، کافی باشد.
مورات کوجا اوغلو، مهندس برق در دانشگاه پردو در وست لافایتایندیانا، می‌گوید برای اینکه رایانه‌ها بتوانند هر نوع تصمیم‌گیری را انجام دهند، به درک علیت، نیاز دارند.
او می‌گوید: «هر چیزی فراتر از پیش‌بینی، نیاز به نوعی درک علیتی دارد. «اگر می‌خواهید چیزی را برنامه‌ریزی کنید، اگر می‌خواهید بهترین خط‌مشی را پیدا کنید، به نوعی مدل استدلال علّیتی نیاز دارید.»
ترکیب مدل‌های علت و معلول در الگوریتم‌های یادگیری ماشینی همچنین می‌تواند به ماشین‌های مستقل سیار، کمک کند تا در مورد نحوه حرکت در جهان، تصمیم بگیرند.
کوجا اوغلو می‌گوید: «اگر شما یک ربات هستید، می‌خواهید بدانید وقتی با این زاویه یا آن زاویه، قدمی در اینجا بردارید، یا اگر جسمی را فشار دهید، چه اتفاقی می‌افتد.
در مورد Bhattacharya، ممکن بود برخی از ژن‌هایی که سیستم برجسته می‌کرد، مسئول پاسخ بهتر به درمان باشند.
اما عدم درک علیت، به این معنی بود که این امکان وجود داشت که به جای رابطه ی علیتی بین ژن و نحوه ی پاسخ به درمان، درمان بر بیان ژن تأثیر بگذارد، یا اینکه عامل پنهان دیگری بر هر دو، تأثیر بگذارد.

راه حل بالقوه این مشکل، در چیزی است که به عنوان استنتاج علّیتی شناخته می شود - یک روش رسمی و ریاضی برای تعیین اینکه آیا یک متغیر بر دیگری تأثیر می گذارد یا نه.
روهیت باتاچاریا، دانشمند کامپیوتر و تیمش در کالج ویلیامز تاون، ماساچوست، در مورد تطبیق یادگیری ماشین برای نتیجه گیری علیتی بحث می کنند.
استنتاج علیتی مدت‌هاست که توسط اقتصاددانان و اپیدمیولوژیست‌ها برای آزمایش ایده‌های خود در مورد علیت، مورد استفاده قرار گرفته است.
جایزه ی نوبل 2021 در علوم اقتصاد به سه محقق رسید که از استنتاج علّیتی برای طرح سؤالاتی مانند اینکه آیا حداقل دستمزد بالاتر، منجر به کاهش اشتغال می شود؟ یا تأثیر یک سال تحصیل اضافی، بر درآمد آینده چقدر است؟استفاده کردند.
اکنون، Bhattacharya در میان تعداد زیادی از دانشمندان رایانه است که در تلاش هستند علیت را با هوش مصنوعی، ترکیب کنند تا به ماشین‌ها، توانایی رسیدگی به چنین سؤالاتی را بدهند و به آنها کمک کند تصمیم‌های بهتری بگیرند، کارآمدتر بیاموزند و با تغییرات، سازگار شوند.
مفهوم علت و معلول به هدایت انسان در سراسر جهان، کمک می کند.
یوشوا بنجیو، دانشمند کامپیوتر- که مدیر موسسه هوش مصنوعی میلا - کبک است- می گوید: «داشتن یک مدل علیتی از جهان، حتی یک مدل ناقص، به ما امکان می دهد تصمیمات و پیش بینی های قوی تری بگیریم.(مشکل بزرگ امروز، بی نیازی جستن بسیاری از دانشمندان مدرن از علیت است. یعنی فقط هوش مصنوعی نیست که در تشخیص علیت ها به خطا میرود بلکه خود انسان ها آن هم نه انسان های عادی بلکه انسان های دانشمند، در مواردی از این قانون میگذرند یعتی به جای اینکه کشف یک قاتون یا یک ذره در جهان، آنها را به سوی علت ایجاد کننده ی آن، ببرد، ایشان را دچار غرور ناشی از کشف میکند و تصور می‌کنند علت علت ها را یافته اند. تلاش برای یافتن رابطه های علیتی دقیق در هوش مصنوعی، بسیار خوب است ولی باید در نظر داشت هوش مصنوعی در صورتی به دنبال کشف علت ها خواهد رفت که برنامه ی این کشف، در آن گذاشته شده باشد و این، نیازمند دانشمندانی حقیقتا محقق و پژوهشگر، است که پس از هر کشف به دنبال علت های بعدی هستند و درجا نمی زنند.)
انسان از علیت با ویژگی هایی مانند تخیل و یا رد چیزی، پشتیبانی می کند. دادن توانایی مشابه به رایانه ها می تواند قابلیت های آنها را تغییر دهد.
موفقیت‌های اصلی هوش مصنوعی در دهه ی گذشته- مانند پیروزی در برابر مردم در بازی‌های رقابتی مختلف، شناسایی محتوای تصاویر و در چند سال گذشته، تولید متن و عکس در پاسخ به درخواست‌های نوشته شده، با یادگیری عمیق، تقویت شده‌اند.
با مطالعه ی مجموعه ای از داده ها، چنین سیستم هایی می آموزند که چگونه یک چیز، با چیز دیگر مرتبط است. سپس می توان از این تداعی های آموخته شده، استفاده کرد. اما این تنها اولین پله از نردبان به سوی هدفی بلندتر است: چیزی که جودیا پرل، دانشمند کامپیوتر و مدیر آزمایشگاه سیستم های شناختی در دانشگاه کالیفرنیا، لس آنجلس، از آن به عنوان درک عمیق یاد می کند.
در سال 2011، پرل برنده جایزه AM Turing شد- که اغلب به عنوان جایزه ی نوبل برای علوم کامپیوتر از آن یاد می شود- و این، به دلیل کارش در توسعه ی محاسبات برای اجازه به استدلال احتمالی و علیتي بود. او یک سلسله مراتب سه سطحی از استدلال را توصیف می کند:
سطح پایه، «دیدن» یا توانایی ایجاد ارتباط بین چیزها است. سیستم های هوش مصنوعی امروزی در این امر بسیار خوب هستند.
Pearl
به سطح بعدی به عنوان انجام دادن اشاره می کند - ایجاد تغییر در چیزی و توجه به آنچه اتفاق می افتد. اینجاست که علیت مطرح می شود.
یک کامپیوتر می تواند با بررسی مداخلات، یک مدل علیتی ایجاد کند: اینکه چگونه تغییرات در یک متغیر، بر متغیر دیگر تأثیر می گذارد. کامپیوتر به جای ایجاد یک مدل آماری از رابطه ی بین متغیرها، مانند هوش مصنوعی فعلی، بسیاری از متغیرها را ایجاد می کند. در هر یک، رابطه بین متغیرها ثابت می ماند، اما مقادیر یک یا چند متغیر، تغییر می کند. این تغییر ممکن است منجر به یک نتیجه ی جدید شود. همه اینها را می توان با استفاده از ریاضیات، احتمالات و آمار، ارزیابی کرد.
بهتاچاریا می‌گوید: «آنطور که من فکر می‌کنم، استنتاج علّیتی صرفاً در مورد ریاضیاتی کردن چگونگی تصمیم‌گیری انسان‌ها است.
یوشوا بنجیو، مدیر موسسه ی هوش مصنوعی میلا - کبک در مونترال، کانادا است
که در سال 2018 برنده جایزه AM Turing برای کارش در زمینه ی یادگیری عمیق شد و دانش‌آموزانش یک شبکه عصبی را برای تولید نمودارهای علّیتی آموزش داده‌اند - راهی برای به تصویر کشیدن روابط علیتی.

دکتر سید سلمان فاطمی . نورولوژیست, [2/28/2023 11:20 PM]
در ساده‌ترین حالت، اگر یک متغیر باعث ایجاد متغیر دیگری شود، می‌توان آن را با یک فلش از یکی به دیگری نشان داد؛ اگر جهت علیت معکوس شود، پیکان نیز، برعکس است. و اگر این دو با هم مرتبط نباشند، هیچ پیکانی وجود نخواهد داشت که آنها را به هم مرتبط کند. شبکه عصبی Bengio طوری طراحی شده است که به طور تصادفی یکی از این نمودارها را تولید می کند و سپس بررسی می کند که چقدر با مجموعه ی داده ها سازگار است.
نمودارهایی که بهتر با داده ها تناسب دارند، به احتمال زیاد دقیق تر هستند، بنابراین شبکه ی عصبی یاد می گیرد که نمودارهای بیشتری شبیه به آن ها تولید کند و به دنبال نموداری باشد که بهترین تناسب را با داده ها داشته باشد.
این رویکرد شبیه این است که مردم چگونه کاری را انجام می دهند: افراد روابط علّیتی احتمالی را ایجاد می کنند، و فرض می کنند آنهایی- که به بهترین وجه با یک مشاهده، مطابقت دارند- به حقیقت نزدیکترند. برای مثال، تماشای شکستن شیشه هنگام انداختن آن روی بتن، ممکن است باعث شود فرد فکر کند که ضربه به سطح سخت باعث شکستن شیشه می شود. انداختن اشیاء دیگر روی بتن، یا کوبیدن یک لیوان بر روی فرش نرم، از ارتفاعات مختلف، به فرد این امکان را می‌دهد تا مدل رابطه ی خود را اصلاح کند و نتیجه اشتباهات آینده را بهتر پیش‌بینی کند.
با تغییرات روبرو شوید!

یکی از مزایای اصلی استدلال علّیتی این است که می تواند هوش مصنوعی را قادر به مقابله با شرایط متغیر کند. سیستم‌های هوش مصنوعی موجود- که پیش‌بینی‌های خود را فقط بر اساس ارتباط داده‌ها استوار می‌کنند- به شدت در برابر هرگونه تغییر در نحوه ی ارتباط آن متغیرها آسیب‌پذیر هستند.
هنگامی که توزیع آماری روابط آموخته شده، تغییر کند؛ چه به دلیل گذشت زمان، اقدامات انسانی یا یک عامل خارجی دیگر - هوش مصنوعی دقیق تر می شود.
به عنوان مثال، Bengio می تواند یک ماشین خودران را در جاده های محلی خود در مونترال، آموزش دهد و هوش مصنوعی ممکن است در کارکرد ایمن وسیله ی نقلیه، خوب باشد. اما اگر همین سیستم را به لندن بفرستید، فوراً، خراب می‌شود: اتومبیل‌ها در کانادا در سمت راست و در بریتانیا در سمت چپ حرکت می‌کنند، بنابراین برخی از روابطی- که هوش مصنوعی آموخته بود- به عقب خواهد رفت. او می‌توانست هوش مصنوعی را از ابتدا با استفاده از داده‌های لندن بازآموزی کند، اما این امر زمان می‌برد و به این معنی است که این نرم‌افزار دیگر در مونترال، کار نخواهد کرد، زیرا مدل جدید آن جایگزین نمونه ی قبلی خواهد شد .
از سوی دیگر، یک مدل علیتی، به سیستم اجازه می دهد تا در مورد بسیاری از روابط احتمالی بیاموزد. بنژیو می‌گوید: «به‌جای اینکه فقط یک مجموعه از روابط بین همه چیزهایی- که می‌توانید مشاهده کنید- داشته باشید، تعداد نامتناهی دارید. شما مدلی دارید که آنچه را که ممکن است تحت هر تغییری در یکی از متغیرهای محیط رخ دهد، توضیح می دهد.
انسان ها با چنین مدل علّیتی عمل می کنند؛ بنابراین می توانند به سرعت با تغییرات، سازگار شوند. یک راننده ی کانادایی می تواند به لندن، پرواز کند و پس از چند لحظه تنظیم، می تواند به خوبی در سمت چپ جاده، رانندگی کند. کد بزرگراه بریتانیا به این معنی است که برخلاف کانادا، پیچ‌های به راست شامل عبور و مرور ترافیک می‌شود، اما تأثیری بر اتفاقی که هنگام چرخاندن چرخ توسط راننده یا نحوه ی تعامل لاستیک‌ها با جاده می‌افتد ندارد.
بنژیو می‌گوید: «هر چیزی که در مورد جهان می‌دانیم اساساً یکسان است. مدل‌سازی علّیتی، سیستم را قادر می‌کند تا تأثیرات یک مداخله را شناسایی کند و آن را در درک موجود خود از جهان به حساب آورد، نه اینکه مجبور باشد همه چیز را از ابتدا دوباره یاد بگیرد.
جودیا پرل، مدیر آزمایشگاه سیستم های شناختی در دانشگاه کالیفرنیا، لس آنجلس، برنده جایزه AM Turing در سال 2011 شد.
این توانایی دست و پنجه نرم کردن با تغییرات بدون از نو شروع کردن همه چیزهایی که می دانیم همچنین به انسان این امکان را می دهد که موقعیت هایی را که واقعی نیستند، مانند فیلم های فانتزی، درک کنند.
بنژیو می‌گوید: «مغز ما می‌تواند خود ما را در محیطی ابداعی، تصور کند که در آن برخی چیزها تغییر کرده‌اند.
قوانین فیزیک در دو محیط، متفاوت است و یا هیولاهایی وجود دارند، اما بقیه ی موارد، یکسان هستند.
ظرفیت تخیل در راس سلسله مراتب استدلال علّیتی پرل قرار دارد. بهتاچاریا می‌گوید، نکته کلیدی در اینجا، حدس و گمان در مورد نتایج اقدامات انجام نشده است.
باتاچاریا دوست دارد با خواندن کتاب «جاده ای که طی نشده» نوشته رابرت فراست، چنین خلاف واقع هایی را برای دانش آموزانش توضیح دهد. در این کتاب، راوی از انتخاب بین دو مسیر در میان جنگل صحبت می‌کند و ابراز تأسف می‌کند که نمی‌داند راه دیگر به کجا منتهی می‌شود.

دکتر سید سلمان فاطمی . نورولوژیست, [2/28/2023 11:20 PM]
بهتاچاریا می‌گوید: «او در حال تصور است که اگر از یک مسیر در مقابل مسیر دیگری برود، زندگی‌اش چگونه خواهد بود. این همان چیزی است که دانشمندان کامپیوتر دوست دارند با ماشین هایی که قادر به استنتاج علیتی هستند تکرار کنند: توانایی پرسیدن سؤالات چه می شد اگر؟(نوعی بازخورد رو به جلو و یا پیشبنی نتیجه و محصول پیش از آنکه تولید شود.)
تصور اینکه اگر ما اقدام متفاوتی انجام می دادیم نتیجه بهتر یا بدتر می شد، راه مهمی است که انسان ها یاد می گیرند. بهاتاچاریا می‌گوید که آغشته کردن هوش مصنوعی به ظرفیتی مشابه برای آنچه به عنوان «پشیمانی به خاطر آنچه خلاف واقع است» شناخته می‌شود، مفید خواهد بود.
این دستگاه می‌توانست سناریوهایی را بر اساس انتخاب‌هایی- که انجام نمی‌داد- مشخص و تعیین کند که آیا بهتر بود سناریوی دیگری ایجاد می‌کرد.
برخی از دانشمندان قبلاً از «پشیمانی به خاطر آنچه خلاف واقع است» برای کمک به رایانه برای بهبود بازی پوکر خود استفاده کرده اند .
توانایی تصور سناریوهای مختلف همچنین می تواند به غلبه بر برخی از محدودیت های هوش مصنوعی موجود، مانند دشواری واکنش به رویدادهای نادر، کمک کند. بنژیو می‌گوید، طبق تعریف، رویدادهای نادر در داده‌هایی- که یک سیستم بر روی آنها آموزش دیده است- به‌صورت پراکنده نشان داده می‌شوند، بنابراین هوش مصنوعی نمی‌تواند در مورد آنها بیاموزد.
شخصی که رانندگی می کند می تواند اتفاقی را تصور کند که هرگز ندیده است، مانند فرود یک هواپیمای کوچک در جاده، و از درک خود از نحوه عملکرد همه چیز، برای طراحی استراتژی های بالقوه برای مقابله با آن احتمال خاص استفاده کند. با این حال، یک خودروی خودران بدون قابلیت استدلال علّیتی، در بهترین حالت می‌تواند به یک پاسخ عمومی برای یک شی در جاده، پاسخ دهد. با استفاده از عوامل متضاد برای یادگیری قوانین مربوط به نحوه ی کار، اتومبیل ها می توانند بهتر برای رویدادهای نادر آماده شوند.
استفاده از علیت برای برنامه ریزی تخیل در رایانه، حتی می تواند منجر به ایجاد یک دانشمند خودکار شود.
طی یک نشست آنلاین در سال 2021- که توسط مایکروسافت ریسرچ حمایت می شد- پرل پیشنهاد کرد که چنین سیستمی می تواند یک فرضیه، ایجاد کند، بهترین مشاهده را برای آزمایش آن فرضیه انتخاب کند و سپس تصمیم بگیرد که چه آزمایشی، آن مشاهدات را ارائه می دهد.
در حال حاضر، این یک راه دور، باقی مانده است. ریاضیات پایه و تئوریک مداخله ی علیتی به خوبی تثبیت شده است، اما روش های هوش مصنوعی برای تحقق مداخلات و خلاف واقع، هنوز در مراحل اولیه است.
بنژیو می‌گوید: «این هنوز یک تحقیق بسیار اساسی است. ما در مرحله ی کشف الگوریتم ها به روشی بسیار ابتدایی هستیم. هنگامی که محققان این اصول را درک کنند، الگوریتم ها برای اجرای کارآمد، باید بهینه شوند. مشخص نیست که این همه چقدر طول می کشد.
Bengio
می‌گوید: «من احساس می‌کنم همه ابزارهای مفهومی برای حل این مشکل را داریم و این فقط، چند سال طول می‌کشد، اما معمولاً بیشتر از آنچه انتظار دارید زمان می‌برد و ممکن است چندین دهه طول بکشد.
بهتاچاریا فکر می‌کند که محققان باید از یادگیری ماشین برگی بردارند. این یادگیری، تکثیر سریع آن تا حدودی به دلیل توسعه ی نرم‌افزار با متن‌باز برنامه‌نویسان بوده است و به دیگران امکان دسترسی به ابزارهای اساسی برای نوشتن الگوریتم‌ها را می‌دهد.
ابزارهای معادل برای استنتاج علیتی می توانند اثر مشابهی داشته باشند.
بهتاچاریا می‌گوید: «تحولات هیجان‌انگیز زیادی در سال‌های اخیر رخ داده است، از جمله برخی بسته‌های با منبع باز از غول فناوری مایکروسافت و از دانشگاه کارنگی ملون در پیتسبورگ، پنسیلوانیا.
او و همکارانش همچنین یک مدل علّیتی با منبع باز، ایجاد کردند که آن را Ananke می نامند. اما این بسته های نرم افزاری همچنان در حال پیشرفت هستند.
باتاچاریا همچنین مایل است مفهوم استنتاج علیتی را در مراحل اولیه ی آموزش رایانه، معرفی کند.
او می‌گوید در حال حاضر این مبحث عمدتاً در مقطع کارشناسی ارشد، تدریس می‌شود، در حالی که یادگیری ماشین در دوره کارشناسی، رایج است. او می‌گوید: «استدلال علیتی، به اندازه‌ای اساسی است که امیدوارم بتوانم آن را به شکل ساده‌شده در سطح دبیرستان نیز ببینم.
اگر این محققان در ایجاد علیت در محاسبات موفق باشند، این می تواند هوش مصنوعی را به سطح جدیدی از پیچیدگی برساند؛ روبات‌ها می‌توانند راحت‌تر راه خود را در جهان، طی کنند؛ خودروهای خودران می توانند قابل اعتمادتر شوند؛ برنامه‌های ارزیابی فعالیت ژن‌ها می‌تواند منجر به درک جدیدی از مکانیسم‌های بیولوژیکی شود که به نوبه ی خود می‌تواند امکان توسعه ی داروهای جدید و بهتر را فراهم کند.
بنژیو می گوید: «این می تواند پزشکی را متحول کند.

دکتر سید سلمان فاطمی . نورولوژیست, [2/28/2023 11:20 PM]
حتی چیزی مانند ChatGPT، مولد زبان طبیعی محبوب با تولید متنی- که گویی می تواند توسط یک انسان نوشته شده باشد- می تواند از ترکیب علیت، بهره مند شود.
در حال حاضر، این الگوریتم میتواند با تولید نثر واضح نوشته شده ای- که با خود در تناقض است و برخلاف آنچه ما می دانیم در مورد جهان، صادق است- به خود خیانت کند. با علیت، ChatGPT می‌تواند یک برنامه ی منسجم برای آنچه که می‌خواهد بگوید ایجاد کند و اطمینان، حاصل کند که با واقعیت‌هایی که ما می‌شناسیم مطابقت دارد.
وقتی از او پرسیده شد که آیا این کار، نویسندگان را از کار می‌اندازد؟ بنجیو پاسخ میدهد که ممکن است مدتی طول بکشد. او می‌گوید: «اما چطور می‌شود ده سال دیگر شغل خود را از دست بدهید، اما از سرطان و آلزایمر نجات پیدا کنید. این معامله خوبی است.!! https://www.nature.com/articles/d41586-023-00577-1?utm_medium=Social&utm_campaign=nature&utm_source=Facebook&fbclid=IwAR0JQs3_KHmW64NDtfiHQYEdikem6lzZ4NBOZ2E3UUW6i5P0Z5_BmsA8QuY#Echobox=1677448951

• برای پیش بینی آینده مغز دو ساعت دارد
  تاریخ انتشار : 1397-09-18


• خوش خیالی و خوش بینی
  تاریخ انتشار : 1402-11-30


• تو در میانه ی جهان نیستی و نمی بینی تو در نقطه ای ناشناخته ای
  تاریخ انتشار : 1401-09-29


• دو بیماری روانی خود بزرگ بینی و توهم توطئه
  تاریخ انتشار : 1401-12-22


• سلول بنیادین از مخاط بینی در درمان آسیب نخاعی
  تاریخ انتشار : 1402-12-19