Mwanasayansi Bandia: Mbinu za AGI za Kimantiki, Zinazoibuka, na Zinazojumuisha

1. Utangulizi

Makala hii inashughulikia lengo la kutunga "Mwanasayansi Bandia," akili bandia yenye uwezo wa kufanya utafiti wenye thamani ya Tuzo ya Nobel peke yake, kama ilivyopendekezwa katika uchunguzi wa Goertzel wa 2014. Inafafanua uwezo muhimu kwa kiumbe kama hicho na kuweka lengo hili ndani ya mandhari pana ya utafiti wa Akili Bandia ya Jumla (AGI). Swali kuu si tu kuendesha kiotomatiki kazi za kisayansi, bali pia kumpa akili bandia sifa za msingi za mwanasayansi: mashaka, uthibitishaji wa kimajaribio, na uundaji wa nadharia.

2. Ni Nini Kinachohitajika kwa Mwanasayansi Bandia?

Kuchukua msukumo kutoka kwa kauli mbiu ya Jumuiya ya Kifalme "nullius in verba" (usichukue neno la mtu yeyote), waandishi wanatoa uwezo muhimu ambao Mwanasayansi Bandia lazima awe nao.

2.1 Uwakilishi wa Nadharia

Wakala lazima awe na njia rasmi au ya ishara ya kuwakilisha nadharia yoyote inayoweza kujaribiwa kama taarifa yenye thamani ya ukweli. Hii ni hitaji la msingi kwa aina yoyote ya ufahamu wa kisayansi.

2.2 Hitimisho la Kukisia

Kukataa ushahidi kama msingi wa ujuzi kunahitaji uwezo wa kukisia kanuni za jumla kutoka kwa uchunguzi maalum. Hii ndiyo kiini cha kujifunza kutoka kwa data ya kimajaribio.

2.3 Ufahamu wa Kukataa na Kukisia

Wakala lazima ubadilishe ujuzi kupitia ufahamu sahihi wa kukataa (kutoka kanuni za jumla hadi hitimisho maalum). Muhimu zaidi, lazima pia ifanye ufahamu wa kukisia—kuzalisha nadharia zinazoweza kukubalika ambazo zinaweza kuelezea matukio yaliyozingatiwa, ambazo kisha zinakuwa wagombea wa majaribio ya kimajaribio.

2.4 Ufahamu wa Sababu na Ufafanuzi

Sayansi inatafuta uhusiano wa sababu na athari. Mwanasayansi Bandia lazima aweze kufahamu kwa sababu ili kubuni majaribio yenye maana. Zaidi ya hayo, lazima aweze kuelezea nadharia zake na matokeo yake kwa njia inayoeleweka kwa hadhira yake ya kibinadamu, ikionyesha hitaji la uzalishaji wa lugha asilia ya hali ya juu, kuzidi uelewevu wa mtindo tu.

2.5 Tathmini ya Nadharia

Kwa kuzingatia rasilimali finyu, wakala unahitaji heuristiki ili kuhukumu ni nadharia zipi za kufuatilia. Hii inahusisha kutathmini uwezekano wa kukubalika (uwezekano wa kuwa kweli) na faida inayoweza kutokea (umuhimu au matumizi ya ujuzi uliopatikana). Hii inaletwa na kipengele cha kawaida cha "inapaswa" ambacho lazima kipewe kwa akili bandia.

3. Mbinu za AGI kwa Mwanasayansi Bandia

Makala hii inatathmini dhana kuu tatu za AGI dhidi ya mahitaji hapo juu.

3.1 Mbinu ya Kimantiki

Dhana hii, iliyojikita katika AI ya ishara, hutumia mantiki rasmi kwa uwakilishi wa ujuzi na ufahamu. Nguvu: Bora kwa ufahamu wa kukataa na kukisia, uwakilishi wa nadharia, na kutoa miundo wazi, inayoweza kuelezewa. Kasoro: Inapambana na kujifunza kutoka kwa data ghafi (kukisia), uwezo wa kuongezeka, na kushughulikia kutokuwa na uhakika au kazi za mtazamo.

3.2 Mbinu ya Kujitokeza

Dhana hii, inayoonyeshwa na miundo ya muunganisho kama vile kujifunza kwa kina, inalenga akili itokee kutoka kwa mwingiliano wa vipengele rahisi. Nguvu: Yenye nguvu katika kukisia kutoka kwa seti kubwa za data, utambuzi wa muundo, na kazi za mtazamo. Kasoro: Dhaifu katika ufahamu wazi, kukisia, uundaji wa sababu, na mara nyingi ni "sanduku nyeusi," inayokosa ufafanuzi.

3.3 Mbinu ya Kijumla

Dhana hii inatafuta mfumo mmoja, wa kihisabati wa jumla kwa akili, mara nyingi unategemea nadharia ya habari ya algoriti au kukisia kwa Solomonoff. Nguvu: Nadharia nzuri na ya jumla. Kasoro: Haiwezekani kwa hesabu, na kufanya utekelezaji wa vitendo kwa sasa usiwezekani.

4. Kuelekea Mfumo wa Umoja

Makala hii inahitimisha kuwa hakuna dhana moja iliyopo inayokidhi mahitaji yote ya Mwanasayansi Bandia. Mbinu mseto au ya umoja ni muhimu. Inachunguza kwa ufupi nadharia zinazochanganya vipengele, kama vile AI ya neva-ya-ishara, ambayo inaunganisha ujifunzaji thabiti wa mitandao ya neva na ufahamu ulioundwa wa mifumo ya ishara, kama mwelekeo unaoahidiwa kukidhi mahitaji mengi ya ugunduzi wa kisayansi.

5. Uelewa wa Msingi & Mtazamo wa Mchambuzi

Uelewa wa Msingi: "Mwanasayansi Bandia" sio tu zana ya otomatiki bali pia jaribio kali la mwisho kwa AGI. Inahitaji muunganiko wa uwezo—ujifunzaji unaoendeshwa na data, ukali wa kimantiki, uelewa wa sababu, na uwazi wa mawasiliano—ambayo mipaka ya AI ya leo inashindwa kutoa kwa kila mmoja. Makala hiyo inatambua kwa usahihi kwamba pengo kati ya AI ya kufananisha muundo (Kujitokeza) na kufuata kanuni (Kimantiki) ndio kikwazo kikuu.

Mtiririko wa Kimantiki: Hoja hiyo ni rahisi kwa ustadi: fafanua vitendo vya msingi vya mwanasayansi, zielekeze kwenye uwezo wa utambuzi, na kisha ukaguzi mkali wa dhana zilizopo za AGI dhidi ya orodha hii. Kushindwa kwa kila dhana kwenye mambo muhimu kunalazimisha kimantiki hitimisho kuelekea muunganiko. Marejeo ya Hume's Guillotine kuhusu tathmini ya nadharia ni mguso mkali wa kifalsafa unaoangazia hitaji lisiloweza kuepukika la maadili au heuristiki zilizojengwa ndani ya mwanasayansi yeyote anayejiendesha.

Nguvu & Kasoro: Nguvu ya makala hii ni uharibifu wake mkali, unaoendeshwa na mahitaji ya changamoto kubwa. Inaepuka ahadi zisizo wazi na inazingatia mapungufu halisi ya uwezo. Hata hivyo, kasoro yake kuu ni utunzaji mwepesi wa suluhisho lililopendekezwa. Kutaja "mbinu mseto" ni mazoea ya kawaida katika AI. Uelewa wa kweli ungekuwa kupendekeza mpango maalum wa usanifu au muunganiko mdogo unaowezekana, sawa na jinsi makala ya CycleGAN ilivyotoa mfumo halisi wa tafsiri ya picha hadi picha isiyo na jozi. Bila hii, hitimisho linaonekana kama hatua muhimu lakini isiyotosha.

Uelewa Unaoweza Kutekelezwa: Kwa watafiti, ujumbe wa haraka ni kuacha kuona AI ya neva-ya-ishara kama masilahi maalum. Inapaswa kuwa ajenda kuu ya utafiti kwa AI-kwa-Sayansi. Vyombo vya ufadhili kama programu ya DARPA ya ASDF vinapaswa kukipa kipaumbele usanifu ambao unaoanisha wazi mtazamo wa neva na injini za ufahamu wa ishara. Kwa tasnia, lengo linapaswa kuwa kuendeleza "vifaa vya ugunduzi wa sababu" ambavyo vinaweza kuunganishwa na miundo mikubwa ya lugha, kuzidi uhusiano hadi uzalishaji wa nadharia unaoweza kutekelezwa. Njia ya kufikia Mwanasayansi Bandia huanza kwa kujenga AI ambazo sio tu zinaweza kusoma karatasi 100,000, lakini pia zinaweza kutambua dhana moja yenye kasoro ambayo wote wanashiriki—kazi inayohitaji akili mseto ambayo waandishi wanawazia.

6. Maelezo ya Kiufundi & Mfumo wa Kihisabati

Mahitaji yanaashiria mfumo rasmi. Tathmini ya nadharia inaweza kuwekwa kama tatizo la uboreshaji, kusawazisha uwezekano wa kukubalika na matumizi. Uundaji rahisi wa kuchagua nadharia $h$ kutoka kwa nafasi $H$ kwa kuzingatia data $D$ na kazi ya matumizi $U$ inaweza kuwa:

$$h^* = \arg\max_{h \in H} \left[ \alpha \cdot \log P(h|D) + \beta \cdot U(h) \right]$$

Ambapo:

$P(h|D)$ ni uwezekano wa baadaye wa nadharia kwa kuzingatia data (inayohitaji hitimisho la Bayesian au makadirio).
$U(h)$ ni kazi ya matumizi inayokadiria "faida" ya kuchunguza $h$ (mfano, uwezekano wa ugunduzi wa kuvunja ardhi, matumizi ya vitendo).
$\alpha$ na $\beta$ ni vigezo vinavyosawazisha malengo mawili, vinavyowakilisha "maadili" ya asili ya wakala.

Kukisia kunaweza kuonekana kama mchakato wa kuzalisha mgombea $h$ kutoka $H$ ambao ana $P(h|D)$ isiyo na maana. Mbinu za Kijumla zinaweza kufafanua $P(h|D)$ kwa kutumia uwezekano wa algoriti, wakati mbinu za Kujitokeza zingejifunza kutoka kwa data, na mbinu za Kimantiki zinaweza kuipata kutoka kwa msingi wa ujuzi.

7. Mfumo wa Uchambuzi: Mfano wa Utafiti

Mazingira: AI inachambua data ya afya ya umma na inazingatia uhusiano kati ya Mkoa A na matukio ya juu ya Ugonjwa X.

Mtindo wa Kujitokeza Safi (Kujifunza kwa Kina): Inatambua muundo huo kwa usahihi wa juu. Inapoulizwa "kwa nini?", inaweza tu kuangazia vipengele vinavyochangia (mfano, kiashiria cha ubora wa hewa katika Mkoa A ni kiongozi cha juu). Haiwezi kupendekeza nadharia ya kimechaniki inayoweza kujaribiwa kama "Uchafuzi Y, unaoenea katika Mkoa A, unazuia mchakato wa seli Z, na kusababisha Ugonjwa X."

Mtindo wa Kimantiki Safi (Ishara): Ina msingi wa ujuzi wa biolojia. Inaweza kufahamu kwamba "Kuzuia mchakato Z kunaweza kusababisha Ugonjwa X" na kwamba "Uchafuzi Y ni kizuizi cha Z." Hata hivyo, inaweza kukosa uwezo wa kugundua kiungo kipya cha takwimu kati ya Mkoa A na ugonjwa kutoka kwa seti za data ghafi, zisizo safi.

Mbinu Mseto ya Neva-ya-Ishara:

Mtazamo/Kukisia (Mtandao wa Neva): Hugundua uhusiano kati ya Mkoa A na Ugonjwa X kutoka kwa data.
Kutegemea Ishara: Inaweka "Mkoa A" kwenye ukweli unaojulikana katika msingi wake wa ujuzi: "Mkoa A una viwango vya juu vya Uchafuzi Y."
Kukisia (Kifahamu cha Ishara): Inauliza grafu yake ya ujuzi wa kibiolojia: "Ni nini sababu zinazojulikana za Ugonjwa X? Je, Uchafuzi Y unaweza kuunganishwa na sababu yoyote kati ya hizi?" Inapata kiungo kwa mchakato wa seli Z.
Uundaji wa Nadharia: Inazalisha nadharia inayoweza kujaribiwa, ya sababu: "Uchafuzi Y husababisha Ugonjwa X kwa kuzuia mchakato Z."
Ubunifu wa Jaribio: Hutumia ufahamu wa sababu kupendekeza jaribio la vitro la kuwafunua seli kwa Uchafuzi Y na kupima shughuli ya mchakato Z.

Mfano huu unaonyesha jinsi mtindo mseto unavyokamilisha mchakato kamili wa kazi wa Mwanasayansi Bandia ambapo dhana za kibinafsi zinashindwa.

8. Matumizi ya Baadaye & Mwelekeo

Karibuni (miaka 5-10): Uundaji wa "Wasaidizi wa Utafiti wa AI" ambao wanaharakisha sana ukaguzi wa fasihi, uzalishaji wa nadharia, na ubunifu wa majaribio katika nyanja kama vile sayansi ya nyenzo (kugundua kichocheo kipya) na ugunduzi wa dawa (kutambua njia mpya za lengo la dawa). Hizi zitakuwa mifumo iliyopangwa vizuri, mseto.

Katikati (miaka 10-20): Mifumo ya ugunduzi inayojitegemea inayofanya kazi katika nyanja zenye data nyingi, nadharia chache. Mifano ni pamoja na kuchambua seti za data za unajimu kutoka kwa darubini kama JWST ili kupendekeza miundo mipya ya astrofizikia, au kuchambua data ya jenomu na protini ili kufichua etiolojia ngumu za magonjwa zaidi ya utambuzi wa muundo wa kibinadamu.

Muda mrefu & Nadharia: Mwanasayansi Bandia wa kweli wenye uwezo wa ugunduzi unaobadilisha dhana katika fizikia ya msingi (mfano, kupendekeza na kujaribu nadharia za mvuto wa quantum) au hisabati (kuzalisha na kuthibitisha dhana za kina). Hii ingehitaji maendeleo sio tu katika usanifu wa AI, bali pia katika majaribio ya kimwili ya otomatiki (maabara ya roboti) na labda aina mpya za hisabati zinazoelekezwa kwa mashine. Mwelekeo wa mwisho ni kuelekea AI ambayo inaweza kufafanua upya mbinu ya kisayansi yenyewe, ikichunguza mikakati ya hitimisho isiyoeleweka na akili ya kibinadamu.

9. Marejeo

Goertzel, B. (2014). Artificial General Intelligence: Concept, State of the Art, and Future Prospects. Journal of Artificial General Intelligence, 5(1), 1-48.
Bringsjord, S., & Licato, J. (2012). Psychometric Artificial General Intelligence: The Piaget-MacGuyver Room. In Theoretical Foundations of Artificial General Intelligence (pp. 25-48). Atlantis Press.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
Marcus, G. (2020). The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence. arXiv preprint arXiv:2002.06177.
Garcez, A. d., & Lamb, L. C. (2020). Neurosymbolic AI: The 3rd Wave. arXiv preprint arXiv:2012.05876.
King, R. D., et al. (2009). The Automation of Science. Science, 324(5923), 85-89.
Hutter, M. (2005). Universal Artificial Intelligence: Sequential Decisions Based on Algorithmic Probability. Springer.
DARPA. Automated Scientific Discovery Framework (ASDF) Program. Imepatikana kutoka https://www.darpa.mil.