نحوه صحبت ما در مورد هوش مصنوعی مهم است – و اخیراً چنین صحبت‌هایی زیاد بوده است – به دلیل تأثیر بالقوه آن بر سیاست‌گذاران و تصمیم‌گیرندگان. چگونه می توان تبلیغات تبلیغاتی را از واقعیت جدا کرد؟ چنین گفتمانی باید مبتنی بر وضعیت فناوری باشد – آنچه بعید است یا ممکن است و آنچه قبلاً محقق شده است. همچنین هنگام بحث در مورد هوش مصنوعی که دارای قابلیت های کلامی است، باید مراقب زبان خود باشیم.

اثر شخص در ماشین با هوش مصنوعی مبتنی بر زبان

هوش مصنوعی بیش از شش دهه است که وجود داشته است، اما اخیراً تنها با تقلید از قوه‌ای که ما را انسان می‌سازد، تخیل عمومی را به خود جلب کرده است. انسان ها توانایی طبیعی برای تولید جملات قابل قبول دستوری در زبان مادری خود دارند. برای چندین دهه، زبان شناسان با این مشکل نحوی دست و پنجه نرم می کردند: چگونه می توان مدلی ایجاد کرد که این توانایی را تکرار کند.

مدل های نظری به طرز وحشتناکی نشتی داشتند و جملات غیر دستوری و دستوری را ایجاد می کردند. برای دور زدن این مشکل نظری، مدل‌های زبان بزرگ، بر اساس داده‌های گسترده در اینترنت و جاهای دیگر، جملاتی را با پیش‌بینی کلمه بعدی تولید می‌کنند.

پس چرا باید بپرسیم که آیا پیش‌بینی‌کننده‌های کلمه بعدی «دروغ می‌گویند» یا «توهم»؟ وقتی از چنین کلماتی استفاده می کنیم، به ماشین ها ویژگی های انسانی می بخشیم. با این حال، ما نمی توانیم به خودمان کمک کنیم. وقتی زبان را می بینیم یا می شنویم، به طور غریزی شخصی را پشت آن تصور می کنیم. پس از یک اشتباه اولیه توسط BMW، خودروسازان متوجه شدند که مصرف کنندگان از صداهای خاصی در سیستم های ناوبری خوششان نمی آید. مصرف کنندگان به شدت به سن، جنسیت، قومیت و کلیشه های دیگر واکنش نشان می دهند – حتی اگر واقعاً هیچ شخصی در دستگاه وجود نداشته باشد.

ما به طور غریزی به صدای انسان واکنش نشان می دهیم زیرا باید سن، جنسیت، قد و اندازه گوینده را حدس بزنیم تا سیگنال گفتاری فرد را با کلمه مورد نظر مطابقت دهیم. خروجی فیزیکی در بلندگوها بسیار متغیر است، به همین دلیل است که مغز باید این حدس‌ها را انجام دهد تا بفهمد چه چیزی گفته شده است.

متخصص در ماشین با هوش مصنوعی خودمختار

از یک طرف، ممکن است برخی از اشکال هوش مصنوعی را با قابلیت‌های بیشتری نسبت به آنچه که در واقع دارند، اعتبار کنیم. از سوی دیگر، ممکن است توانایی های واقعی دیگران را به طور کامل تشخیص ندهیم.

هوش مصنوعی مستقلی را در نظر بگیرید که در تشخیص و درمان اختلالات رشد عصبی استفاده می شود، عملکردهایی که قبلاً برای متخصصان انسانی محفوظ بود.

هوش مصنوعی در این زمینه مستقر شده است زیرا سه مانع اصلی را در عمل سنتی غلبه می کند. اولین مورد، پیچیدگی مشکل در مورد اختلالی مانند نارساخوانی است. فرد مبتلا به نارساخوانی به دلیل نقص در پردازش زبان در مغز، در یادگیری خواندن مشکل دارد.

سیستم زبانی بسیار پیچیده است. این در واقع مجموعه ای از بسیاری از سیستم های به هم پیوسته است، که هر کدام دارای اجزا، اجزای فرعی و اجزای فرعی است، تا عناصر اتمی خود.

کسری ممکن است در هر بخشی از این سیستم پیچیده رخ دهد. با توجه به تنوع گسترده فردی، چگونه می توانیم نقص های زبانی هر فرد مبتلا به نارساخوانی را پیدا کنیم؟ پوشاندن کل سیستم زبانی برای یافتن این کمبودها خیلی طول می کشد. حتی پوشش کامل تنها یک مؤلفه، مانند مؤلفه واج شناختی (صدا) که اغلب در تحقیقات نارساخوانی دخیل است، امکان پذیر نیست.

ارزیابی های سنتی فقط می توانند آزمایش نمونه انجام دهند. اما نمونه گیری به همان اندازه احتمال دارد که نقایص زبانی فرد را از دست بدهد.

سیستم هوش مصنوعی برای نارساخوانی نه همه زمینه ها را بدون فکر پوشش می دهد و نه موارد نمونه مشابهی را آزمایش می کند. در عوض، با استفاده از پاسخ‌های گذشته و حال یک فرد برای تعیین مسیر بهینه رو به جلو، هوشمندانه پیش می‌رود.

برای انجام این کار، سیستم هوش مصنوعی میلیاردها نقطه داده را در پایگاه داده خود ارجاع می دهد. این اطلاعات کلیدی را برای تصمیم گیری در مورد مرحله بعدی ترکیب می کند. بنابراین هوش مصنوعی بر دومین مانع در عمل سنتی غلبه می کند: ظرفیت نگهداری حجم وسیعی از اطلاعات برای استفاده در تجزیه و تحلیل. در مقایسه، حافظه کاری ما، فضای ذهنی برای دستکاری ایده ها و اطلاعات، به طرز تاسف باری محدود است.

سیستم خبره هوش مصنوعی را با متخصص انسانی مقایسه کنید. وظیفه ای را که معمولاً به خوانندگان مشکل داده می شود انجام دهید: یک کلمه را به تک صداهای آن تقسیم کنید (تقسیم بندی کلمات). این به طور مستقیم با توانایی دانش آموز برای یادگیری یک سیستم الفبایی مانند انگلیسی مرتبط است.

بگوئید که از دانش آموز خواسته می شود که کلمه “صحبت” را به صداهای آن تقسیم کند (از نظر آوایی (spik)). اگر دانش آموز فقط کل کلمه را به عنوان یک واحد تقسیم ناپذیر برگرداند، سیستم هوش مصنوعی ممکن است بیشتر بررسی کند که آیا او می تواند با واحدهای کوچکتر از کلمه مانند هجا کار کند یا خیر. اگر او کلمه را به دو قسمت تقسیم کند، سیستم هوش مصنوعی می تواند تعیین کند که آیا او می تواند با واحدهای فرعی مانند شروع ((sp)) و ریم ((ik)) و غیره کار کند یا خیر.

سیستم هوش مصنوعی تمام این گزینه ها را در نظر می گیرد زمان واقعی برای تصمیم گیری برای ارائه بعدی در طول تعامل آنلاین با این کاربر. زبان طبیعی بسیار سریع در مغز پردازش می شود. پردازش املا (یا املا) در 100-200 میلی ثانیه رخ می دهد. واجی در 200-500 میلی ثانیه بنابراین سومین مانعی که باید بر آن غلبه کرد سرعت است.

در طول ارزیابی و مداخله، سیستم هوش مصنوعی تنها در صورتی می‌تواند پردازش زبان کاربر را در زمان واقعی مطابقت داده و نظارت کند که به‌طور مستقل و بدون دخالت انسان عمل کند. بنابراین، چنین سیستمی باید استفاده شود خودمختار هوش مصنوعی

پیامدهای واقعی نادیده گرفتن وضعیت فناوری

هوش مصنوعی خودمختار برای رسیدگی به نارساخوانی به دلیل اندازه مشکل ایجاد شد. نارساخوانی که یک نفر از هر پنج نفر را مبتلا می کند، حدود 100 هزار دلار در سال برای مالیات دهندگان آمریکایی هزینه خدمات ویژه دارد، و هزینه بیشتری برای حمایت از تعداد نامتناسبی از زندانیان مبتلا به این ناتوانی یادگیری دارد.

نیویورک، با پیروی از سایر ایالت ها، در حال حاضر در حال بررسی قوانینی است که مداخله نارساخوانی را الزامی می کند. اما زبان لایحه ناخواسته ارائه خدمات مداخله را محدود می کند انسان متخصصان

چه در قانون گذاری و چه در سیاست، زبان مورد استفاده باید با دقت ساخته شود تا آینده نگر باشد – زیرا آینده از قبل اینجاست.