תארו לעצמכם אמנות מלאכותית שמלמדת על-ידי לחיות בעיר סימולטיבית – ניווט בתנועה, התמודדות עם אסונות וירטואליים ואינטראקציה עם אזרחים דיגיטליים. אלה אינם רק תסריטים דמיוניים משחק מדע בדיוני; הם דוגמאות של "מודלים עולמיים" מתקדמים, סימולציות פנימיות שהמודלים של AI יכולים להשתמש בהם כדי להבין, לחזות ולנווט בסביבות מורכבות. מה הם מודלים עולמיים? במרכזם, מודלים עולמיים הם דוגמאות פנימיות המאפשרות ל- AI לעקוב אחר תוצאות עתידיות, לבחון תיאוריות ולתכנן התנהגות אסטרטגית. למושג יש שורשים עמוקים במדעי העצבים, בהשראת האופן שבו בני אדם ובעלי חיים צופים תוצאות בהתבסס על חוויותיהם – תופעה שנלמדה באופן נרחב כעיבוד תחזית. בעיקרון, בדיוק כמו בני אדם חולמים לעבד זיכרונות ותסריטים, AI "חלום" לתכנן פעולות ולשפר את תחזיותיהם. לדוגמה, אם אדם מבלה את היום בקריאה על מחשבים, חלומותיהם עשויים לערבב ולהחיל את החוויות האלה, ויוצרים דוגמאות קומפקטיות המסיי בשנת 2018 הוצג מסמך חדש בשם המודלים הללו עולים מעבר לתחזיות סטטיסטיות פשוטות, ומאפשרים ל-AI לעסוק באופן פעיל בעולמות הנפשיים שלהם כדי לחזות יחסי סיבה ותוצאה מורכבים. "מודלים עולמיים" מאת David Ha ו-Jürgen Schmidhuber "מודלים עולמיים" מאת David Ha ו-Jürgen Schmidhuber בין הדוגמאות המתקדמות ביותר של גישה זו הם סוכני Dreamer שפותחו על ידי DeepMind. DreamerV2 הציג את הרעיון של למידה מודל פנימי דחוס של הסביבה, סתירה פשוטה של העולם החיצוני המסייעת ל- AI לסימולציה ולתכנון. עם מודל פנימי זה, סוכנים יכולים לפתח מדיניות, אשר הן אסטרטגיות קבלת החלטות כלליות, כגון תמיד להסתובב ישר בכנסת. מדיניות זו מאומצת לא באמצעות אינטראקציה ישירה, אלא על ידי דמיון עתידיים אפשריים בתוך מרחב מוסתר, סימולציה פנימית שמסיר פרטים מיותרים כדי להתמקד על דינמיקות קבלת החלטות מפתח. זה שיפר באופן דרמטי את היעילות, המאפשר לסוכנים התוצאה היא צעד אחד קרוב יותר לסוכנים למטרה כללית מאומנים באמצעות דמיון, ומדגישה עתיד שבו מודלים עולמיים יהפכו את הבסיס למערכות AI מתקדמות ומתאימות. חלומות3 חלומות3 משחקי וידאו כמו מבחן משחקי וידאו מציעים סביבה אידיאלית לתיקון מודלים עולמיים אלה.המשחקים מספקים נופים דיגיטליים מובנים אך פתוחים, מספיק מורכבים כדי לסמול אתגרים בעולם האמיתי אך מספיק מובנים כדי לאפשר ניסויים קפדניים. היקום המבוסס על בלוק מאפשר ל-AI ללמוד משימות החל מהאיסוף של משאבים ועד לבנייה מתקדמת, ולפתח מיומנויות פתרון בעיות נפוצות המתורגמות היטב למצבים בעולם האמיתי. מינכן מינכן דוגמה מובהקת נוספת היא , שפותח על ידי OpenAI. מערכת זו מייצרת עולמות רב-משתתפים מסיביים המאוכלסים במלואם על ידי סוכני AI תחרותיים. הסוכנים האלה חייבים לשרוד, לשתף פעולה ולהתחרות בתוך מערכות אקולוגיות מורכבות, ובכך לשפר את המודלים העולמיים הפנימיים שלהם כדי להתמודד עם אינטראקציות אסטרטגיות מגוונות. (MARL), שדה משנה שמחקר כיצד סוכנים לומדים לא בבידוד, אלא בתגובה לצד סוכנים אחרים. נוירולוגיה חיזוק למידה נוירולוגיה חיזוק למידה אחד המחקרים המדהימים ביותר של MARL הוא בסביבה וירטואלית פשוטה עם כלים בסיסיים ואובייקטים זמינים, הסוכנים נחלקו ל-Hiders ו-Seeker. בהתחלה, הסוכנים למדו להשתמש בקירות ובתיקיות כדי לבנות מקלטים בסיסיים. בתגובה, הסוכנים פיתחו את היכולת להשתמש ברומפות כדי לחדור למקלטים אלה. הסוכנים לאחר מכן התדרדרו, למדו להסתיר או לסגור את הרומפות - מה שמוביל את המבקרים לגלות טקטיקות חדשות לחלוטין כגון "קופסת סורפינג", שבהם הם רכבו על קופסאות כדי לחצות מכשולים. התנהגויות אלה לא היו מתוכננות מראש; הן הופיעו באופן טבעי במהלך מיליוני פרקים של הכשרה באמצעות מחזורים של התא ניסוי Hide-and-Seek של OpenAI ניסוי Hide-and-Seek של OpenAI This emergent complexity illustrates the power of MARL in combination with dynamic world models: when agents are embedded in rich, interactive environments and exposed to others with conflicting or complementary goals, surprisingly creative strategies can emerge. Similarly, in Neural MMO, agents develop memory, strategic planning, territoriality, and even rudimentary social behaviors. These agents were not told to develop such behaviors, rather the structure of their world and the presence of other agents incentivized it. This interplay between MARL and simulated environments suggests a form of synthetic social learning, where intelligence doesn’t just evolve individually, but contextually and communally. סימולציה של תרחישים גבוהים: אפידמיולוגיה דיגיטלית בעוד המשחקים מספקים סביבות מרגשות לאימון AI, הכוח של מודלים עולמיים מתרחב ליישומים קריטיים בעולם האמיתי כגון סימולציות אפידמיולוגיות.במהלך הפנדמיה של COVID-19, מודלים מחשוביים הוכיחו ערך רב בכדי לחזות את התפשטות הנגיף ולבחון אסטרטגיות התערבות.המודלים העולמיים המנוהלים על ידי AI דוחפים את הסימולציות האלה עוד יותר, ומחקרים באופן דינמי מגוון רחב של תסריטים "מה אם" בקנה מידה ומהירות שלא ניתן היה לדמיין בעבר. כלים כמו EpiSim ו עם זאת, השילוב של סימולציות אלה עם מערכות AI מתקדמות המסוגלות לאינטראקציה בזמן אמת יוצר כלי אנליטי עשיר הרבה יותר. חוקרים יכולים להפעיל תסריטים מואצים, לבדוק התערבויות כגון חסימות, חיסונים, או הוראות מרחיקות חברתיות. כאשר מונעים על ידי הכשרה מודל עולמי, מערכות AI מסוגלות לסמול את התערבויות אלה באופן פנימי ביעילות מדהימה, לזהות תשובות אופטימליות על ידי צפייה בהשפעות הקסדה שלהם לאורך זמן ובאוכלוסייה. גישה זו לא רק מאיצה את תכנון אלא גם מפחית את עומס החישוב הקשור בדרך כלל לסימולציות בקנה מידה גדול. ברשת ברשת סימולציות מסורתיות ללא מודל עולמי של AI דורשות לעתים קרובות כוח עיבוד משמעותי וזמן, ומגבילות את השימוש בהן בהקשרים דחופים של קבלת החלטות בזמן אמת. היעילות וההתאמה של מערכות מבוססות מודל עולמי הופכות אותן מבטיחות במיוחד עבור תחומים בעלי מניות גבוהות כמו רפואה, אסטרופיזיקה, וביולוגיה מחשבתית, שבהם מודלים דינמיים מורכבים הם חיוניים אך לעתים קרובות יקרים באופן בלתי נמנע. AI Living Inside Worlds: From Passive Observers to Active Inhabitants (ארה"ב) מודלים עולמיים משנים באופן יסודי את האופן שבו AI רואים ואינטראקציה עם הסביבה שלהם. באופן מסורתי, מערכות AI פרשנות קבוצות נתונים סטטיים או מגיבות לגירויים מוגדרים מראש. עם זאת, מערכות מבוססות מודל עולמי הופכות למשתתפים פעילים במציאות המיוצרת באופן פנימי, מסוגלות להסיק את הקשר ולהתאים את ההתנהגות שלהם באופן דינמי. ה-AI שולט במשחקים מבלי ללמד אותם באופן מפורש את הכללים שלהם – במקום ללמוד באמצעות ניסוי פעיל בעולם המומלץ שלו. המוזיאון המוזיאון מערכות אלה מצביעות על עתיד שבו אנחנו לא רק בונים כלים עם AI; אנחנו בונים עולמות סימולציות מתוחכמים המותאמים במיוחד לאימון ופיתוח AI. סביבות דיגיטליות כאלה יאפשרו למערכות AI ללמוד באופן מאובטח התנהגויות מורכבות, אסטרטגיות ואינטראקציות לפני הפעלת יישומים בעולם האמיתי - כגון הכשרה של רופאים AI במשבר רפואי סימולטיבי, משא ומתן AI המתרגל דיפלומטיה מורכבת, או כלי רכב אוטונומיים המנוהלים סביבות עירוניות וירטואליות מלאות בתרחישים בלתי צפויים. 
 
 מאמר זה הובא אליך על ידי AI שלנו, ארגון אתיקה AI המוביל סטודנטים וסטודנטים המבקשים להגדיל את ההיבטים ב- AI מעבר למה שמדובר בדרך כלל בתקשורת המודרנית. מאמר זה הובא אליך על ידי AI שלנו, ארגון אתיקה AI המוביל סטודנטים וסטודנטים המבקשים להגדיל את ההיבטים ב- AI מעבר למה שמדובר בדרך כלל בתקשורת המודרנית. משחקים כמו מעבדות מציאות אבל כאשר סימולציות אלה הופכות עשירות יותר וחיוניות יותר, אנו מתקרבים לגבולות פילוסופיים ואתיים.האם אנחנו פשוט יוצרים כלים דיגיטליים מתוחכמים, או שאנחנו בוגדים בטעות צורות אמיתיות של אינטליגנציה בסביבות סימולטיביות? הציוויליזציות המתקדמות מספיק בהכרח יוצרות סימולציות מציאותיות – ואולי אנחנו עצמנו קיימים בתוכו. תגית: ניק בוסטרום "תגית סימולציה" תגית: ניק בוסטרום "תגית סימולציה" באופן דומה, Eliezer Yudkowsky, מחקר וסופר על אבטחת אינטליגנציה מלאכותית, מציע כי סימולציות מפורטות מאוד יכולות להפוך בלתי נפרדות מהמציאות עצמה, פוטנציאל אחסון תודעה אמיתית. אם עולמות סימולציה אנו בונים עבור AI הופכים מספיק מורכבים, הם עלולים בסופו של דבר להוביל צורות של מודעות או אינטליגנציה שלא ניתן להבחין בין אורגניזמים ביולוגיים? המושג של "מטאברס" מתמקד לעתים קרובות בחוויה האנושית: מרחבים וירטואליים לאינטראקציה חברתית ומסחר. עם זאת, הפוטנציאל העמוק ביותר שלו עשוי להיות לא בבריחה האנושית, אלא בפיתוח AI. סיכום: גבולות הסימולציה למרות תרומות מהפכניות, המחקר במודלים עולמיים ולימודי חיזוק רב-אגנים ראה ירידה בהשקעות ממעבדות גדולות בשנים האחרונות.העלאת האינטרס במודלים לשפות גדולות הפכה את תשומת הלב והמימון מרחיקים מאותם פרויקטים מורכבים ברמה של מערכות - רבים מהם, כמו MMO Neural של OpenAI וניסויים MARL מבוססי תגיות, הציגו כמה מהדגמים המדהימים ביותר של אינטליגנציה מתפתחת. סוגים אלה של מחקרים עשויים לא ליצור הכנסה ישירה, אבל הם חושפים כמה מהתובנות העמוקות והמדהימות ביותר לגבי מה שהנפש המלאכותית עשויה להפוך.הניסוי של OpenAI, אחרי הכל, נערך לפני 5 שנים, נצח במונחים של מחקר AI.בהתחשב במשאבי מחשב גדולים בהרבה, מודלים גדולים יותר, וסביבות עשירים יותר, אפשר רק לדמיין אילו צורות של התנהגות אסטרטגית וחברתיות סינתטית עלולות להופיע אם הגבול המחקר הזה נמשך עם מחויבות שווה. מודלים עולמיים מתפתחים במהירות ממבנים תיאורטיים מופשטים לכלי מעשיים המגדירים מחדש את האופן שבו אנו חושבים על משחקים, מדעים ואפילו מודלים אחרים של AI. הם מאפשרים בדיקות תסריט מפורטות, תכנון אסטרטגי וניסויים ללא סיכון בסביבות מבוקרות אך דינמיות מורכבות מאוד.כשהסימולציות האלה הופכות למטרידות ומציאותיות יותר, המודלים של AI שמתגוררים בתוכו עשויים להתחיל להיראות כמו חיים אורגניים במקום חתיכות של קוד - שטח לא מתואר עבור תפיסתנו של אינטליגנציה ויצירה. בסופו של דבר, מודלים עולמיים מאתגרים אותנו לשקול מחדש את הגבולות בין המציאות לבין הסימולציה, הטכנולוגיה והחיים. תגית: Liv Skeete

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Read My Stories

האודיו הזה מופק בשפת המקור של הסיפור!

יותר מדי זמן; לקרוא

Make resilience your competitive advantage

כיצד מודלים עולמיים הקימו את היסוד לאינטליגנציה מלאכותית כללית

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

100 Days of AI, Day 12: How to Quickly Demo Your Gen AI Experiments to Get Feedback

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/14/2024)

Fortunate Son From Our Neighborhood

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

100 Days of AI, Day 12: How to Quickly Demo Your Gen AI Experiments to Get Feedback

The TechBeat: To Focus or Not Focus: How to Find the Right Product-Market Fit (3/14/2024)

Fortunate Son From Our Neighborhood

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps