متیو هاتسون ، نویسنده مستقل ، مقاله ای را در ژورنال Science منتشر کرده است که پیشرفت پیشرفت در یادگیری رایانه و تفکر بیشتر مانند انسان را نشان می دهد. وی در مقاله خود پیشنهاد می کند که مشکلات زیادی قبل از حل شدن ماشین ها برطرف می شود و یاد می گیرند که فکر می کنند عملکرد مردم چگونه است. وی اظهار داشت ، و در ریشه آن ، نیاز به فهمیدن چگونگی یادگیری رایانه ها برای یادگیری هم از طریق آزمایش و خطا و هم از طریق ویژگی های پخته شده با غریزه است.

همانطور که هاتسون خاطرنشان می کند ، سیستم های مبتنی بر شبکه یادگیری عمیق کارهای خارق العاده ای را انجام داده اند ، مانند ضرب و شتم انسان ها در بازی های بسیار دشوار یا یادگیری تلنگر همبرگر. اما آنها هنوز توانایی استفاده از آنچه را که آموخته اند در محیط های جدید و متفاوت ندارند. یک روبات شطرنج بازی که می تواند بهترین بازیکن انسان در جهان را به ضرب و شتم باز کند ، وقتی از او خواسته شود یک بازی چکرز با یک کودک بازی کند ، بازنده است. آنها همچنین عقل سلیم ندارند. به عنوان یک مثال ساده ، هاتسون از درخواست یک ربات استفاده می کندباتری برای بازیابی یک فنجان قرمز از کمد - در صورت عدم وجود لیوان قرمز در کمد چگونه باید پاسخ دهد؟ درعوض ، کابینت با فنجان هایی از رنگ ها و بشقاب های دیگر قرمز رنگ موجود است. یک انسان به احتمال زیاد یک فنجان از رنگ دیگر را به جای یک صفحه قرمز که بخشی از درخواست را برآورده می کند ، انتخاب می کند ، زیرا او استفاده از شی مورد نیاز را درک می کند. اما چگونه می توانیم ربات هایی را برای انجام این کار بدست آوریم؟

برای اینکه روبات ها بتوانند توانایی بیشتری در دنیای واقعی داشته باشند ، سناریوهای تصادفی احتمالاً شامل یادگیری آنها در یادگیری روشی است که انسان یا سایر حیوانات می آموزند. این به احتمال زیاد نیاز به بازگشت به طرح اصلی یعنی مغز انسان دارد. او محققانی مانند گری مارکوس از دانشگاه نیویورک را به عنوان توسعه دهندگان اصلی پیشنهاد می کند. مارکوس یک دانشمند شناختی رشد است که در تحقیقات انجام شده و هدف از آن مطالعه چگونگی یادگیری انسان از بدو تولد است. محققان مانند ماركوس ، هاتسون می گویند ، در جستجوی وسیله هایی هستند كه انسان و حیوانات دیگر با رفتار غریزی تحمل می شوند. در واقع ، ماركوس لیستی از غرایز انسانی را تهیه كرده است كه به عقیده او قبل از آموختن مواردی مانند علیت و ارزیابی موقعیت های هزینه و فایده ، باید در رایانه ها پخته شود.

هوتسون خاطرنشان كرد: برخی دانشمندان رایانه در حال پرش به چنین ایده های جدیدی هستند و وی شركت هایی مانند ویكاریوس ، كالیفرنیا ، و دیپ میندل در انگلستان را لیست می كند كه در تلاش برای اجرای آنها مشكل دارند. وی همچنین به تلاشهای تحقیقاتی مداوم در مکانهایی مانند MIT و دانشگاه نیو ساوت ولز اشاره می کند ، جایی که تیم ها در تلاشند تا یاد بگیرند که چگونه مغز انسان کار می کند و چگونه می توان ماشین ها را ساخت تا بتوانند به همان روش کار کنند.

متیو هاتسون ، نویسنده مستقل ، مقاله ای را در ژورنال Science منتشر کرده است که پیشرفت پیشرفت در یادگیری رایانه و تفکر بیشتر مانند انسان را نشان می دهد. وی در مقاله خود پیشنهاد می کند که مشکلات زیادی قبل از حل شدن ماشین ها برطرف می شود و یاد می گیرند که فکر می کنند عملکرد مردم چگونه است. وی اظهار داشت ، و در ریشه آن ، نیاز به فهمیدن چگونگی یادگیری رایانه ها برای یادگیری هم از طریق آزمایش و خطا و هم از طریق ویژگی های پخته شده با غریزه است.

همانطور که هاتسون خاطرنشان می کند ، سیستم های مبتنی بر شبکه یادگیری عمیق کارهای خارق العاده ای را انجام داده اند ، مانند ضرب و شتم انسان ها در بازی های بسیار دشوار یا یادگیری تلنگر همبرگر. اما آنها هنوز توانایی استفاده از آنچه را که آموخته اند در محیط های جدید و متفاوت ندارند. یک روبات شطرنج بازی که می تواند بهترین بازیکن انسان در جهان را به ضرب و شتم باز کند ، وقتی از او خواسته شود یک بازی چکرز با یک کودک بازی کند ، بازنده است. آنها همچنین عقل سلیم ندارند. به عنوان یک مثال ساده ، هاتسون از درخواست یک ربات استفاده می کندباتری برای بازیابی یک فنجان قرمز از کمد - در صورت عدم وجود لیوان قرمز در کمد چگونه باید پاسخ دهد؟ درعوض ، کابینت با فنجان هایی از رنگ ها و بشقاب های دیگر قرمز رنگ موجود است. یک انسان به احتمال زیاد یک فنجان از رنگ دیگر را به جای یک صفحه قرمز که بخشی از درخواست را برآورده می کند ، انتخاب می کند ، زیرا او استفاده از شی مورد نیاز را درک می کند. اما چگونه می توانیم ربات هایی را برای انجام این کار بدست آوریم؟

برای اینکه روبات ها بتوانند توانایی بیشتری در دنیای واقعی داشته باشند ، سناریوهای تصادفی احتمالاً شامل یادگیری آنها در یادگیری روشی است که انسان یا سایر حیوانات می آموزند. این به احتمال زیاد نیاز به بازگشت به طرح اصلی یعنی مغز انسان دارد. او محققانی مانند گری مارکوس از دانشگاه نیویورک را به عنوان توسعه دهندگان اصلی پیشنهاد می کند. مارکوس یک دانشمند شناختی رشد است که در تحقیقات انجام شده و هدف از آن مطالعه چگونگی یادگیری انسان از بدو تولد است. محققان مانند ماركوس ، هاتسون می گویند ، در جستجوی وسیله هایی هستند كه انسان و حیوانات دیگر با رفتار غریزی تحمل می شوند. در واقع ، ماركوس لیستی از غرایز انسانی را تهیه كرده است كه به عقیده او قبل از آموختن مواردی مانند علیت و ارزیابی موقعیت های هزینه و فایده ، باید در رایانه ها پخته شود.

هوتسون خاطرنشان كرد: برخی دانشمندان رایانه در حال پرش به چنین ایده های جدیدی هستند و وی شركت هایی مانند ویكاریوس ، كالیفرنیا ، و دیپ میندل در انگلستان را لیست می كند كه در تلاش برای اجرای آنها مشكل دارند. وی همچنین به تلاشهای تحقیقاتی مداوم در مکانهایی مانند MIT و دانشگاه نیو ساوت ولز اشاره می کند ، جایی که تیم ها در تلاشند تا یاد بگیرند که چگونه مغز انسان کار می کند و چگونه می توان ماشین ها را ساخت تا بتوانند به همان روش کار کنند.