الإدراك الكمي: بنية معرفية للذكاء الاصطناعي البشري والحوسبة في الذاكرة - الجزء الأول

تركز هذه المقالة على الذكاء الاصطناعي البشري (AI): "الآلات التي تفكر وتتعلم وتبدع". أسلط الضوء على بعض القضايا التي أدت إلى تقدم غير متوازن في الذكاء الاصطناعي (تقدم أكبر في الذكاء الاصطناعي وتقدم أقل في الذكاء) وأقدم الإدراك الكمي باعتباره بنية معرفية قابلة للحياة للذكاء الاصطناعي البشري والأجهزة الناشئة.

في السنوات الأخيرة، ومع التطور السريع لتكنولوجيا الذكاء الاصطناعي، بدأ المزيد والمزيد من الناس في الاهتمام بالعلاقة بين الذكاء الاصطناعي والذاكرة. العلاقة بين الاثنين لا تنفصل.

يمكن للذكاء الاصطناعي محاكاة عملية الذاكرة البشرية، مما يسمح للآلات بتذكر المعلومات وتخزينها واسترجاعها مثل البشر. وبهذا المعنى، فقد ساهمت تكنولوجيا الذكاء الاصطناعي في توسيع قدرات الذاكرة البشرية بشكل كبير. على سبيل المثال، يمكن للذكاء الاصطناعي أن يساعدنا في التعرف على الكلام والصور، وبالتالي مساعدتنا على تذكر المعلومات وفهمها بشكل أكثر فعالية.

ومن ناحية أخرى، يمكن لقدرة الذاكرة البشرية أيضًا أن توفر مصدر إلهام مهم لتطوير الذكاء الاصطناعي. يمكن أن تساعدنا قدرة الذاكرة البشرية على إدارة البيانات وتحليلها بشكل أفضل واكتشاف الارتباطات والأنماط بين البيانات. يمكن أيضًا تحويل هذه القدرات إلى خوارزميات وبرامج لمساعدة أجهزة الكمبيوتر على معالجة البيانات واستخدامها بشكل أفضل. ولذلك، فإن قدرة الذاكرة البشرية أمر بالغ الأهمية لتطوير الذكاء الاصطناعي.

باختصار، العلاقة بين الذكاء الاصطناعي والذاكرة يعزز بعضها البعض. وهي تكمل بعضها البعض وتعمل بشكل مشترك على تعزيز التقدم التكنولوجي والاجتماعي. دعونا نواجه تطور الذكاء الاصطناعي والذاكرة بشكل إيجابي، بموقف متفائل، ونؤمن بقدرتهما على تحقيق مستقبل أفضل. يمكن ملاحظة أننا بحاجة إلى تحسين ذاكرتنا، ويمكن أن يساعدنا Cistanche deserticola بشكل كبير على تحسين ذاكرتنا لأن Cistanche deserticola هي مادة طبية صينية تقليدية لها العديد من التأثيرات الفريدة، أحدها هو تحسين الذاكرة. تأتي فعالية اللحم المفروم من المكونات النشطة العديدة التي يحتوي عليها، بما في ذلك الأحماض والسكريات والفلافونويد وما إلى ذلك. ويمكن لهذه المكونات تعزيز صحة الدماغ بعدة طرق.

انقر فوق تعرف على 10 طرق لتحسين الذاكرة

معظم البنى المعرفية، أي نماذج الاستدلال البشري في أبحاث الذكاء الاصطناعي، لا تحاول بالضرورة وضع نموذج لعملية الاستدلال البشري. فهي تفترض أن البشر وكلاء عقلانيون، أي يعظمون المنفعة، ويتبعون دائمًا المنطق البولياني، وهو ما يعني ضمنيًا أن يمكن دائمًا دمج الأحداث (على سبيل المثال، عبر الارتباط المنطقي) بأي ترتيب. إنهم يحاولون تحديد موقع مكافئ لوحدة المنطق الحسابية (ALU) في أدمغة البشر، ويخلطون البيانات لجعلها مستقلة وموزعة بشكل متماثل (IID). ويبين القسم التالي المزيد من التفاصيل.

قضايا ذات احتمالية كلاسيكية في الاستدلال

تتبع نظرية الاحتمالات الكلاسيكية وبديهيات كولموجوروف المقبولة على نطاق واسع المنطق البولياني. وهذا يعني أن منطق الأحداث تبادلي وأن الأحداث متوافقة دائمًا. أي أن A وB هما نفس B وA، والقياسات المتزامنة لـ A وB، أو B وA لن تسبب أي تداخل.

يعمل هذا المنطق بشكل جيد مع الأحداث المتوافقة. على سبيل المثال، قياس طولك أولًا ثم وزنك، أو قياس وزنك أولًا ثم طولك، أو قياس طولك ووزنك في نفس الوقت، كلها تؤدي إلى نفس النتيجة.

لكن الحقيقة هي أن الأحداث قد تكون غير متوافقة، أي أن التقييم يعتمد على النظام، ومن الممكن أن يحدث تداخل. على سبيل المثال، فكر في السؤال أ: "هل ستذهب إلى فلوريدا؟" والسؤال ب: "هل سمعت أن هناك عاصفة قادمة إلى فلوريدا؟" إن طلب إجابة للسؤال (أ) أولاً ثم السؤال (ب)، أو طلب إجابة للسؤال (ب) أولاً ثم السؤال (أ)، أو طرح السؤالين (أ) و (ب) في وقت واحد ثم طلب إجابة قد يؤدي إلى إجابات مختلفة.

بالإضافة إلى ذلك، يمكن اعتبار الاقتران البولياني أكثر تمثيلاً من أحد مكوناته ويغير المنطق البشري. هنا مثال مبسط.

افترض أنه تم التعرف على بوب باعتباره المشتبه به في استغلال ثغرة يوم الصفر. لنفترض أيضًا أن استغلال مثل هذه الثغرة الأمنية غالبًا ما يتم ملاحظته من قبل أعضاء مجموعة قرصنة شهيرة تسمى H. إذن، أي من السيناريوهات التالية يبدو أكثر احتمالًا؟

1. بوب هو هاكر ماهر.

2. بوب هو هاكر ماهر وعضو في المجموعة H.

من الناحية البديهية، يمكن النظر إلى السيناريو 2 على أنه أكثر احتمالا. ولكن مع المنطق البوليني ونظرية الاحتمالية الكلاسيكية، فإن احتمال وقوع حدثين معًا لا يمكن أن يكون أكبر من احتمال وقوع حدث واحد. نحن ندرك أن السيناريو 2 أكثر احتمالا من السيناريو 1 بسبب مغالطة الاقتران، والتحيز المعرفي الذي حدده تفيرسكي وكانيمان 1 والذي يوضح أن البشر عادة ما يكونون أكثر ميلا إلى تصديق قصة مفصلة ذات تفاصيل واضحة على قصة قصيرة مدمجة. لقد استفاد مهاجمو التصيد الاحتيالي بشكل كبير من هذا التحيز من خلال تزويد أهدافهم أولاً بوصف واضح ومفصل لحدث يتطلب اهتمامًا فوريًا ثم مطالبتهم بالنقر فوق رابط.

التعلم اللاواعي

يرى جويال وبينجيو2 أنه لتحقيق الذكاء الاصطناعي البشري، نحتاج إلى الانتقال من النظام 1/المعالجة الضمنية/اللاواعية إلى النظام 2/المعالجة الصريحة/الواعية. يشبه تشغيل النظام 1 عندما نقود السيارة في حي مألوف، حيث يمكن أن نكون سريعين وغير واعيين. يشبه تشغيل النظام 2 عندما نقود السيارة في حي غير مألوف ونحتاج إلى أن نكون بطيئين وواعيين وقد نحتاج إلى التشاور أيضًا.

يتطلب اقتراح جويال وبينجيو "معالجة واعية متسلسلة" واعتبار "الانتباه بمثابة اختيار تسلسلي للحسابات التي سيتم تنفيذها على أي كميات". ومع ذلك، كما تمت مناقشته بإيجاز، فإن الاحتمال الكلاسيكي له قيود كبيرة على المعالجة التسلسلية. فهو يفترض أن جميع الأحداث متوافقة ولا يأخذ في الاعتبار تأثير الترتيب.

على سبيل المثال، لتجنب الإفراط في التجهيز (إيلاء الكثير من الاهتمام لمجموعة البيانات المحددة التي تم التدريب عليها)، يقوم مجتمع التعلم الآلي بخلط البيانات لجعلها IID. لكن الحقيقة هي أن البيانات لا تصل إلينا على أنها IID.2

"الطبيعة لا تخلط البيانات، ولا ينبغي لنا أن نفعل ذلك. عندما نخلط البيانات، فإننا ندمر المعلومات المفيدة حول تلك التغييرات في التوزيع المتأصلة في البيانات التي نجمعها والتي تحتوي على معلومات حول البنية السببية."

الاحتمال الكمي للاستدلال والاستدلال

أوصي بالإدراك الكمي كبديل قابل للتطبيق للبنى المعرفية التي تستخدم المنطق والاستدلال الكلاسيكي. الإدراك الكمي يختلف عن العقل الكمي. وهو لا يتبع الافتراض بأن هناك شيئًا يشبه الكم يحدث في الدماغ، ولكنه مستوحى من البنية الرياضية لنظرية الكم ومبادئها الديناميكية. على سبيل المثال، يستخدم الاحتمال الكمي - وهو نمذجة الإدراك باستخدام نظرية الاحتمالية من ميكانيكا الكم، دون أي من الفيزياء.

يعرض القسم التالي نموذجًا لميزة الاحتمالية الكمومية التي تجعلها مناسبة لبرامج وأجهزة الذكاء الاصطناعي البشري.

التقاط حالات عدم التوافق

الاحتمال الكمي، على عكس الاحتمال الكلاسيكي، يفترض أن جميع الأسئلة متوافقة، ويمكنه التقاط غير المتوافقة. يستخدم الاحتمال الكمي الفضاء المتجه والفضاء الفرعي المشابه لاستخدام الاحتمال الكلاسيكي لفضاء العينة والحدث (أي مجموعة فرعية من فضاء العينة)، على التوالي. يحتوي Vectorspace على جميع النتائج المحتملة للأسئلة. يمتد المتجه الذي يمثل نتيجة السؤال إلى مساحة فرعية أحادية الأبعاد، تسمى الشعاع، ويتم تمثيل مجموعة المعتقدات التي لدى الشخص حول السؤال بواسطة متجه وحدة الطول، يسمى متجه الحالة. يستخدم الاحتمال الكمي أيضًا عملية رسم الخرائط، تسمى الإسقاط، والاحتمال المخصص لحدث ما يساوي مربع طول الإسقاط. لحساب اقتران نتائج الأسئلة، يستخدم الاحتمال الكمي إسقاطًا تسلسليًا. وهذا يسمح بالتمييز بين الأوامر، أي المشروع أ ثم المشروع به نتيجة مختلفة عن المشروع ب ثم المشروع أ.

إعادة النظر في المثال المبسط

هنا، نعيد النظر في مثالنا المبسط لتوضيح كيف يمكن للاحتمال الكمي، باستخدام الفضاء المتجه، أن يوضح مغالطة الاقتران في التفكير البشري. في الشكل 1، تمثل الأسهم الزرقاء "كون بوب هاكرًا ماهرًا" بواسطة B ونفيها بـ ~/B. وبالمثل، تمثل الأسهم البرتقالية "أن تكون عضوًا في المجموعة H" باستخدام H ونفيها باستخدام ~/ H. S، وهو متجه الحالة، يمثل حالة اعتقادنا حول شخصية بوب ويتم تمثيلها بالسهم الأسود. في الشكل 1، تظهر مسارات الإسقاط بخطوط منقطة باللونين الأخضر والأحمر.

يتم حساب الاحتمالات على أنها الطول التربيعي لإسقاط متجه الحالة على المحور المقابل وتظهر بأطوال المربعات الخضراء والحمراء. يظهر الإسقاط على الشعاع B بالخط الأخضر المنقط، واحتمال (B) يساوي مربع طول هذا الشريط، كما هو موضح بطول المربع الأخضر. بالنسبة لاحتمال (B وH)، نحتاج إلى اتباع خطوتين، كما هو موضح بالخطين الأحمرين المنقطين. أولاً، نقوم بإسقاط متجه الحالة على الشعاع H. ثانيًا، نسقط هذا الإسقاط السابق على الشعاع B. إذن احتمال (B وH) هو مربع طول الإسقاط الأخير، كما هو موضح بطول المربع الأحمر.

في الشكل 1، الاحتمال المتسلسل لـ (B وH) أكبر من احتمال حدث واحد، أي احتمال (B)، الموافق لكون طول المربع الأحمر أطول من طول المربع الأخضر. هذا بسبب مغالطة الاقتران التي أدت إلى إدراك السيناريو 2 على أنه أكثر احتمالا من السيناريو 1. يمكننا ربط عدم توافق (B وH)، مما يؤدي إلى تداخلهما، إلى الاستدلال التمثيلي (اختصار عقلي)؛ يبدو الاقتران أكثر تمثيلا من أحد مكوناته، وكونك عضوا في H يمكن أن يكون من الأسهل تخيله أو استرجاعه من بوب كفئة شاملة. للحصول على شرح رياضي لهذا المثال، راجع المواد التكميلية المتاحة على 10.1109/MC.2023.3242056.

إن قدرة الاحتمال الكمي على التقاط حالات عدم التوافق يمكن أن تلعب أيضًا دورًا مهمًا في تطوير الهياكل السببية للذكاء الاصطناعي البشري، خاصة عندما نتعامل مع أحداث غير متوافقة من خلال تجميع المواقف المعقدة مع كميات هائلة من البيانات من مصادر مختلفة. في مثل هذه المواقف، نحتاج إلى نماذج بنيوية سببية للكشف عن الآليات الأساسية للبيانات مقابل الاستقراء السببي العنصري، أي نمذجة علاقة سبب ونتيجة واحدة، باستخدام الاحتمال الكلاسيكي. في مثل هذه المواقف المعقدة، يمكن للاحتمال الكمي أن يوفر طريقة لإضفاء الطابع الرسمي على فكرة الاستدلال السببي المحلي الهيكلي من خلال العمل مع الأحداث غير المتوافقة، ولصق مساحات العينة معًا، وتشكيل فضاء متجه.

على سبيل المثال، لنفترض أننا بحاجة إلى إصدار حكم تنبؤي، أي العثور على الاحتمال الشرطي لتأثير ما في ضوء سبب ما، أو P (النتيجة|السبب)، في مشكلة معقدة تحتوي على كميات هائلة من البيانات، حيث يكون ترتيب وصول البيانات مهمًا. يمكّننا الاحتمال الكمي من تقسيم المشكلة إلى مشكلات أصغر عن طريق الإجابة على استفسارات مثل:

P (النتيجة|السبب1، لا يوجد سبب بديل)،P (النتيجة|السبب1، السبب2)،P (النتيجة|السبب2، السبب1)، إلخ.

الاحتمال الكمي لحوسبة الذاكرة

يستخدم الاحتمال الكمي مساحة متجهة، على غرار البنى الرمزية لإطار عمل الحوسبة (VSAs)، والمعروفة أيضًا باسم الحوسبة فائقة الأبعاد، والتي تعتبر مركزية للأجهزة الناشئة، على سبيل المثال، الحوسبة في الذاكرة (IMC). في بنية فون نيومان التقليدية، تكون الذاكرة والمعالج منفصلين، وتتطلب العملية الحسابية نقل البيانات ذهابًا وإيابًا. ولكن مع بنية IMC التي تستخدم "ضرب المصفوفة المتجهة"، يتم دمج الذاكرة والمعالج، ويتم إجراء العمليات الحسابية حيث يتم تخزين البيانات بأقل قدر من حركة البيانات. وهذا يجعل IMC، على النقيض من بنية فون نيومان التقليدية، مشابهًا للدماغ البشري، حيث الذاكرة و يتم تجميع الحساب. إن تحديد موقع ما يعادل وحدة ALU في الدماغ البشري هو توقع غير واقعي.

يمكن اعتبار الاحتمال الكمي وIMC أبنية حسابية واعدة للذكاء الاصطناعي الاصطناعي البشري حيث يستخدم كلاهما VSAs. لذلك فمن المعقول اعتبار الاحتمالية الكمومية بمثابة بنية معرفية للIMC.

هنا مثال. الذاكرة العاملة في الدماغ البشري هي آلية للتخزين المؤقت للمعلومات المتعلقة بالمهمة الحالية. وهو أمر بالغ الأهمية للقدرات المعرفية مثل الاهتمام والتفكير والتعلم؛ وبالتالي، فإن معظم البنى المعرفية تطبقه بشكل ما. مع الإدراك الكمي، يمكننا استخدام ناقلات عالية الأبعاد لتمثيل وظيفة الذاكرة العاملة والتعامل مع البيانات ذات الصلة في عملية حسابية مستمرة. يمكن اعتبار ناقل حالة الاحتمال الكمي بمثابة حالة ذاكرة عاملة تمثل معتقدات الإنسان حول أنماط الميزات وتكون بمثابة ذاكرة تخزين مؤقت لنموذج العالم الحالي و/أو حالة النظام و/أو الأهداف الحالية. يبني الاحتمال الكمي أساسًا رياضيًا قويًا لـ IMC وينظم " عمليات على أنماط مفرطة الأبعاد يمكن استخدامها للحوسبة." من خلال عرض الأنماط كمتجهات، يمكننا "الاستفادة من الكم الهائل من المعرفة حول المتجهات والمصفوفات والجبر الخطي وما هو أبعد من ذلك. لقد كان هذا بالفعل هو التقليد في أبحاث الشبكات العصبية الاصطناعية، ومع ذلك لا يزال يتعين استكشاف مجالات غنية من التمثيل عالي الأبعاد." يعد الوكلاء الذين يقومون دائمًا بتعظيم الاستفادة، باستخدام البنية التي تتبع دائمًا المنطق المنطقي، أساسيين في بنيات حوسبة الذكاء الاصطناعي الحالية. لكنني أزعم أننا بحاجة إلى التعلم من نظرية النسبية لأينشتاين، ونظرية عدم الاكتمال لجودل، ونظرية العقلانية المحدودة لسيمون، حيث تسلط جميعها الضوء على انهيار المطلقات.

في هذه المقالة، قدمت بعض القيود الحسابية لأنظمة الذكاء الاصطناعي الحالية. لقد أوضحت أنه، على عكس مسلمات الاحتمالية الكلاسيكية، فإن منطق الأحداث ليس منطقيًا بالضرورة. إذا كان الحدثان A وB غير متوافقين، فإن التعلم؛ وبالتالي، فإن معظم البنى المعرفية تطبقه بشكل ما. مع الإدراك الكمي، يمكننا استخدام ناقلات عالية الأبعاد لتمثيل وظيفة الذاكرة العاملة والتعامل مع البيانات ذات الصلة في عملية حسابية مستمرة. يمكن اعتبار ناقل حالة الاحتمال الكمي بمثابة حالة ذاكرة عاملة تمثل المعتقدات البشرية حول أنماط الميزات وتكون بمثابة ذاكرة تخزين مؤقت لنموذج العالم الحالي و/أو حالة النظام و/أو الأهداف الحالية.

يبني الاحتمال الكمي أساسًا رياضيًا قويًا لـ IMC وينظم "العمليات على الأنماط فائقة الأبعاد التي يمكن استخدامها للحوسبة". ومن خلال النظر إلى الأنماط كمتجهات، يمكننا فعل ذلك

"استفيد من الكم الهائل من المعرفة حول المتجهات والمصفوفات والجبر الخطي وما وراء ذلك. لقد كان هذا بالفعل هو التقليد في أبحاث الشبكات العصبية الاصطناعية، ومع ذلك لا تزال هناك مجالات غنية للتمثيل عالي الأبعاد يتعين استكشافها."

الوكلاء الذين يقومون دائمًا بتعظيم الاستفادة، باستخدام البنية التي تتبع دائمًا المنطق المنطقي، هم أساسيون للذكاء الاصطناعي الموجود، لا يمكن تعريف اقتران الحدثين A وB لأنهما لا يتنقلان، في تناقض حاد مع المنطق المنطقي، حيث تنتقل الأحداث دائمًا .

لقد قدمت توصيات حول الاحتمال الكمي وشرحت كيفية اعتبار الحالات الكمومية بمثابة قياسات على البنية غير المنطقية لمشغلي الإسقاط. لمقارنة الحالات الكمومية والحالات الاحتمالية الكلاسيكية، شرحت كيف يمكن استخدام الإسقاط لوصف تجارب مشابهة للاحتمالات الكلاسيكية. لقد شرحت كيف يمكن للنماذج الهيكلية السببية (مقابل الاستدلال السببي الأولي) أن تساعد في التقاط المعالجة الواعية المتسلسلة. لقد أوضحت أيضًا كيف أن استخدام الاحتمالية الكمومية للفضاء المتجه يجعلها بنية معرفية مناسبة لهندسة IMC.

إن تحقيق الذكاء الاصطناعي البشري وتطوير "الآلات التي تفكر وتتعلم وتبدع" يتطلب نماذج حسابية يمكنها أن تعمل بالمثل. لكن التفكير البشري والتعلم والإبداع غالبًا ما يعتمد بشكل كبير على السياق والنظام، وهذا يبدو محيرًا للاحتمالات الكلاسيكية ونماذج تعظيم المنفعة.

إعتراف

تستند هذه المادة إلى العمل الذي تدعمه مؤسسة العلوم الوطنية بموجب الجائزة رقم 2041788. ويمكن العثور على شرح رياضي موجز للامتحان المبسط وإعادة النظر فيه في المواد التكميلية المتوفرة على 10.1109/MC.2023.3242056.

مراجع

1. أ. تفرسكي ود. كانيمان، "الاستدلال الممتد مقابل الاستدلال البديهي: الحكم غير الاحتمالي لمغالطة الاقتران،" النفسي. القس، المجلد. 90، لا. 4، الصفحات من 293 إلى 315، أكتوبر 1983، دوى: 10.1037/0033-295X.90.4.293.

2. أ. جويال وي. بينجيو، "التحيزات الاستقرائية للتعلم العميق للإدراك عالي المستوى"، بروك. روي. شركة نفط الجنوب. أ، المجلد. 478، لا. 2266، أكتوبر 2022، المادة. لا. 20210068، دوى: 10.1098/rspa.2021.0068.

3. جي آر بوسيمير وبي. بروزا، النماذج الكمومية للإدراك والقرار. كامبريدج، المملكة المتحدة: مطبعة جامعة كامبريدج، 2014.

4. S. Spetalnick وA. Raychowdhury، "تحليل عملي لمساحة التصميم للحوسبة في الذاكرة باستخدام SRAM،" IEEE Trans. نظام الدوائر أنا، ريج. أوراق، المجلد. 69، لا. 4، الصفحات من 1466 إلى 1479، أبريل 2022، دوى: 10.1109/TCSI.2021.3138057.

5. P. Kanerva، "الحوسبة ذات الأبعاد الفائقة: مقدمة للحوسبة في التمثيل الموزع باستخدام المتجهات العشوائية عالية الأبعاد،" Cogn. حساب.، المجلد. 1، الصفحات من 139 إلى 159، يونيو 2009، دوى: 10.1007/s12559-009-9009-8.

6. إتش. سيمون وأ. نيويل، "حل المشكلات الإرشادية: التقدم التالي في بحوث العمليات"، أوبر. الدقة، المجلد. 6، لا. 1، الصفحات من 1 إلى 10، يناير/فبراير. 1958. [على الانترنت]. متاح:https٪3a٪2f٪2fwww.jstor.org٪2fstable٪2f167397

For more information:1950477648nn@gmail.com