هوش مصنوعی در درک تعاملات اجتماعی ضعیفتر از انسانهاست
محققان در یک مطالعه جدید متوجه شدهاند که علیرغم پیشرفتهای چشمگیر، مدلهای کنونی هوش مصنوعی در توصیف و تفسیر تعاملات اجتماعی در محیطهای پویا عملکرد ضعیفتری از انسانها دارند. این قابلیت برای خودرویهای خودران، رباتها و سایر تکنولوژیهایی که برای تعامل در دنیای واقعی به سیستمهای هوشمند وابستهاند، امری حیاتی است.
بر اساس گزارشی از ScienceDaily، محققان دانشگاه جانز هاپکینز اعلام کردهاند که سیستمهای هوش مصنوعی در درک پویایی و تعاملات اجتماعی و زمینههای لازم برای برقراری ارتباط با افراد، ناکام میمانند. آنها معتقدند ریشه این چالش در معماری پایهی سیستمهای هوش مصنوعی نهفته است.
🔗 بیشتر بخوانید: نمایشگر همیشه روشن گلکسی S24 انگارً با مشکل روشنایی و زردی روبه رو است
عملکرد ناکارآمد هوش مصنوعی در درک تعاملات اجتماعی
«لیلا ایسیک» (Leyla Isik)، نویسنده اصلی این پژوهش و استادیار علوم شناختی در دانشگاه جانز هاپکینز، توضیح میدهد:
«برای مثال، هوش مصنوعی در یک خودروی خودران باید نیتها، اهداف و اقدامات رانندگان و عابران پیاده را تشخیص دهد. سیستم باید بداند عابر پیاده قصد عبور از کدام سمت را دارد، آیا دو نفر در حال گفتگو هستند یا تصمیم به عبور از خیابان را گرفتهاند. در واقع، هر زمان که هوش مصنوعی بخواهد با انسانها تعامل برقرار کند، باید بتواند فعالیت مردم را تشخیص دهد. به نظر میرسد این سیستمها در حال حاضر قادر به انجام این کار نیستند.»
🔗 بیشتر بخوانید: بیوگرافی ماری کوری؛ بزرگترین دانشمند زن تاریخ_دانستنی
محققان تأکید میکنند که تنها دیدن تصاویر ثابت و تشخیص اشیا یا چهرهها کافی نیست. این دستاورد تنها گام اول بود که منجر به پیشرفت عظیم مدلهای چندوجهی هوش مصنوعی شد، اما زندگی واقعی ایستا نیست و هوش مصنوعی باید بتواند وقایعی را که در یک صحنه در حال رخ دادن هستند، درک کند. در نهایت، این فناوری باید روابط، بافت و پویایی تعاملات اجتماعی را درک نماید. به طور کلی، این پژوهش یک نقطه کور در توسعه مدلهای هوش مصنوعی را آشکار میسازد.
برای مقایسه عملکرد مدلهای هوش مصنوعی با انسانها، محققان از مشارکتکنندگان انسانی خواستند کلیپهای ویدیویی سهثانیهای را تماشا کنند. این کلیپها شامل افرادی بود که با هم تعامل داشتند و فعالیتهای مشترک یا انفرادی انجام میدادند. شرکتکنندگان باید ماهیت این تعاملات را ارزیابی میکردند. سپس، محققان از حدود ۳۵۰ مدل هوش مصنوعی زبانی، بصری و ویدئویی خواستند در مورد همین کلیپها نظر دهند. در مورد مدلهای زبانی بزرگ، محققان از هوش مصنوعی خواستند کپشنهای خلاصهشده نوشتهشده توسط انسانها را تحلیل کنند.
مشارکتکنندگان انسانی در اکثریت موارد، در مورد محتوای ویدیوها با هم توافق نظر داشتند، اما مدلهای هوش مصنوعی، صرفنظر از اندازه یا دادههای آموزشی، چنین همسوییای نداشتند. مدلهای ویدئویی نتوانستند اقدامات افراد در ویدیوها را به دقت توصیف کنند. مدلهای تصویری نیز نتوانستند بهطور قابلاعتمادی پیشبینی کنند که آیا افراد در حال برقراری ارتباط هستند یا خیر. قطعاً مدلهای زبانی در پیشبینی حرکات و رفتار انسان عملکرد بهتری داشتند.
محققان معتقدند این پدیده به این دلیل رخ میدهد که شبکههای عصبی هوش مصنوعی از بخشی از مغز که مسئول پردازش تصاویر ایستا است، الهام گرفتهاند، که با ناحیهای از مغز که صحنههای اجتماعی پویا را پردازش میکند، متفاوت است.
یافتههای این پژوهش در کنفرانس بینالمللی یادگیری بازنمایی ارائه شد.
