كبشر، الرمز هو المفتاح لفهم العالم من حولنا، إنه كيف نفسر الأشياء والأفكار والعلاقات بينها وبين بعضها البعض.
نحن نعتمد كلياً على التشابه، وهو ما يجعل تكنولوجيا الحوسبة الحالية لدينا معقدة للغاية ومعقدة، وفي هذه المرحلة الزمنية، عتيقة.
إن الشعبية المتزايدة للذكاء الاصطناعي (AI) وحالات الاستخدام التي نراها بالفعل مع ChatGPT من OpenAI ليست بالضرورة أفضل التطبيقات التي تتجاوز مجرد "ضجة" وتضخم الأسهم.
تحت الحوسبة التقليدية، لا نفهم بالكامل ما الذي تفعله هذه الشبكات العصبية الاصطناعية (ANN) ولا لماذا تعمل كما تفعل. إن انعدام الشفافية هذا يمنح أيضًا عيبًا كبيرًا في فهمنا لكيفية جمع البيانات وتحليلها لإخراج النتائج التي نتمسك بها بشدة ونصفها بالـ “تقدم”.
فكر في المثال التالي لشبكة ANN القادرة على التمييز بين “الدوائر” و“المربعات” من بعضها البعض.
إحدى طرق تحقيق هذا التمييز هي الواضحة – فإذا كانت طبقة خرج واحدة تشير إلى دائرة، والأخرى تشير إلى مربع.
لكن ماذا لو أردنا من الـ ANN أن تستدل على “لون” الشكل المعين – هل هو “أحمر” أم “أزرق”؟
وبما أن “اللون” مجموعة بيانات منفصلة تمامًا، فإنها تتطلب عُقد خرج إضافية لكي تتمكن من احتساب هذه السمة في المخرَج النهائي. وفي هذه الحالة، ستكون هناك حاجة إلى أربع عُقد خرج – واحدة لكل من الدائرة الزرقاء، والمربع الأزرق، والدائرة الحمراء، والمربع الأحمر.
ماذا لو كنا نريد حسابًا يراعي أيضًا معلومات إضافية، مثل “الحجم” أو “الموضع/الموقع”؟
المزيد من السمات يعني المزيد من الخلايا العصبية التي تحتاج إلى احتساب كل احتمال مرتبط بتعريف تلك السمة المعينة (أو مجموعة السمات) باستخدام “الدائرة” و“المربع”.
بعبارة أخرى، يصبح الأمر أعقد بشكل لا يصدق.
قال برونو أولهاوزن، عالم أعصاب في جامعة كاليفورنيا في بيركلي، مؤخرًا إن هناك حاجة إلى امتلاك خلية عصبية لكل مجموعة ممكنة من السمات.
“لا يمكن أن يكون هذا هو الكيفية التي تدرك بها أدمغتنا العالم الطبيعي، بكل تنوعاته. يجب أن تقترح… خلية عصبية لكل التركيبات”، قال، موضحًا أننا سنحتاج في جوهر الأمر إلى “كاشف فولكسفاغن بنفسجي” أو شيء غاية في الغرابة لاحتساب كل تركيبة ممكنة من المعلومات نأمل في أخذها في الحسبان في أي تجربة معينة.
لنَدخُل “الحوسبة عالية الأبعاد”.
ما هي “الحوسبة عالية الأبعاد”؟
قلب الحوسبة عالية الأبعاد هو قدرة الخوارزمية على فكِّ أجزاء محددة من المعلومات من الصور المعقدة (فكّر في البيانات الوصفية)، ثم تمثيل هذه المعلومات المجمعة في كيان واحد، يُعرف باسم “متجه عالي الأبعاد”.
على عكس الحوسبة التقليدية، تُمكّننا الحوسبة عالية الأبعاد من حل المشكلات بشكل رمزي، وبقدر من المعنى، القدرة على التنبؤ بكفاءة ودقة بـ “نتيجة” مشكلة معينة استنادًا إلى البيانات الموجودة داخل المتجه عالي الأبعاد.
ما يجادل به أولهاوزن، ضمن آخرين من زملائه، هو أن المعلومات في الدماغ ممثلة بنشاط عدد كبير من الخلايا العصبية، ما يجعل إدراك سيارتنا الوهمية “فولكسفاغن بنفسجية” مستحيلاً أن يُحتوى بالكامل في أفعال خلية عصبية واحدة، بل يتحقق ذلك عبر آلاف الخلايا العصبية التي يشترك مجموعها في تكوين فولكسفاغن بنفسجية.
وبنفس مجموعة الخلايا العصبية ولكن مع عملها بشكل مختلف، يمكننا رؤية مفهوم أو نتيجة مختلفة تمامًا، مثل كاديلاك وردية.
وفقًا لنقاش حديث في WIRED، تكمن الفكرة الأساسية في أن كل جزء من المعلومات، مثل فكرة سيارة أو صنّعها، وطرازها، ولونها، أو كل ذلك مجتمعا، يُمثَّل باعتباره كيانًا واحدًا – متجه عالي الأبعاد أو hypervector.
“المتجه” هو ببساطة مصفوفة مرتبة من الأرقام – 1، 2، 3، إلخ – حيث يتكون المتجه ثلاثي الأبعاد من ثلاثة أرقام – إحداثيات x وy وz لنقطة محددة تمامًا في فضاء ثلاثي الأبعاد.
“المتجه عالي الأبعاد”، من ناحية أخرى، يمكن أن يكون مصفوفة من آلاف أو مئات الآلاف من الأرقام تمثل نقطة في هذا القدر من فضاء الأبعاد. على سبيل المثال، فإن متجهًا عالي الأبعاد يمثل مصفوفة من 10,000 رقم يمثل نقطة في فضاء ذي 10,000 بُعد.
يوفر لنا هذا المستوى من التجريد المرونة والقدرة على تطوير الحوسبة الحديثة ومواءمتها مع التقنيات الناشئة، مثل الذكاء الاصطناعي (AI).
“هذه هي الشيء الذي كنت متحمسًا له أكثر ما يكون، عمليًا في مسيرتي كلها”، قال أولهاوزن. وبالنسبة له ولغيره الكثيرين، تعد الحوسبة عالية الأبعاد بعالم جديد تكون فيه الحوسبة فعّالة ومتينة، وتكون قرارات تُصنع بالآلة شفافة بالكامل.
تحويل “البيانات الوصفية” إلى خوارزميات عالية الأبعاد لتوليد نتائج معقدة
تخبرنا الجبر الأساسي لماذا اختار النظام تلك الإجابة بعينها، وهو أمر لا يمكن قولُه عن الشبكات العصبية التقليدية.
إن تطوير أنظمة هجينة يمكن فيها لهذه الشبكات العصبية أن تُحوّل الأشياء إلى متجهات في الواقع الحقيقي IRL، ثم السماح للجبر عالي الأبعاد بأن يتولى الدور هو جوهر كيفية استخدام الذكاء الاصطناعي فعليًا لتمكيننا من فهم العالم من حولنا بشكل أفضل.
“هذا ما ينبغي أن نتوقعه من أي نظام ذكاء اصطناعي”، يقول أولهاوزن. “ينبغي أن نستطيع فهمه كما نفهم طائرة أو جهاز تلفاز.”
بالعودة إلى المثال الخاص بـ “الدوائر” و“المربعات” وتطبيقه على مساحات عالية الأبعاد، نحتاج إلى متجهات لتمثيل متغيرات “الشكل” و“اللون” – لكننا نحتاج أيضًا إلى متجهات لتمثيل القيم التي يمكن إسنادها لتلك المتغيرات – “CIRCLE” و“SQUARE” و“BLUE” و“RED”.
الأهم من ذلك، يجب أن تكون هذه المتجهات مميزة بما يكفي لقياس هذه المتغيرات فعليًا.
الآن، لِنحوِّ تركيزنا إلى إريك فايس، طالب أولهاوزن، الذي في عام 2015، أظهر جانبًا من القدرات الفريدة للحوسبة عالية الأبعاد يتمثل في أفضل طريقة لتمثيل صورة معقدة كمتجه عالي الأبعاد واحد يحتوي معلومات عن ALL الأشياء في الصورة – الألوان، والمواضع، والأحجام.
بعبارة أخرى، تمثيل شديد التطور للبيانات الوصفية للصورة.
“سقطت حرفيًا من مقعدي”، قال أولهاوزن. “فجأة اشتعلت الفكرة.”
في تلك اللحظة، بدأت فرق أكثر في توجيه جهودها لتطوير “خوارزميات عالية الأبعاد” لإعادة إنتاج “المهام” “البسيطة” التي كانت الشبكات العصبية العميقة قد انخرطت فيها قبل عقدين – مثل تصنيف الصور.
إنشاء “متجه عالي الأبعاد” لكل صورة
على سبيل المثال، إذا كنت ستأخذ مجموعة بيانات مُعنونة تتكون من صور لأرقام مكتوبة بخط اليد، فستقوم هذه الخوارزمية عالية الأبعاد بتحليل السمات المحددة لكل صورة، مُنشئةً “متجهًا عالي الأبعاد” لكل صورة.
إنشاء “فئة” من المتجهات عالية الأبعاد لكل رقم
بعد ذلك، ستقوم الخوارزمية بإضافة المتجهات عالية الأبعاد لكل صور “الصفر” لإنشاء متجه عالي الأبعاد لفكرة “الصفر”، وتكرر ذلك لكل الأرقام، مُنتجةً 10 “متجهات” على شكل فئات – واحدة لكل رقم.
تُقاس الآن تلك الفئات المخزنة من المتجهات عالية الأبعاد وتُحلَّل مقابل المتجه عالي الأبعاد المُنشأ لصورة جديدة غير مُعنونة، وذلك بهدف أن تحدد الخوارزمية أي رقم يطابق الصورة الجديدة بشكل أقرب (استنادًا إلى فئة المتجهات عالية الأبعاد المحددة مسبقًا لكل رقم).
أبحاث IBM تتوغل في الموضوع
في شهر مارس، استخدم عباس رحيمي وزميلان له في أبحاث IBM في زيورخ الحوسبة عالية الأبعاد مع الشبكات العصبية لحل مشكلة كلاسيكية في الاستدلال البصري التجريدي – وهي شيء شكّل تحديًا كبيرًا للـ ANN المعتادة، وحتى لبعض البشر.
أولاً، أنشأ الفريق “قاموسًا” من المتجهات عالية الأبعاد لتمثيل الأشياء في كل صورة، حيث كان كل متجه عالي الأبعاد في القاموس يمثل كائنًا محددًا وبعض توليفة من سماته.
ومن ثم درّب الفريق شبكة عصبية لفحص صورة لتوليد متجه ثنائي القطبية عالي الأبعاد – حيث يمكن أن تكون سمة أو عنصر ما +1 أو -1.
“أنت ترشد الشبكة العصبية إلى فضاء مفاهيمي ذي معنى”، قال رحيمي.
القيمة هنا هي أنه بمجرد أن يقوم النظام بتوليد متجهات عالية الأبعاد لكل صورة سياقية، ولكل مرشح للموضع الفارغ، يتم استخدام خوارزمية أخرى لتحليل المتجهات عالية الأبعاد لإنشاء “توزيعات احتمالية” لعدد من الأشياء الموجودة في الصورة.
بعبارة أخرى، يمكن استخدام الجبر للتنبؤ بأكثر صورة مرشحة احتمالًا لملء الخانة الشاغرة. وقد أسفر نهج الفريق عن دقة تقارب 88 بالمئة في مجموعة واحدة من المشكلات، بينما كانت حلول الشبكات العصبية وحدها أقل من 61 بالمئة دقة.
ما زلنا في مرحلة الطفولة
على الرغم من مزاياها العديدة، فإن الحوسبة عالية الأبعاد ما زالت في بدايتها إلى حد كبير، وتحتاج إلى اختبار أمام مشكلات من العالم الحقيقي وعلى نطاقات أكبر بكثير مما رأيناه حتى الآن – على سبيل المثال، الحاجة إلى البحث بكفاءة ضمن 1 مليار عنصر أو نتيجة والعثور على نتيجة محددة.
في النهاية، سيأتي ذلك مع الوقت، لكنه يطرح أسئلة حول أين وكيف نطبق ونُدمج استخدام الذكاء الاصطناعي.
اقرأ عن كيفية أن قداسًا كنسيًا مدته 40 دقيقة، يعمل بالذكاء الاصطناعي، جذب أكثر من 300 من الحضور في ألمانيا، في تجربة من نوعها لأول مرة.
اضغط هنا لعرض المعرض الكامل على Hypemoon