زمینه گران است | نرد شبکه

وقتی صحبت از یادگیری و درک می شود، حقایق آسان هستند. اگر از شما بپرسم چند بیت در یک آدرس IPv4 وجود دارد، این یک پاسخ است. مردم همیشه چنین حقایق و ارقامی را حفظ می کنند. به راحتی می توان آنها را برای آزمایش به یاد آورد و ثابت کرد که مطالب را درک می کنید. جایی که چیزها شروع به جالب شدن می کنند زمانی است که باید زمینه ای را در مورد پاسخ ارائه دهید. زمینه گران است.

هزینه های شناختی

پاسخگویی به سؤالات تک پاسخی یا باینری از نظر شناختی آسان است. شما پاسخ صحیح را به خاطر می آورید و به زندگی خود ادامه می دهید. آدرس های IPv4 32 بیت هستند. خورشید از مشرق طلوع می کند. شما جنگ ستارگان را دوست دارید اما گالاتیکا 1980 را نه. یادآوری این چیزها نیازی به تلاش زیادی ندارد.

حالا فکر کن چرا این پاسخ ها وجود دارد. چرا خورشید از مشرق طلوع می کند؟ چرا آدرس ها 32 بیتی هستند؟ چرا Galactica 1980 را دوست ندارید؟ اکنون پاسخ ها بسیار طولانی تر است. آنها شامل نکات ظریف و درک چیزهایی هستند که فراتر از یادآوری ساده واقعیات است. برای مثال، این ویدیوی وینت سرف را که توضیح می‌دهد چرا آدرس‌های 32 بیتی را در اواسط دهه 1970 انتخاب کردند، ببینید:

زمینه های زیادی پیرامون یک واقعیت ساده وجود دارد. برای برخی از ما، یادگیری زمینه و ارائه آن در مهمانی‌ها یا زمانی که می‌خواهیم کسی را با تلاوت بی‌پایان چیزهای بی اهمیت بخوابانیم، سرگرم کننده است. بسیاری از مردم به خود زحمت نمی دهند چرا و به زندگی خود ادامه دهند.

میدونی کی اهمیت میده چرا؟ افرادی که سیستم های هوش مصنوعی می سازند. وقتی به آن فکر می کنید، پاسخ هایی که واقعیت هستند قابل جستجو هستند. شما به گوگل یا بینگ یا Duck Duck Go می پرید تا بفهمید خورشید از کجا طلوع می کند یا امروز چه ساعتی طلوع می کند. اما در پاسخ به این سوال که چرا افرادی که الگوریتم‌های هوش مصنوعی را ایجاد می‌کنند روی آن کار می‌کنند. آنها می خواهند موتور جستجویی باشند که زمینه را فراهم می کند. آنها می خواهند شما را با استدلال و منطق پشت چیزی غرق کنند. و این باعث افزایش بار شناختی سیستم می شود.

اگر از شما بخواهم توضیح دهید که چرا جنگ ستارگان بهتر از Galactica 1980 است، احتمالاً پنج دلیل با منطق سریع به من ارائه می دهید. اما اگر از شما بخواهم که هر یک از آنها را برای مفروضات اساسی در مورد داستان های علمی تخیلی و سبک های نوشتاری تجزیه و تحلیل کنید، کمی بیشتر طول می کشد تا به پاسخ های خود برسید. این سطح اضافی از استدلال، بار شناختی ما را افزایش می دهد. حال سیستمی را تصور کنید که روی تمام این بار شناختی به طور همزمان کار می کند. این جایی است که ما در حال حاضر با هوش مصنوعی هستیم.

پول درآوردن

انسان ها می دانند که چگونه با حجم عظیمی از اطلاعات کنار بیایند. آنها می توانند به طور انتخابی آنچه را که برایشان مهم نیست رد کنند و روی چیزهایی که اهمیت دارد تمرکز کنند. به همین دلیل است که می توانیم سیگنال مکالمه یک فرد را در سر و صدای یک کوکتل پارتی تشخیص دهیم. مغز ما می تواند در صورت نیاز برای کاهش بار شناختی فیلتر کند. هوش مصنوعی در حال حاضر در این کار چندان خوب نیست، بنابراین هر بیت داده موجود در فهرست منبع یا درخواست باید در جایی گنجانده شود. هوش مصنوعی نمی داند چگونه بگوید “این مهم است” یا “این چیزی است که ما می توانیم آن را فراموش کنیم”. بهتر از قبل است، اما راه درازی در پیش دارد تا مانند یک هوش رفتار کند.

مشکل این است که تمام این پردازش هزینه منابع دارد. مصرف برق، مصرف آب و زمان پردازش زمانی که مدل کارها را انجام می دهد استفاده می شود. مدل‌ها زمانی که ایجاد چیزها آسان باشد، مانند پاسخ‌های ساده یا با اطلاعاتی که قبلاً تولید شده‌اند، عملکرد خوبی دارند. زمانی که باید چند کار را انجام دهند کمی سقوط می کنند. درست مانند مغز انسان، می تواند طاقت فرسا شود. هوش مصنوعی به تنهایی به خوبی مغز در جداسازی بخش های مهم کار نمی کند.

حداقل به گفته محققان هوش مصنوعی، پاسخ این است که همه چیز را انجام دهید. تعداد زیادی از آن توکن‌های جادویی را بسوزانید تا هر پاسخ و هر ذره‌ای از زمینه را دریافت کنید و فقط در صورت درخواست کسی آن را آماده کنید. هیچ تفاوتی با تکرار مکالمه در ذهنتان برای دریافت پاسخ کامل برای هر سوالی که ممکن است پرسیده شود ندارد. و بله، قبل از اینکه بپرسید، من کسی هستم که این کار را انجام می دهم. بار شناختی کاوش در هر گزینه مکالمه معمولاً دو یا سه برابر بیشتر از خود مکالمه است. این زمانی است که من بر نمی گردم.

زمینه پیرامون پاسخ ها هزینه های بیشتری را به همراه دارد. ما می خواهیم بدانیم چرا، و مایلیم برای بدست آوردن این جزئیات هزینه کنیم. در حال حاضر بازی کردن با آن تقریباً برای ما رایگان است. مدل‌ها از آنچه ما می‌پرسیم یاد می‌گیرند و توانایی خود را برای پیش‌بینی پاسخ‌ها و درک نحوه تفکر ما تقویت می‌کنند. وقتی این مدل دیگر رایگان نباشد در آینده چه اتفاقی خواهد افتاد؟ آیا ما حاضریم برای دسترسی به متن هزینه بپردازیم؟ آیا ارائه دهندگان ما را مجبور به دیدن تبلیغات برای جبران آن به ارائه دهنده می کنند؟

تام بگیر

من عاشق زمینه هستم. من همیشه آن را ارائه می دهم. گاهی توجیه یا قدردانی نمی شود. اما همیشه آنجاست. چون می خواهم بدانم چرا آن چیزی است که هست من کسی هستم که سیستم های مدرن ما را وادار می کنم منابع اضافی را برای ارضای کنجکاوی خود صرف کنند. در حال حاضر، این مدل پایدار به نظر نمی‌رسد، زیرا ما الگوریتم‌های خود را آموزش نداده‌ایم تا بفهمیم گاهی اوقات بهترین بخش باهوش بودن این است که بدانیم چه زمانی نباید باشد.