این هوش مصنوعی درک زبان را از منظر یک نوزاد یاد می‌گیرد!

یک مدل هوش مصنوعی (AI) با تحلیل تصاویر و ویدئوهای ثبت‌شده از بخش کوچکی از زندگی یک نوزاد که توسط یک دوربین بر روی سر نوزاد نصب شده بود، توانسته است مفاهیمی مانند «تخت» و «توپ» را شناسایی کند.

به نقل از نیچر، وای‌کین وونگ(Wai Keen Vong)، یکی از نویسندگان این تحقیق و پژوهشگر هوش مصنوعی در دانشگاه نیویورک بیان می‌کند: نتایج این تحقیق نشان‌دهنده این است که هوش مصنوعی قادر است در درک روش‌های یادگیری انسان‌ها به ما یاری رساند. وانگ تأکید می‌کند که این موضوع پیش‌تر به‌خوبی مشخص نبود، زیرا سایر مدل‌های یادگیری زبان مانند چت جی‌پی‌تی(ChatGPT) بر روی میلیاردها نقطه داده‌ای آموزش می‌دیدند که با تجربیات نوزادان در دنیای واقعی قابل مقایسه نیستند. از همان بدو تولد به ما دسترسی به اینترنت داده نمی‌شود.

نویسندگان امیدوارند که این تحقیق که در یکم فوریه در مجله «ساینس»(Science) منتشر شده، به مباحث طولانی‌مدت درباره چگونگی یادگیری زبان در کودکان کمک کند. این هوش مصنوعی تنها با برقراری ارتباط میان تصاویر و کلماتی که به صورت همزمان مشاهده می‌شد، زبان را فراگرفته است. این مدل با هیچ دانش قبلی در زمینه زبان برنامه‌ریزی نشده بود و وانگ می‌گوید که این یافته‌های جدید برخی از نظریه‌های علوم شناختی که معتقدند نوزادان برای مرتبط ساختن معنا با کلمات نیازمند دانش ذاتی درباره عملکرد زبان هستند را به چالش می‌کشد.

هدر بورتفلد(Heather Bortfeld)، پژوهشگر علوم شناختی در دانشگاه کالیفرنیا، این مطالعه را «رویکردی جالب» برای درک فرآیند یادگیری اولیه زبان در کودکان ارزیابی می‌کند.

نمایی از دید نوزاد

وونگ و همکارانش با استفاده از ۶۱ ساعت فیلم‌برداری از دوربینی که بر روی کلاه ایمنی یک نوزاد پسر به نام سم قرار گرفته بود، تجارب دیداری نوزاد را جمع‌آوری کردند. سم که در نزدیکی آدلاید در استرالیا زندگی می‌کند، از سن شش ماهگی تا حدود دو سالگی، دو بار در هفته به مدت تقریباً یک ساعت به دوربین مجهز بود که مجموعاً حدود یک درصد از ساعات بیداری او را شامل می‌شود.

محققان، شبکه عصبی خود را که نوعی هوش مصنوعی الهام‌گرفته از ساختار مغز است، با استفاده از فریم‌های ویدیویی و کلماتی که به سم گفته شده، آموزش دادند. این مدل در معرض ۲۵۰ هزار کلمه و تصاویر مرتبط قرار گرفت که در حین فعالیت‌هایی چون بازی، خواندن و غذا خوردن ثبت شده بود. این الگوریتم از روشی به نام یادگیری متضاد بهره‌برداری کرد تا بیاموزد کدام تصاویر و جملات با هم مطابقت دارند و کدام ندارند.

برای آزمایش عملکرد این هوش مصنوعی، محققان از مدل خواستند تا یک کلمه را با یکی از چهار تصویر انتخاب‌شده تطبیق دهد. این آزمایش همچنین به ارزیابی توانایی‌های زبانی کودکان اختصاص دارد. این هوش مصنوعی موفق شد اشیاء را در ۶۲ درصد موارد به درستی شناسایی کند که عملکردی به مراتب بهتر از ۲۵ درصدی است که به‌طور تصادفی انتظار می‌رفت و قابل مقایسه با یک مدل هوش مصنوعی مشابه است که بر روی ۴۰۰ میلیون تصویر و متن فراگیر آموزش دیده بود.

در مورد برخی کلمات، مانند «سیب» و «سگ»، این مدل توانست نمونه‌هایی را که قبلاً مشاهده نکرده بود به‌درستی شناسایی کند؛ کاری که معمولاً برای انسان‌ها آسان است.

هوش مصنوعی به‌طور میانگین در ۳۵ درصد مواقع موفق به انجام این کار شد. وونگ می‌گوید این مدل در شناسایی اشیائی با ظاهری مشابه عملکرد بسیار خوبی داشت، اما یادگیری کلماتی که می‌توانند به موارد مختلف اشاره کنند، مانند «اسباب بازی»، برایش دشوارتر بود.

یادگیری‌های به‌دست‌آمده

بورتفلد اشاره می‌کند که وابستگی این مطالعه به داده‌های یک کودک خاص ممکن است سوالاتی درباره قابلیت تعمیم نتایج به سایر موارد ایجاد کند؛ چون تجربیات و محیط‌های مختلف کودکان به‌شدت با یکدیگر متفاوت است.

او همچنین اضافه می‌کند، با این حال، این تمرین نشان داد که می‌توان در روزهای ابتدایی زندگی نوزاد ارتباطات زیادی بین منابع حسی متنوع برقرار کرد.

یادگیری زبان در دنیای واقعی به مراتب غنی‌تر و پیچیده‌تر از آن چیزی است که هوش مصنوعی می‌تواند آن را شبیه‌سازی کند. محققان بیان می‌کنند که با توجه به اینکه هوش مصنوعی صرفاً با تصاویر ثابت و متون نوشته‌شده آموزش می‌بیند، قادر به تجارب تعاملات واقعی یک نوزاد نیست. به گفته وونگ، برای مثال، این هوش مصنوعی در یادگیری کلمه «دست» که معمولاً در مراحل ابتدایی زندگی نوزاد یاد گرفته می‌شود، با چالش مواجه شده است. بچه‌ها با دستان خود در تعامل‌اند و تجارب عمیق‌تری با آن‌ها دارند، که هم‌اکنون جزء گمشده مدل ما به حساب می‌آید.