TL;DR
- تصویر توسط ویرایشگر # درک مدلسازی جهانی بهموقع این مقاله مروری و خلاصهای از مقاله اخیراً منتشر شده.
- با عنوان «در زمان» مدلسازی جهانی از برنامهریزی و استدلال انسانی پشتیبانی میکند،.
- ارائه میکند که بهطور کامل برای خواندن در arXiv در دسترس است.
چه اتفاقی افتاد
تصویر توسط ویرایشگر # درک مدلسازی جهانی بهموقع این مقاله مروری و خلاصهای از مقاله اخیراً منتشر شده. با عنوان «در زمان» مدلسازی جهانی از برنامهریزی و استدلال انسانی پشتیبانی میکند،.
ارائه میکند که بهطور کامل برای خواندن در arXiv در دسترس است. با استفاده از لحن ملایمتر و قابل دسترستر برای مخاطبان گستردهتر،.
استدلال مبتنی بر شبیهسازی چیست،. چارچوب کلی بهموقع (JIT) ارائهشده در مقاله با تمرکز بر هماهنگسازی مکانیسمهایی که استفاده میکند را شرح میدهیم،.
و نحوه رفتار و کمک به بهبود پیشبینیها را در زمینه حمایت از برنامهریزی و استدلال انسانی خلاصه. میکنیم.
# درک استدلال مبتنی بر شبیهسازی تصور کنید در دورافتادهترین گوشه یک اتاق تاریک و درهم. و برهم پر از موانع هستید و میخواهید مسیر دقیق رسیدن به در را بدون برخورد مشخص.
کنید. به موازات آن،.
فرض کنید قصد دارید به یک توپ استخر ضربه بزنید و مسیر دقیقی را که انتظار دارید توپ. دنبال کند،.
تجسم کنید. در این دو موقعیت،.
یک چیز مشترک وجود دارد:. توانایی طرح یک موقعیت آینده در ذهن خود بدون انجام هیچ عملی.
این بهعنوان استدلال مبتنی بر شبیهسازی شناخته میشود و عوامل هوش مصنوعی پیشرفته در موقعیتهای. مختلف به این مهارت نیاز دارند.
استدلال مبتنی بر شبیهسازی یک ابزار شناختی است که ما انسانها دائماً برای تصمیمگیری،. برنامهریزی مسیر و پیشبینی اتفاقات بعدی در محیط خود استفاده میکنیم.
با این حال، دنیای واقعی به طرز عجیبی پیچیده و پر از جزئیات و جزئیات است. تلاش برای محاسبه جامع همه احتمالات احتمالی و اثرات آنها ممکن است منابع ذهنی ما را در عرض.
چند میلی ثانیه به سرعت تمام میکند. برای جلوگیری از این امر،.
از نظر بیولوژیکی،. کاری که ما انجام میدهیم این نیست که یک کپی عکاسی تقریباً بی نقص از واقعیت ایجاد.
کنیم،. بلکه یک نمایش ساده ایجاد میکنیم که فقط اطلاعات واقعی مرتبط را حفظ میکند.
جامعه علمیهنوز در تلاش برای پاسخ به یک سوال اصلی است:. چگونه مغز ما به این سرعت و کارآمد تصمیم میگیرد که کدام جزئیات را در آن شبیه.
سازی ذهنی لحاظ کند و کدام را حذف کند؟ این سوال چارچوب JIT ارائه شده در مطالعه هدف را تحریک میکند.
# کاوش در مکانیسمهای اساسی برای پاسخ به سؤال فرمولبندیشده قبلی،. محققان در این مطالعه یک چارچوب ابتکاری JIT ارائه میکنند که بر خلاف نظریههای سنتی که پیش از.
برنامهریزی قابلیت مشاهده کامل محیط را فرض میکنند،. ساختن یک نقشه ذهنی در پرواز را پیشنهاد میکند و تنها زمانی که واقعاً ضروری است اطلاعات را.
جمعآوری میکند. چارچوب JIT در مقاله پیشنهاد شده و برای یک مشکل ناوبری استفاده میشود.
منبع:. اینجا بزرگترین دستاورد در این مدل این است که چگونه ترکیب و درهم تنیدگی بین سه مکانیسم کلیدی.
را تعریف میکند:. شبیهسازی:.
بر این اصل استوار است که ذهن ما از قبل شروع به ترسیم مسیر عمل یا مسیری می. کند که دنبال خواهیم کرد.
جستجوی بصری:. همانطور که شبیهسازی ذهنی به سمت ناشناخته پیش میرود،.
به چشمان ما (یا ادراک،. در مورد عوامل یا سیستمهای هوش مصنوعی) سیگنالی برای بازرسی آن بخش خاص از محیط فیزیکی (یا.
دیجیتال) میفرستد. اصلاح نمایش:.
هنگامیکه یک شی که ممکن است با طرح ما تداخل داشته باشد شناسایی شود،. بهعنوان مثال.
یک مانع،. ذهن بلافاصله آن شی را "رمزگذاری" میکند و برای در نظر گرفتن آن به مدل ذهنی خود.
اضافه میکند. در عمل،.
این یک چرخه سریع و روان است:. مغز تا حدی ساده شبیهسازی میکند،.
سپس «چشم» موانع را جستجو میکند،. ذهن اطلاعات را به روز میکند،.
و شبیهسازی ادامه مییابد - همه به روشی کاملاً هماهنگ. # رفتار چارچوب و تأثیر آن بر تصمیمگیری جذابترین جنبه مدل JIT ارائه شده در مقاله.
چیست؟ مسلما به طرز خیره کنندهای کارآمد است.
نویسندگان آن را با مقایسه رفتار انسان با شبیهسازیهای محاسباتی در دو آزمایش آزمایش کردند:. ناوبری در پیچ و خم و آزمایشهای پیشبینی فیزیکی،.
مانند حدس زدن محل پرتاب توپ. نتایج نشان داد که سیستم JIT تعداد قابل توجهی کمتری از اشیاء را در حافظه ذخیره میکند تا.
سیستمهایی که سعی در پردازش کامل محیط کامل از ابتدا دارند. با این حال،.
علیرغم کار بر اساس یک تصویر ذهنی تکه تکه که فقط بخش کوچکی از واقعیت کامل را در. بر میگیرد،.
این چارچوب قادر است تصمیمات آگاهانه و باکیفیت بگیرد. این یک نکته مهم را ارائه میدهد:.
ذهن ما عملکرد و سرعت پاسخ خود را نه با پردازش دادههای بیشتر،. بلکه با انتخابی باورنکردنی و دستیابی به قابلیت اطمینان بهبود میبخشد.
پیشبینیها بدون صرف تلاشهای شناختی بیش از حد. # در نظر گرفتن مسیرهای آینده در حالی که چارچوب JIT ارائه شده در این مطالعه توضیح درخشانی.
از نحوه برنامهریزی انسانها ارائه میدهد (با پیامدهای بالقوه برای فشار دادن مرزهای سیستمهای. هوش مصنوعی)،.
هنوز افقهایی وجود دارد که باید بررسی شوند. کارآزماییهای انجامشده در این مطالعه فقط محیطهای عمدتاً ساکن را در نظر گرفتند.
بنابراین، گسترش این مدل باید سناریوهای بسیار پویا و حتی آشفته را نیز در نظر بگیرد. درک اینکه چگونه اطلاعات مرتبط زمانی که چندین شی غیر ایستا در اطراف ما وجود دارند انتخاب می.
شود،. ممکن است چالش بزرگ بعدی برای پیشرفت بیشتر در این نظریه جذاب برنامهریزی و استدلال انسانی باشد.
و - چه کسی میداند! - ترجمه آن به دنیای هوش مصنوعی.
ایوان پالومارس کاراسکوزا یک رهبر،. نویسنده،.
سخنران و مشاور در زمینه هوش مصنوعی،. یادگیری ماشین،.
یادگیری عمیق و LLM است. او دیگران را در استفاده از هوش مصنوعی در دنیای واقعی آموزش میدهد و راهنمایی میکند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.