آزمایشگاه‌های هوش مصنوعی مرزی می‌گویند مدل‌های آن‌ها فرضیه زمان نمایی را رد کردند. این به چه معناست؟

OpenAI راه حل هایی را برای سه مشکل ریاضی پرفروش منتشر کرد که مدت هاست محققان را آزار می دهد. یکی از آنها رد غافلگیرکننده فرضیه زمان نمایی (ETH) بود، یک فرض بادوام در علوم کامپیوتر که نقش بزرگی در چگونگی درک ما از محاسبه دشواری ایفا می کند.

مانند آزمایش‌های قبلی از آزمایشگاه مرزی، جوامع علمی با ترکیبی از هیجان و ناامیدی پاسخ دادند. Levent Alpöge، ریاضیدان انسان‌شناس، پیشنهاد کرد که OpenAI راه‌حل‌های خود را بر اساس کارهای قبلی استوار می‌کند، و ساعاتی بعد، Anthropic متعاقبا رد ETH خود را منتشر کرد.

با این حال، روند OpenAI در حال تکامل است. این بار، آزمایشگاه ساختار انتشارات خود را برای هر یک از سه رشته درگیر متفاوت کرد: ریاضیدانان کار را در GitHub رها کردند. دانشمندان کامپیوتر یک گروه کاری تشکیل دادند و از OpenAI خواستند تا مدارک را به صورت عمومی به اشتراک بگذارند و OpenAI کنفرانسی را برای بحث در مورد آنها تامین مالی کند. فیزیکدانان یک گروه کاری تشکیل دادند که نحوه انتشار نتایج آنها را تعیین می کند.

پروفسور MIT رایان ویلیامز دانشمند کامپیوتری است که در حال سازماندهی پاسخ رشته خود به این یافته جدید است. ویلیامز که کارش بر روی این سؤالات پیچیدگی محاسباتی متمرکز است، رویکرد OpenAI را در گذشته مورد انتقاد قرار داده است و در اوایل ماه اکتبر این روش را "حمله DDOS به ریاضیدانان" نامیده است.

او به TechCrunch گفت، با این حال، او موافقت کرد که با آزمایشگاه های مرزی همکاری کند تا به ایده هایی که برای این زمینه حیاتی هستند کمک کند. آزمایشگاه از او خواست تا به همراه دانشمندان کامپیوتر دانشگاه سن دیگو، راسل ایمپاگلیازو و راماموهان پاتوری، که اولین بار ETH را در سال 1999 منتشر کردند، در تفسیر راه حل کمک کند.

اولین قدم آنها انتشار نامه سرگشاده ای بود که در آن بازخورد دانشمندان علاقه مند به این مشکلات و بحث در مورد هنجارهای مربوط به مشارکت هوش مصنوعی در کارشان را خواستار شد.

ویلیامز به TechCrunch گفت: «برخی از بخش‌ها [از اثبات OpenAI]، شاید بتوان گفت روتین است، اما بله، دو یا سه بخش به ظاهر بیگانه وجود دارد، و دقیقا همین بخش‌هایی است که دیدم باعث شد فکر کنم، وای، این چیزی است که کل جامعه باید روی آن با هم کار کنند.»

ETH بخشی از یک کلاس گسترده‌تر از مشکلات است که به عنوان P vs NP شناخته می‌شود، که علم کامپیوتر و بسیاری از زمینه‌های دیگر را برای دهه‌ها متحرک کرده است. به طور تقلیل، محققان در تلاشند تا بفهمند که آیا هر مشکلی که راه حل آن به راحتی قابل تأیید باشد (NP) نیز می تواند به راحتی حل شود (P).

یک مثال ساده، بازی Sodoku است: هنگامی که یک راه حل برای یک پازل در محل قرار می گیرد، می توان آن را به سرعت تایید کرد، اما یافتن راه حل زمان بر است. این پویایی در مورد طیف وسیعی از مشکلات مهم صادق است، و بینش زیربنای سیستم های رمزنگاری است: وقتی کلید یک پیام رمزگذاری شده را دارید، می توانید آن را فاش کنید، اما در واقع شکستن یک کد موثر برای مفید بودن زمان زیادی می برد.

با این حال، دانشمندان هنوز باید ثابت کنند که آیا این همیشه درست است یا خیر. ویلیامز گفت: «P = NP می‌گوید که نه تنها می‌توانید راه‌حل‌های سودوکو را در صورت وجود تأیید کنید، بلکه می‌توانید آنها را تولید کنید». "P = NP ادعا می کند که این برای هر مشکلی که می توانید سریعا تأیید کنید صادق است - اگر بتوانید به سرعت آن را تأیید کنید، می توانید آن را به سرعت حل کنید. بنابراین به نظر می رسد که خیلی خوب به نظر می رسد که درست باشد."

به همین دلیل است که اکثر دانشمندان فرض می کنند که P ≠ NP. ETH شواهدی برای آن ارائه کرد. اساسا می‌گوید که حتی سریع‌ترین الگوریتم رایانه‌ای به طور تصاعدی به زمان بیشتری برای یافتن راه‌حل نیاز دارد، زیرا تعداد متغیرها در یک کلاس خاص از پازل منطقی پیچیده افزایش می‌یابد.

ادعای OpenAI و Anthropic این است که مدل‌های آن‌ها الگوریتم‌هایی را ارائه کرده‌اند که این پازل‌ها را در زمان «زیر نمایی» حل می‌کنند، یعنی سریع‌تر از سرعت‌هایی که قبلا تصور می‌شد. اگر درست باشد، ممکن است ثابت کرده باشند که EFT نادرست است - به عبارت علمی آن را رد کرده اند - و شاید مسیری را برای الگوریتم هایی باز کنند که به طور کلی P = NP را انجام می دهند.

ویلیامز گفت: «هر دانشمند کامپیوتر احتمالا باید کمی بیشتر به معقول بودن P = NP توجه کند، اما وزن فرد ممکن است متفاوت باشد. "من فکر می کنم که بسیاری از شهودهایی را که ما فکر می کردیم در مورد ... قابل حل بودن [مشکلات NP سخت] زیر سوال می برد. همچنین فکر می کنم که احتمالا این پاسخ نهایی نیز نیست. من فکر نمی کنم که الگوریتم OpenAI احتمالا بهترین الگوریتمی باشد که می توانید دریافت کنید."

ویلیامز گفت که دوام ETH منجر به گنجاندن آن در بسیاری از مقالات علمی در دهه گذشته شده است که اگر آزمایشگاه‌های هوش مصنوعی ادعا کنند که ثابت کرده‌اند درست است، باید دوباره مورد بازبینی قرار گیرند.

"تا حدی به این دلیل است که من از OpenAI خواستم یا فشار می‌آورم که از کنفرانسی در این زمینه حمایت کند - این روی کارهای بسیاری از محققان تأثیر می‌گذارد، و ما باید بفهمیم، خوب، در آینده علاوه بر درک الگوریتم‌ها چه اتفاقی می‌افتد، باید بفهمیم، چه پایه‌هایی باید داشته باشیم که قبلا داشتیم؟" او گفت. قبل از نگرانی های علمی، سوالات امنیت سایبری وجود دارد. ویلیامز گفت که یک الگوریتم بهبودیافته می‌تواند به این معنا باشد که سیستم‌های رمزنگاری متکی بر اندازه‌های کلیدی خاص می‌توانند شکسته در نظر گرفته شوند.

بنابراین یکی از اولین سوالاتی که او از دن رابرتز، رهبر علوم OpenAI پرسید: "این بود که آیا آنها بررسی کرده بودند که آیا این روی سیستم های رمزنگاری تاثیر می گذارد ... آیا چیزی در حال حاضر ناامن است؟ و ظاهرا آنها بررسی کردند و به طور منطقی مطمئن بودند که این ... به معنای هیچ گونه وقفه ای نیست."

این الگوی جدید اکتشاف علمی هوش مصنوعی هنوز در حال پیشرفت است، اما ویلیامز می‌گوید با وجود نگرانی‌های واقعی، به‌ویژه در مورد آموزش نسل بعدی دانشمندان، خوشبین است. دانشمند کامپیوتر بودن که ریاضیات سطح بالا را انجام می دهد، شاید تنظیم را برای او آسان تر از ریاضیدانان محض کرده باشد.

با این حال، او می‌گوید هوش مصنوعی «مردم را مجبور می‌کند تا در مورد نوع کاری که انجام می‌دهند کمی جاه‌طلبانه‌تر باشند و عمیق‌تر در مورد خوب فکر کنند، اگر همه چیزهایی که قبلا روی آن‌ها کار می‌کردم اکنون میوه‌ای کم‌رنگ برای هوش مصنوعی هستند، چگونه می‌توانم سطح سؤالات علمی را که می‌خواهم بپرسم بالا ببرم؟»

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

One Pass بخرید، جلد دوم رایگان را در بوت کمپ نهایی سال TechCrunch با آوردن هم بنیانگذار یا شریک خود به صورت کتاب رایگان قبل از انقضای قرارداد BOGO دریافت کنید.

Grok هفت دقیقه اول «Odyssey» آنتونی ها را که توسط هوش مصنوعی ساخته شده است را منتشر می کند

گورستان هوش مصنوعی: فهرستی از پروژه‌ها و استارت‌آپ‌هایی که به لورن فوریستال تبدیل نشدند

اوبر تمام 30000 کارمند خود را در ChatGPT Work Lucas Ropek قرار می دهد

Airbnb کارهای خانه را برای مهمانان محدود می‌کند و با واکنش‌های منفی میزبان لورن فوریستال مواجه می‌شود

تسلا تولید ربات Optimus را در کالیفرنیا با کاهش 43 درصدی سود Kirsten Korosec شان اوکین آغاز کرد.

اینترنت روز بسیار بدی را در زمینه امنیت سایبری سپری می کند سارا پرز