هنگامی که والدین به فرزند خردسال خود آموزش می دهند تا با جهان ارتباط برقرار کند ، آنها از طریق انجمن ها و شناسایی الگوهای آموزش می دهند. به عنوان مثال نامه را بگیرید. والدین نمونه های کافی از نامه را به فرزند خود نشان می دهند و قبل از مدت طولانی ، آنها می توانند نمونه های دیگری را در زمینه هایی که راهنمایی فعال نیست ، شناسایی کنند. مدرسه ، یک کتاب ، یک بیلبورد.
بخش عمده ای از فناوری هوش مصنوعی همیشه پررنگ (AI) بود آموزش داده شده به همین روش محققان از سیستم نمونه هایی از چیزی را که می خواستند آن را تشخیص دهند ، تغذیه کردند و مانند یک کودک خردسال ، هوش مصنوعی شروع به شناخت الگوهای و برون یابی چنین دانش هایی به متن هایی که قبلاً تجربه نکرده بود ، “شبکه عصبی” خود را برای طبقه بندی تشکیل می داد. با این حال ، مانند هوش انسانی ، کارشناسان ورودی هایی را که تصمیم گیری AI را آگاه می کند ، از دست دادند.
“مشکل جعبه سیاه“بنابراین از هوش مصنوعی به این واقعیت پدید می آید که ما کاملاً نمی فهمیم که چگونه یا چرا یک سیستم هوش مصنوعی ارتباط برقرار می کند ، و نه متغیرهایی که در تصمیمات خود بازی می کنند. این موضوع به ویژه در جستجوی بهبود اعتماد و ایمنی سیستم ها و تعیین مدیریت تصویب هوش مصنوعی بسیار مهم است.
از یک وسیله نقلیه هوش مصنوعی که به موقع ترمز نمی کند و به عابران آسیب می رساند ، گرفته تا دستگاه های فناوری بهداشتی با هوش مصنوعی که به پزشکان در تشخیص بیماران کمک می کند و تعصبات به نمایش گذاشته شده توسط فرآیندهای غربالگری استخدام هوش مصنوعی، پیچیدگی این سیستم ها منجر به ظهور یک زمینه جدید مطالعه شده است: فیزیک هوش مصنوعی ، که به دنبال ایجاد بیشتر هوش مصنوعی به عنوان ابزاری برای انسان برای دستیابی به درک بالاتر است.
اکنون ، یک گروه مطالعه مستقل جدید با ادغام زمینه های فیزیک ، روانشناسی ، فلسفه و علوم اعصاب در اکتشافی میان رشته ای از اسرار هوش مصنوعی ، این چالش ها را برطرف می کند.
تازه اعلام شده فیزیک گروه هوش مصنوعی آزمایشگاه فیزیک و انفورماتیک NTT Research (PHI) است و هفته گذشته در کنفرانس ارتقاء 2025 NTT در سانفرانسیسکو ، کالیفرنیا رونمایی شد. این روند به پیشرفت فیزیک رویکرد هوش مصنوعی برای درک هوش مصنوعی ادامه خواهد داد ، که این تیم برای 5 سال گذشته در حال تحقیق است.
دکتر Hidenori Tanaka ، که دارای دکترای فیزیک کاربردی و علوم و مهندسی رایانه از دانشگاه هاروارد است ، گروه تحقیقاتی جدید را هدایت می کند و تجربه قبلی خود را در گروه سیستم های هوشمند NTT و برنامه تحقیقاتی AI CBS-NTT در فیزیک اطلاعات در هاروارد ایجاد می کند.
“من به عنوان یک فیزیکدان از موضوع هوش هیجان زده هستم ، زیرا از نظر ریاضی ، چگونه می توانید به مفهوم خلاقیت فکر کنید؟ چگونه می توانید در مورد مهربانی فکر کنید؟ این مفاهیم اگر برای هوش مصنوعی نباشد ، می تواند انتزاعی باقی بماند. این ساده است که حدس بزنید ، گفتن” این تعریف مهربانی است “، که از نظر ریاضی معنادار نیست ، اما اکنون با AI ، از نظر ظاهری مهم است که آیا می خواهیم از نظر عملی مهم باشد زیرا این امر باعث می شود مهربانی است ،به عنوان مثال ، “دکتر تاناکا هفته گذشته در حاشیه کنفرانس به روزرسانی به من گفت.
در اوایل تحقیقات خود ، آزمایشگاه PHI اهمیت درک ماهیت “جعبه سیاه” هوش مصنوعی و یادگیری ماشین را برای توسعه سیستم های جدید با بهبود بهره وری انرژی برای محاسبه تشخیص داد. با این حال ، پیشرفت هوش مصنوعی در نیم دهه گذشته ، ملاحظات ایمنی و اعتماد به نفس را به طور فزاینده ای برانگیخته است ، که از این رو برای کاربردهای صنعت و تصمیمات حاکمیتی در مورد تصویب هوش مصنوعی بسیار مهم شده است.
از طریق گروه تحقیقاتی جدید ، NTT Research به شباهت های بین هوشهای بیولوژیکی و مصنوعی می پردازد ، بنابراین به امید پرده برداری از پیچیدگی های مکانیسم های هوش مصنوعی و ایجاد هماهنگ تر هماهنگ تر همکاری های انسانی و آه.
اگرچه در ادغام هوش مصنوعی رمان جدید است ، این رویکرد جدید نیست. فیزیکدانان به دنبال فاش کردن جزئیات دقیق روابط فناوری و انسانی برای قرن ها ، از مطالعات گالیله گالیله در مورد چگونگی حرکت اشیاء و سهم وی در مکانیک ، تا چگونگی آگاه سازی موتور بخار از ترمودینامیک در طول انقلاب صنعتی هستند. با این حال ، در قرن بیست و یکم ، دانشمندان به دنبال این هستند که درک کنند که چگونه هوش مصنوعی از نظر آموزش ، جمع کردن دانش و تصمیم گیری کار می کند ، به گونه ای که در آینده می توان فناوری های هوش مصنوعی منسجم ، ایمن و قابل اعتماد تر را طراحی کرد.
“هوش مصنوعی یک کار عصبی است ، نحوه ساختار آن بسیار شبیه به نحوه کار یک مغز انسان است ؛ نورونهای متصل به سیناپس ها ، که همه توسط اعداد داخل یک رایانه نشان داده می شوند.
این گروه جدید به همکاری با مرکز علوم مغز دانشگاه هاروارد (CBS) ادامه خواهد داد و قصد دارد با استادیار دانشگاه استنفورد ، سویا گانگولی ، که دکتر تاناکا با آنها چندین مقاله همکاری کرده است ، همکاری کند.
با این حال ، دکتر تاناکا تأکید می کند که یک رویکرد طبیعی و رویکرد صنعت اساسی اساسی خواهد بود. در سال 2017 ، هنگامی که وی کاندیدای دکترا در هاروارد بود ، محقق فهمید که می خواهد بیشتر از فیزیک سنتی انجام دهد و در پله های پیشینیان خود ، از گالیله تا نیوتن و انیشتین ، پیروی کند تا دنیاهای مفهومی جدیدی را در فیزیک باز کند.
وی گفت: “در حال حاضر ، هوش مصنوعی موضوعی است که می توانم با همه صحبت کنم. به عنوان یک محقق ، بسیار عالی است زیرا همه همیشه در مورد AI صحبت می کنند ، و من همچنین از هر مکالمه یاد می گیرم ، زیرا من می دانم که مردم چگونه متفاوت می بینند و از آنها استفاده می کنند ، حتی فراتر از زمینه های دانشگاهی ، من می بینم که مأموریت NTT به عنوان کاتالیزور برای ایجاد این مکالمات ، صرف نظر از پیشینه مردم ، به دلیل اینکه از هر تعامل یاد می گیریم ،”
