هذا الأسبوع في الذكاء الاصطناعي: تجد OpenAI شريكًا في التعليم العالي

إن مواكبة صناعة سريعة الحركة مثل الذكاء الاصطناعي يعد أمرًا صعبًا. لذا، إلى أن يتمكن الذكاء الاصطناعي من القيام بذلك نيابةً عنك، إليك ملخصًا مفيدًا للقصص الحديثة في عالم التعلم الآلي، إلى جانب الأبحاث والتجارب البارزة التي لم نغطيها بمفردنا.

هذا الأسبوع في مجال الذكاء الاصطناعي، قامت OpenAI بالتعاقد مع أول عميل للتعليم العالي: جامعة ولاية أريزونا.

سوف تتعاون جامعة ولاية أريزونا مع OpenAI لجلب ChatGPT، برنامج الدردشة الآلي الذي يعمل بالذكاء الاصطناعي الخاص بـ OpenAI، إلى الباحثين والموظفين وأعضاء هيئة التدريس في الجامعة – حيث سيجري تحديًا مفتوحًا في فبراير لدعوة أعضاء هيئة التدريس والموظفين لتقديم أفكار حول طرق استخدام ChatGPT.

توضح صفقة OpenAI-ASU تغير الآراء حول الذكاء الاصطناعي في التعليم حيث تتقدم التكنولوجيا بشكل أسرع مما تستطيع المناهج مواكبته. في الصيف الماضي، سارعت المدارس والكليات إلى حظر ChatGPT بسبب مخاوف الانتحال والمعلومات المضللة. ومنذ ذلك الحين، قام البعض بإلغاء الحظر الذي فرضوه، في حين بدأ البعض الآخر في استضافة ورش عمل حول أدوات GenAI وإمكاناتها للتعلم.

من غير المرجح أن يتم تسوية الجدل حول دور GenAI في التعليم في أي وقت قريب. لكن – على الرغم من حقيقة الأمر – أجد نفسي بشكل متزايد في معسكر المؤيدين.

نعم، GenAI هو ملخص ضعيف. انها متحيزة وسام. إنه يصنع الأشياء. ولكن يمكن استخدامها أيضًا للخير.

ضع في اعتبارك كيف يمكن لأداة مثل ChatGPT أن تساعد الطلاب الذين يعانون من صعوبة أداء الواجب المنزلي. يمكنه شرح مسألة رياضية خطوة بخطوة أو إنشاء مخطط تفصيلي للمقالة. أو يمكن أن تظهر إجابة سؤال قد يستغرق وقتًا أطول بكثير لـ Google.

الآن، هناك مخاوف معقولة بشأن الغش – أو على الأقل ما يمكن اعتباره غشًا ضمن حدود المناهج الدراسية اليوم. لقد سمعت من روايات متناقلة أن الطلاب، وخاصة الطلاب في الكلية، يستخدمون ChatGPT لكتابة أجزاء كبيرة من الأوراق والأسئلة المقالية في الاختبارات المنزلية.

هذه ليست مشكلة جديدة، فخدمات كتابة المقالات مدفوعة الأجر كانت موجودة منذ زمن طويل. لكن ChatGPT يخفض بشكل كبير حاجز الدخول، كما يقول بعض المعلمين.

هناك أدلة تشير إلى أن هذه المخاوف مبالغ فيها. لكن إذا وضعنا هذا جانبًا للحظة، أقول إننا يجب أن نتراجع ونفكر في ما يدفع الطلاب إلى الغش في المقام الأول. غالبًا ما تتم مكافأة الطلاب على الدرجات، وليس على الجهد أو الفهم. هيكل الحوافز مشوه. فهل من المستغرب إذًا أن ينظر الأطفال إلى الواجبات المدرسية باعتبارها مربعات يجب التحقق منها بدلاً من كونها فرصًا للتعلم؟

لذلك، اسمح للطلاب بالحصول على GenAI – واسمح للمعلمين بتجريب طرق للاستفادة من هذه التقنية الجديدة للوصول إلى الطلاب أينما كانوا. ليس لدي الكثير من الأمل في إصلاح جذري للتعليم. ولكن ربما سيكون GenAI بمثابة منصة انطلاق لخطط الدروس التي تجعل الأطفال متحمسين لمواضيع لم يسبق لهم استكشافها من قبل.

فيما يلي بعض قصص الذكاء الاصطناعي الأخرى الجديرة بالملاحظة من الأيام القليلة الماضية:

مدرس القراءة من ميكروسوفت: قامت مايكروسوفت هذا الأسبوع بإنشاء Reading Coach، وهي أداة الذكاء الاصطناعي الخاصة بها والتي توفر للمتعلمين ممارسة القراءة الشخصية، وهي متاحة مجانًا لأي شخص لديه حساب Microsoft.

الشفافية الخوارزمية في الموسيقى: يدعو المنظمون في الاتحاد الأوروبي إلى سن قوانين لفرض قدر أكبر من الشفافية الخوارزمية من منصات بث الموسيقى. إنهم يريدون أيضًا معالجة الموسيقى التي يولدها الذكاء الاصطناعي – والتزييف العميق.

روبوتات ناسا: أظهرت وكالة ناسا مؤخرًا هيكلًا آليًا ذاتي التجميع، والذي، كما كتب ديفين، قد يصبح جزءًا مهمًا من التحرك خارج الكوكب.

Samsung Galaxy، الآن مدعوم بالذكاء الاصطناعي: في حدث إطلاق Galaxy S24 من سامسونج، عرضت الشركة الطرق المختلفة التي يمكن للذكاء الاصطناعي من خلالها تحسين تجربة الهاتف الذكي، بما في ذلك من خلال الترجمة المباشرة للمكالمات والردود والإجراءات المقترحة وطريقة جديدة لبحث Google باستخدام الإيماءات.

حل الهندسة DeepMind: كشف DeepMind، مختبر Google للبحث والتطوير في مجال الذكاء الاصطناعي، هذا الأسبوع عن AlphaGeometry، وهو نظام ذكاء اصطناعي يدعي المختبر أنه قادر على حل العديد من المشكلات الهندسية مثل الحائز على الميدالية الذهبية في أولمبياد الرياضيات الدولي.

OpenAI والتعهيد الجماعي: وفي أخبار OpenAI الأخرى، تقوم الشركة الناشئة بتشكيل فريق جديد، Collective Alignment، لتنفيذ أفكار من الجمهور حول كيفية ضمان أن نماذج الذكاء الاصطناعي المستقبلية الخاصة بها “تتوافق مع قيم الإنسانية”. وفي الوقت نفسه، تقوم بتغيير سياستها للسماح بالتطبيقات العسكرية لتقنيتها. (تحدث عن الرسائل المختلطة.)

خطة احترافية لـ Copilot: أطلقت Microsoft خطة مدفوعة تركز على المستهلك لـ Copilot، العلامة التجارية الشاملة لمجموعتها من تقنيات إنشاء المحتوى التي تعمل بالذكاء الاصطناعي، وخففت متطلبات الأهلية لعروض Copilot على مستوى المؤسسة. كما تم إطلاق ميزات جديدة للمستخدمين المجانيين، بما في ذلك تطبيق Copilot للهواتف الذكية.

نماذج خادعة: يتعلم معظم البشر مهارة خداع البشر الآخرين. فهل يمكن لنماذج الذكاء الاصطناعي أن تتعلم الشيء نفسه؟ نعم، يبدو الجواب – ومن المرعب أنهم جيدون بشكل استثنائي في ذلك. وفقًا لدراسة جديدة أجرتها شركة الذكاء الاصطناعي الناشئة Anthropic.

العرض التوضيحي للروبوتات الذي قدمته شركة تسلا: يقوم روبوت Elon Musk’s Optimus البشري من شركة Tesla بالمزيد من الأشياء، هذه المرة يقوم بطي قميص على طاولة في منشأة تطوير. ولكن كما اتضح، فإن الروبوت ليس مستقلاً على الإطلاق في المرحلة الحالية.

المزيد من التعلم الآلي

أحد الأشياء التي تعيق التطبيقات الأوسع لأشياء مثل تحليل الأقمار الصناعية التي تعمل بالذكاء الاصطناعي هو ضرورة نماذج التدريب للتعرف على ما قد يكون شكلاً أو مفهومًا مقصورًا على فئة معينة إلى حد ما. تحديد الخطوط العريضة للمبنى: سهل. تحديد حقول الحطام بعد الفيضانات: ليس بهذه السهولة! ويأمل الباحثون السويسريون في EPFL تسهيل القيام بذلك من خلال برنامج يسمونه METEOR.

قال مارك روسورم، أحد قادة المشروع: “المشكلة في العلوم البيئية هي أنه غالبًا ما يكون من المستحيل الحصول على مجموعة بيانات كبيرة بما يكفي لتدريب برامج الذكاء الاصطناعي لتلبية احتياجاتنا البحثية”. يسمح هيكلهم الجديد للتدريب بتدريب خوارزمية التعرف على مهمة جديدة باستخدام أربع أو خمس صور تمثيلية فقط. النتائج قابلة للمقارنة بالنماذج التي تم تدريبها على المزيد من البيانات. وتتمثل خطتهم في ترقية النظام من المختبر إلى المنتج باستخدام واجهة مستخدم للأشخاص العاديين (أي الباحثين غير المتخصصين في الذكاء الاصطناعي) لاستخدامه. يمكنك قراءة الورقة التي نشروها هنا.

يعد السير في الاتجاه الآخر – إنشاء الصور – مجالًا للبحث المكثف، نظرًا لأن القيام بذلك بكفاءة يمكن أن يقلل العبء الحسابي على منصات الذكاء الاصطناعي التوليدية. الطريقة الأكثر شيوعًا تسمى الانتشار، والتي تعمل على تحسين مصدر الضوضاء النقي تدريجيًا إلى صورة مستهدفة. لدى مختبر لوس ألاموس الوطني نهج جديد يسمونه Blackout Diffusion، والذي يبدأ بدلاً من ذلك من صورة سوداء نقية.

وهذا يلغي الحاجة إلى الضوضاء في البداية، ولكن التقدم الحقيقي يكون في إطار العمل الذي يحدث في “مساحات منفصلة” بدلاً من أن يكون مستمرًا، مما يقلل بشكل كبير من العبء الحسابي. يقولون إنه يعمل بشكل جيد وبتكلفة أقل، لكنه بالتأكيد بعيد عن الإصدار على نطاق واسع. أنا لست مؤهلاً لتقييم فعالية هذا النهج (الرياضيات بعيدة كل البعد عني) ولكن المختبرات الوطنية لا تميل إلى المبالغة في شيء مثل هذا دون سبب. سأطلب من الباحثين المزيد من المعلومات.

تنتشر نماذج الذكاء الاصطناعي في جميع أنحاء العلوم الطبيعية، حيث تؤدي قدرتها على غربلة الإشارة من الضوضاء إلى إنتاج رؤى جديدة وتوفير المال في ساعات إدخال بيانات طلاب الدراسات العليا.

تطبق أستراليا تقنية Pano AI للكشف عن حرائق الغابات في “المثلث الأخضر”، وهي منطقة غابات رئيسية. أحب أن أرى الشركات الناشئة يتم استخدامها بهذه الطريقة – فهي لا تساعد في منع الحرائق فحسب، بل إنها تنتج بيانات قيمة لسلطات الغابات والموارد الطبيعية. كل دقيقة لها أهميتها بالنسبة لحرائق الغابات (أو حرائق الغابات، كما يطلقون عليها هناك)، لذا فإن الإخطارات المبكرة قد تكون الفارق بين عشرات وآلاف الأفدنة من الأضرار.

تخفيض التربة الصقيعية كما تم قياسه في النموذج القديم، على اليسار، والنموذج الجديد، على اليمين.

حصلت لوس ألاموس على إشارة ثانية (أدركت للتو عندما راجعت ملاحظاتي) لأنها تعمل أيضًا على نموذج جديد للذكاء الاصطناعي لتقدير انخفاض التربة الصقيعية. تتميز النماذج الحالية بدقة منخفضة، وتتنبأ بمستويات التربة الصقيعية في أجزاء تبلغ حوالي ثلث ميل مربع. وهذا مفيد بالتأكيد، ولكن مع المزيد من التفاصيل، ستحصل على نتائج أقل تضليلًا للمناطق التي قد تبدو مثل 100٪ من التربة الصقيعية على نطاق أوسع ولكن من الواضح أنها أقل من ذلك عندما تنظر عن كثب. ومع تقدم تغير المناخ، يجب أن تكون هذه القياسات دقيقة!

يجد علماء الأحياء طرقًا مثيرة للاهتمام لاختبار واستخدام الذكاء الاصطناعي أو النماذج المجاورة للذكاء الاصطناعي في العديد من المجالات الفرعية لهذا المجال. في مؤتمر عقد مؤخرًا، كتبه زملائي في GeekWire، تم عرض أدوات لتتبع الحمير الوحشية، والحشرات، وحتى الخلايا الفردية في جلسات الملصقات.

وعلى الجانب الفيزيائي والكيميائي، يبحث الباحثون في Argonne NL عن أفضل السبل لتعبئة الهيدروجين لاستخدامه كوقود. من الصعب جدًا احتواء الهيدروجين الحر والتحكم فيه، لذا فإن ربطه بجزيء مساعد خاص يبقيه تحت السيطرة. المشكلة هي أن الهيدروجين يرتبط بكل شيء تقريبًا، لذلك هناك مليارات ومليارات من الاحتمالات للجزيئات المساعدة. لكن فرز مجموعات ضخمة من البيانات يعد أحد تخصصات التعلم الآلي.

وقال حسن حرب، من المشروع: “كنا نبحث عن جزيئات عضوية سائلة تحتفظ بالهيدروجين لفترة طويلة، ولكن ليس بقوة بحيث لا يمكن إزالتها بسهولة عند الطلب”. قام نظامهم بفرز 160 مليار جزيء، وباستخدام طريقة فحص الذكاء الاصطناعي، تمكنوا من فحص 3 ملايين جزيء في الثانية – لذلك استغرقت العملية النهائية بأكملها حوالي نصف يوم. (بالطبع، كانوا يستخدمون حاسوبًا عملاقًا كبيرًا جدًا). ​​وقد حددوا 41 من أفضل المرشحين، وهو رقم تافه بالنسبة للطاقم التجريبي لاختباره في المختبر. آمل أن يجدوا شيئًا مفيدًا، فلا أريد أن أضطر للتعامل مع تسرب الهيدروجين في سيارتي القادمة.

وفي الختام، هناك كلمة تحذير: وجدت دراسة في مجلة Science أن نماذج التعلم الآلي المستخدمة للتنبؤ بكيفية استجابة المرضى لعلاجات معينة كانت دقيقة للغاية … داخل مجموعة العينة التي تم تدريبهم عليها. وفي حالات أخرى، لم يساعدوا على الإطلاق. هذا لا يعني أنه لا ينبغي استخدامها، ولكنه يدعم ما يقوله الكثير من الأشخاص في هذا المجال: الذكاء الاصطناعي ليس حلاً سحريًا، ويجب اختباره بدقة في كل مجتمع جديد وتطبيق يتم تطبيقه. ل.