مدل‌های جهان: پیوند گمشده به هوش مصنوعی عمومی

برای دهه‌ها، هوش مصنوعی بر شناسایی الگوها و کنترل واکنشی تمرکز داشته است. ما سیستم‌هایی ساختیم که می‌توانستند در شطرنج از ما بهتر عمل کنند یا گربه‌ها را در تصاویر تشخیص دهند، اما این مدل‌ها از یک قابلیت بنیادین انسانی محروم بودند: توانایی تصور. ما صرفاً به جهان واکنش نشان نمی‌دهیم؛ بلکه آن را در ذهن خود شبیه‌سازی می‌کنیم. ما نتایج را پیش از وقوع پیش‌بینی می‌کنیم. ما با اجرای سناریوهای «چه می‌شود اگر» در یک ساندباکس ذهنی برنامه‌ریزی می‌کنیم. این مفهوم اصلی پشت مدل‌های جهان است.

در بافت هوش مصنوعی عمومی (AGI)، یک مدل جهان یک نمایش داخلی از محیط خارجی است که به یک عامل اجازه می‌دهد پیش‌بینی‌هایی درباره وضعیت‌های آینده جهان انجام دهد. به جای یادگیری یک نگاشت مستقیم از ورودی حسی به عمل، عامل یک نمایش فشرده و پنهان از فیزیک، قوانین و علیت محیط خود را یاد می‌گیرد. این امر امکان یادگیری با کارایی داده‌ای بالاتر، تعمیم‌پذیری بهتر به سناریوهای ندیده و پتانسیل برای برنامه‌ریزی استراتژیک واقعی را فراهم می‌کند.

معماری یک مدل جهان

اکثر معماری‌های مدرن مدل‌های جهان که توسط دیوید ها و یورگن شمیدهوبر در مدل‌های جهان 1.0 محبوب شدند، بر سه مؤلفه کلیدی استوارند:

1. کدگذار (V): داده‌های خام حسی (مثلاً پیکسل‌های یک فریم ویدیو) را دریافت کرده و آن‌ها را به یک بردار پنهان کم‌بُعد z فشرده می‌کند. این برای کارایی محاسباتی حیاتی است.
2. مدل بازگشتی (M): از یک شبکه عصبی بازگشتی (RNN)، اغلب یک LSTM، برای پیش‌بینی وضعیت پنهان بعدی z_{t+1} بر اساس وضعیت فعلی z_t و عمل انجام شده a_t استفاده می‌کند. این موتور «شبیه‌سازی» است.
3. کدگشای (C): داده‌های خام حسی را از وضعیت پنهان بازسازی می‌کند. این کار فضا را پنهان را مجبور می‌کند اطلاعات معناداری درباره محیط را حفظ کند.

با آموزش همزمان این مؤلفه‌ها، عامل یک مدل فشرده و پیش‌بینانه از محیط را یاد می‌گیرد. سپس می‌تواند از این مدل برای «خوابیدن» درباره توالی‌های آینده وضعیت‌ها بدون تعامل با دنیای واقعی استفاده کند.

چرا برای AGI اهمیت دارد؟

یادگیری تقویتی سنتی (RL) از نظر محاسباتی پرهزینه است زیرا به میلیون‌ها تعامل با محیط نیاز دارد. مدل‌های جهان پارادایم را با اجازه دادن به عامل برای یادگیری بیشتر سیاست خود درون تخیل مدل جهان تغییر می‌دهند. این به عنوان یادگیری تقویتی مبتنی بر مدل شناخته می‌شود.

برای AGI، این امر حیاتی است زیرا هوش انسانی به شدت به فیزیک شهودی و استدلال علی متکی است. سیستمی که می‌تواند پیش‌بینی کند که یک توپ خواهد پرید، شیشه خواهد شکست، یا یک خودرو روی یخ لغزید، این کار را به این دلیل انجام می‌دهد که یک مدل جهان داخلی دارد. بدون این، هوش مصنوعی به سیستم‌های باریک مبتنی بر قوانین یا همبستگی‌های آماری زورگویی محدود می‌شود که خارج از توزیع آموزش آن‌ها شکست می‌خورند.

طرح پیاده‌سازی در PyTorch

در زیر یک نمونه مفهومی ساده‌شده از عبور رو به جلو (forward pass) یک مدل جهان آمده است. در عمل، کدگذار و کدگشای اغلب شبکه‌های عصبی کانولوشنی (CNNs) هستند و مدل یک LSTM است.

import torch
import torch.nn as nn

class WorldModel(nn.Module):
    def __init__(self, input_size, latent_size, hidden_size, output_size):
        super(WorldModel, self).__init__()
        # Encoder: Maps input to latent state
        self.encoder = nn.Sequential(
            nn.Linear(input_size, hidden_size),
            nn.ReLU(),
            nn.Linear(hidden_size, latent_size)
        )
        
        # Model: Predicts next latent state
        self.lstm = nn.LSTM(latent_size + 1, latent_size, batch_first=True)
        # Note: +1 because we concatenate action to latent state
        
        # Decoder: Maps latent state back to observation
        self.decoder = nn.Sequential(
            nn.Linear(latent_size, hidden_size),
            nn.ReLU(),
            nn.Linear(hidden_size, output_size)
        )

    def forward(self, obs, action):
        # 1. Encode current observation
        z_t = self.encoder(obs)
        
        # 2. Predict next latent state
        # Combine latent state and action as input to LSTM
        lstm_input = torch.cat([z_t, action.unsqueeze(1)], dim=1)
        h, c = self.lstm(lstm_input, (None, None)) # Simplified for clarity
        z_t1 = h[0]
        
        # 3. Decode predicted latent state to observe prediction
        pred_obs = self.decoder(z_t1)
        
        return pred_obs, z_t1

چالش‌ها و محدودیت‌ها

با وجود وعده‌های بزرگ، مدل‌های جهان با چالش‌های قابل توجهی روبرو هستند:

• خطاهای ترکیبی: هنگام پیش‌بینی چند گام به آینده، خطاهای کوچک در پیش‌بینی پنهان تجمیع می‌شوند و منجر به انحراف قابل توجهی از واقعیت می‌شوند.
• هزینه محاسباتی: اجرای مدل برای توالی‌های طولانی در طول برنامه‌ریزی می‌تواند از نظر محاسباتی سنگین باشد، هرچند ارزان‌تر از تعامل با دنیای واقعی است.
• مبادله انتزاعی: فشرده‌سازی به فضای پنهان لزوماً برخی جزئیات را از دست می‌دهد. عامل باید یاد بگیرد کدام جزئیات برای وظیفه مرتبط هستند.

نتیجه‌گیری

مدل‌های جهان نشان‌دهنده یک تغییر از «یادگیری از تجربه» به «یادگیری از تخیل» هستند. آن‌ها یک مؤلفه بنیادین از نسل بعدی سیستم‌های هوش مصنوعی هستند که هدفشان درک جهان است، نه صرفاً طبقه‌بندی آن. با نزدیک شدن به AGI، توانایی ساخت و استفاده از شبیه‌سازی‌های داخلی احتمالاً کلید دستیابی به استدلال، برنامه‌ریزی و انطباق‌پذیری مانند انسان خواهد بود. آینده هوش مصنوعی فقط درباره مدل‌های بزرگ‌تر نیست؛ بلکه درباره ذهن‌های هوشمندتر است.