بین روش یادگیری کامپیوتر و روش یادگیری انسان اختلاف اساسی وجود دارد. انسان می‌تواند یک نمونه را ببیند و بفهمد که چه شیء یا نمادی ممکن است برای آن استفاده شده باشد و سریعا چیزهای مشابه آن را شناسایی کند. یک کامپیوتر فقط می‌تواند بعد از اینکه هزاران هزار نمونه را مشاهده نمود به همان استنتاج برسد، این روش معمولا با نام یادگیری ماشینی معرفی می‌شود.

اگر چه امکان تغییر دادن آن وجود دارد.

دانشمندان در دانشگاه نیویورک روشی را کشف کردند که کامپیوترها فقط از انسان ها تقلید نکنند، بلکه بتوانند دوباره نمادها و نقاشی ‌های ساده‌ای را ایجاد ‌کنند به گونه ‌ای که از آنهایی که انسان ‌ها ایجاد کرده‌ بودند غیرقابل تشخیص باشد.

در مقاله‌ای که این هفته منتشر شد محققان علوم توصیف کردند که آن ها چگونه یک الگوریتم "برنامه یادگیری بیزین (BPL)" را ساخته‌اند، که مفاهیم را به برنامه‌های ساده کامپیوتری تبدیل می‌کند و به کامپیوترها اجازه می‌دهد مجموعه‌ای بزرگ از مفاهیم واقعی را از یک نمونه ساده یاد بگیرند.

در یک الفبای دیجیتال، حرف "A" به وسیله کد نشان داده می‌شود. بجای اینکه یک برنامه‌نویس کد بنویسد، کامپیوتر برای نمایش دادن حرف A، کد تولید می‌کند و سپس با اعمال تغییرات بر اساس حرف اول نمونه‌های دیگری تولید می‌کند.

محققان می گویند که این روش، از دانش مفاهیم قبلی برای یادگیری استفاده می‌کند. برای مثال، اگر کامپیوتر الفبای لاتین را می‌داند، این روش می‌تواند به کامپیوتر کمک کند الفبای یونانی که مشابه الفبای انگلیسی است را یاد بگیرد.

Brenden Lake یکی از محققان دانشگاه نیویورک و نویسنده مقاله می‌گوید پیشرفت چشمگیر زمانی اتفاق افتاد که محققان متوجه شدند که، "اگر از چند نفر بخواهید که یه شخصیت داستانی را نقاشی کنند، مفهوم ثابتی که در روش نقاشی کشیدن افراد وجود دارد جالب توجه است، آن ها شخصیت را فقط مانند اشیای ساکن نمی‌بینند. بجای آن افراد ساختار مهمتری را می‌بینند که شرح می‌دهد چگونه یک نمونه جدید موثرتر از مفهوم ساخته می‌شود"

"هدف ما توسعه یک الگوریتم با همان قابلیت و مقایسه آن با مردم است"


یادگیری ماشین

توضیح تصویر: انسان‌ ها و ماشین ‌ها یک تصویر از یک شخصیت داستانی به آن ها داده شد و از آن ها خواسته شد نمونه‌ های جدیدی ایجاد کنند. گریدهای 9 کاراکتری تولید شده در هر جفت که به وسیله ماشین تولید شده‌اند (بر اساس ردیف) 1،2 - 2،2 – 1،1

آیا می توانید تشخیص دهید که کدامیک از تصاویر بوسیله کامپیوتر تولید شده است و کدامیک بوسیله انسان؟

جواب این سوال در توضیحات تصویر وجود دارد.

دانشمندان در جریان ارائه کارشان گفتند آن ها فقط یک برنامه یادگیری ماشینی نساخته اند، "بلکه آنچه این برنامه یاد می‌گیرد، مفاهیم است. ما فکر می‌کنیم که این موضوع برای انسان هم صادق است "

بسیار غیرمنتظره بود، وقتی که از کامپیوتر خواسته شد نمونه‌های جدیدی بر اساس مفهوم اصلی تولید کند، و نمونه‌های تولید شده با نمونه‌های ایجاد شده توسط انسان مقایسه شدند، اغلب افراد نتوانستند تشخیص دهند نمونه ایجاد شده توسط انسان تولید شده است یا کامپیوتر.

به عبارت دیگر، این مدل محاسباتی به سختی از تست تورینگ رد شد. رویای قرن بیستم آلن تورینگ (کسی که کد انیگما را رمزگشایی کرد) می گوید که در قرن بیست و یکم یک کامپیوتر 70% شانس دارد که یک انسان را فریب دهد به این صورت که اگر یک انسان با کامپیوتر از راه دور حرف بزند نمی تواند تشخیص دهد که دارد با یک ماشین حرف می زند یا یک انسان.

طبق مطالعات، "این روش می‌تواند یادگیری لحظه ای در سطح دقت انسان را در تست تورینگ به خوبی انجام دهد."

Lake می گوید: "تحقیقات ما نشان می‌دهد که با مهندسی معکوس این که انسان درمورد یک مشکل چگونه فکر می‌کند، می‌توانیم الگوریتم بهتری را توسعه دهیم"

این میانبر یادگیری ماشین می‌تواند پیامدهای وسیعی داشته باشد. کامپیوتر می‌تواند در زمان کوتاه تری یک زبان جدید یاد بگیرد، عکس ‌ها را تشخیص دهد و به سیستم ها کمک می کند طرح‌ های گرافیکی بهتر بر اساس طرح‌ های موجود، بدون استفاده از نیروی انسانی ایجاد کنند.

این تحقیق همچنین می‌تواند تاثیر قابل توجهی بر روی اختراعات آینده هوش مصنوعی، از جمله رباتیک داشته باشد. یک ربات که می‌تواند حرکت ‌های منطقی انجام دهد، شاید روزی در برخی از زمینه ‌ها مانند تصمیم‌ گیری از انسان ماهرتر شود. این می‌تواند یک فکر هیجان‌انگیز یا وحشتناک باشد.

هنوز هم همه موافق نیستند که این یک موفقیت است یا حتی اینکه سیستم آزمون تورینگ را رد کرده است.

Oren Etzioni مدیرعامل موسسه هوش مصنوعی آلن می گوید "آن ها تست تورینگ را مانند یک ماشین ‌حساب که انسان را از محاسبات بی نیاز کرده است، رد نکرده اند" و این کار در بهترین حالت یک دستاورد علمی محسوب می شود.  

Etzioni می گوید:"در حالی که نویسندگان یک سوال گول زننده علمی مطرح کردند، بسیاری از محققان از روش‌های مرتبط برای رسیدن به یک نتیجه قوی و محکم استفاده کردند. هنوز، این مقاله یک یادآوری ارزشمند است که ما به روش‌هایی نیازمندیم که بتوانند از تعداد کمی نمونه، نمونه‌های دیگری که توانایی‌های انسان را دارند و هوش مصنوعی پیشرفته‌تری دارند را تعمیم دهیم."

حتی اگر بپذیریم که پیشرفت‌های چشمگیری در زمینه هوش مصنوعی انجام شده، تولید برنامه‌های کاربردی برای این کار اگر ده ها سال طول نکشد بازهم سال ها زمان می خواهد؛ حتی طبق اندازه‌گیری خود دانشمندان این برنامه هنوز همان سطح از جزئیات ساختاری را مانند یک انسان ندارد.