בלי מורה, בלי כיתה, בלי ספרים: איך הבינה המלאכותית למדה בעצמה

תחזרו לרגע בכיתה ג', בשיעור חשבון על לוח הכפל. האם המורה הסבירה את הקשר בין כפל לחיבור? השתמשה בדוגמאות מהחיים, בפירות או בעוגיות? האם עבדתם בזוגות או באופן עצמאי?

בשיעור טוב, המורה מציג ידע חדש או אתגר, מאפשר לתלמידים להתמודד איתו ומתאים את רמת הקושי להתקדמותם. למידה, אחרי הכול, היא לא רק קבלת מידע – היא גם התנסות, אתגר ומשוב. אבל האם אפשר ליצור תהליך למידה דומה גם בבינה מלאכותית, מבלי להזין אותה מראש במידע מהעולם האמיתי?

בדרך כלל, מערכות בינה מלאכותית לומדות באמצעות חשיפה לכמויות עצומות של טקסטים, תמונות, הקלטות ואתרי אינטרנט. הן מזהות בהם דפוסים ומשתמשות בהם כדי לחזות מידע חדש. אבל מה אם חומר הלימוד כולו נוצר בתוך תהליך האימון עצמו?

 טובים השניים מן האחד: מודל מורה ומודל תלמיד

מחקר חדש בהשתתפות חוקרים מאוניברסיטת תל אביב ומאוניברסיטת סטנפורד מציג הוכחת היתכנות לכך שמודל יכול לרכוש כישורי חיזוי כלליים גם ללא מידע חיצוני. המחקר נערך בהנחיית ד"ר יואב לוין מביה"ס למדעי המחשב ובינה מלאכותית ע"ש בלווטניק באוניברסיטת תל אביב, במסגרת עבודת הפוסט־דוקטורט של ד"ר כפיר דולב, ובשיתוף חוקרים מאוניברסיטת סטנפורד.

החוקרים פיתחו שיטת אימון שבה שני מודלים מתחילים מאפס ולומדים יחד. הראשון, בתפקיד המורה, יוצר תוכניות מחשב קצרות שמפיקות רצפים מלאכותיים של סימנים. השני, בתפקיד התלמיד, מתאמן בחיזוי הסימן הבא בכל רצף.

גם המודל שמייצר את התרגילים משתפר תוך כדי התהליך: הוא מקבל משוב על תרומתם ללמידה ובהתאם לכך מתאים את האתגרים ליכולת המתפתחת של המודל השני. כך נוצרת סביבת למידה מלאכותית שמשתפרת לאורך האימון – בדומה, במובן מסוים, לאופן שבו מורה מתאים את התרגילים להתקדמות תלמידיו.

^{מודל מורה ומודל תלמיד}

 המבחן האמיתי: האם הלמידה עובדת גם מחוץ לכיתה?

לאחר האימון בחנו החוקרים אם היכולות שרכש המודל באמצעות הרצפים המלאכותיים יועילו לו גם בהתמודדות עם מידע אמיתי שאליו לא נחשף קודם.

המודל נבחן על טקסטים, תמונות, צלילים, מוזיקה, קוד ורצפי DNA. התוצאות הראו שככל שהושקעו יותר משאבי חישוב באימון, כך השתפרה יכולת החיזוי שלו בתחומים רבים. נוסף על כך, הוא הצליח להסיק כללים מתוך דוגמאות שהוצגו לו במהלך הבדיקה, ללא אימון נוסף.

אחד הממצאים המסקרנים התגלה דווקא בחומר הלימוד שהמערכת יצרה לעצמה. במהלך האימון הופיעו בו דפוסים מתמטיים מוכרים, ובהם סדרת פיבונאצ'י – סדרת מספרים שבה כל מספר הוא הסכום של שני קודמיו: 0, 1, 1, 2, 3, 5, 8, 13 וכן הלאה. דפוסים הקשורים לסדרה מופיעים גם בטבע, למשל בסידור הזרעים בחמניות ובמבנה של אצטרובלים.

המערכת לא קיבלה את הסדרה כחומר לימוד, אלא יצרה רצפים בעלי מבנה שהמודל השני יכול להפיק מהם תועלת. החוקרים מצאו גם שאימון מקדים בשיטה החדשה סייע למודל ללמוד מהר יותר כשנחשף בהמשך לנתונים אמיתיים.

 ^{סדרת פיבונאצ'י בסידור הזרעים בחמניות}

 לחזות את החיזוי: מה הלאה?

המחקר מעלה שאלות רחבות על יכולות הלמידה של מערכות בינה מלאכותית: האם קיימים עקרונות למידה כלליים שאינם תלויים במידע חיצוני? האם אפשר לרכוש יכולות חיזוי והכללה בלי להכיר מראש את העולם? והאם מודלים שיוצרים לעצמם התנסויות יוכלו בעתיד ללמוד מידע אמיתי ביעילות רבה יותר?

לצד ההבטחה, יש גם מגבלות: השיטה אינה מאפשרת למודל ללמוד עובדות על המציאות בלי להיחשף אליה, אלא עשויה לסייע לו לפתח יכולות שיאפשרו לו ללמוד ממנה ביעילות רבה יותר. נוסף על כך, מדובר בהוכחת היתכנות שנבחנה במודלים קטנים.

ד"ר יואב לוין מסכם:

במשך שנים ההנחה השולטת הייתה שכדי שמודל בינה מלאכותית ילמד משהו מועיל, צריך קודם להזין אותו בכמויות גדולות של מידע מן העולם. במחקר הפרכנו את ההנחה הבסיסית הזו של התחום והראינו שמודל יכול לרכוש כישורי חיזוי כלליים גם כשהוא מתאמן רק על מידע שנוצר בתוך תהליך הלמידה עצמו.