هوش مصنوعی
آیا عامل‌های هوش مصنوعی هم به خواب نیاز دارند؟
پیش‌چاپی در arXiv پیشنهاد می‌کند سازوکارهای مرتبط با خواب را برای سامان‌دهی حافظهٔ عامل‌های زبانی به کار بگیریم؛ ادعایی که هنوز باید آزموده شود.
عامل‌های مبتنی بر مدل‌های زبانی که در چندین نشست فعال می‌مانند و از تعامل با کاربر حافظه می‌سازند، ممکن است با انباشت اطلاعات دچار «رانش معنایی»، افت دقت بازیابی، انتشار خطاهای ذخیره‌شده و پرشدن ظرفیت حافظه شوند. نویسندگان پیش‌چاپی در arXiv این مشکلات را به انعطاف‌پذیری بی‌مهار حافظه نسبت می‌دهند.
آن‌ها با تکیه بر چارچوب انتخاب‌گرایانهٔ «زنگ‌زنی، تشدید و بازبهنجارش» (RRR) برای خواب، پیشنهاد می‌کنند هر یک از سه مرحلهٔ این چارچوب را می‌توان به عملیاتی در معماری‌های حافظهٔ دیجیتال تبدیل کرد. به‌گفتهٔ نویسندگان، سازندگان عامل‌های دارای حافظه نیز با همان پرسش‌هایی روبه‌رو شده‌اند که خواب برای حلشان تکامل یافته است: چه چیزی را باید فراموش کرد و چه زمانی؟
پیش‌چاپ پیش‌بینی آزمون‌پذیری مطرح می‌کند: با بزرگ‌شدن مخزن حافظه، تثبیت انتخاب‌گرایانه از روش‌های دستورمحور بهتر عمل خواهد کرد. ادعای اصلی نویسندگان این است که یادگیری پیوسته هزینه دارد و هر سامانه‌ای که با ظرفیت محدود، پیوسته و در تعامل با محیط یاد می‌گیرد، به سازوکاری برای استراحت و سامان‌دهی نیاز دارد. این نتیجه در متن به‌صورت پیش‌بینی و ادعا مطرح شده، نه یافته‌ای قطعی.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده