استدلال استقرایی سولومونوف

بخشی از دوران کارشناسی ارشد، روی موضوع «استدلال استقرایی» و محدودیت‌های آن از منظری فلسفی و منطقی پژوهش می‌کردم. یکی از متدهای جایگزین برای استدلال استقرایی کلاسیک (همان روایت معروف و معتبر هیوم) استدلال استقرایی سولومونوف یا استدلال استقرایی یونیورسال است که توسط ری سولومونوف، ریاضیدان و فیلسوف امریکایی پیشنهاد شده بود و بخش مهمی از کار من را تشکیل می‌داد (البته بیشتر با رویکردی فلسفی).

در این نوشته، از پرداختن به جزئیات فنی و پیچیدگی‌های این مدل (که به شدت جذاب و الهام‌بخش هستند) خودداری می‌کنم و صرفا به بیان نکاتی می‌پردازم تا نقش محوری این روش در توسعه هوش مصنوعی جنرال را تبیین نمایم:

۱) در یادگیری ماشین (Machine Learning)، برای جلوگیری از برازش بیش از حد (Overfitting) معمولا اولویت را بر مکانیزم‌های تعمیم (Generalization) می‌دهند تا حفظ و نگهداری دیتا (Memorization).

۲) سیستم‌های بیولوژیکی به‌طور طبیعی با محدودیت‌های حافظه مواجه هستند و به دلیل محدودیت‌هایی که موجب تأخیر در استنتاج (Inference Latency) می‌گردد، یادگیری مبتنی بر استقرا را در اولویت مکانیزم‌های شناختی قرار می‌دهند.

۳) هوش مصنوعی، بر خلاف سیستم‌های بیولوژیکی، به طور نسبی فاقد محدودیت‌های محاسباتی و ذخیره‌سازی هستند.

۴) استدلال استقرایی سولومونوف، به طور همزمان بر اهمیت استدلال استقرایی و حفظ و نگهداری دیتا تأکید دارد (امری که حداقل از نظر تئوریکال ناممکن است ولی می‌توان نقاط بهینه‌ای را برای آن متصور بود).

۵) به نظر می‌رسد تلفیق استدلال انتقالی (Transductive Inference) به عنوان روشی در یادگیری ماشین که در آن، یک مدل از پیش آموزش دیده بر روی یک مجموعه داده (مثلا حیوانات)، برای انجام پیش‌بینی روی یک مجموعه داده جدید و متفاوت (مثلا گیاهان) استفاده می‌شود؛ و متدهای یادگیری مبتنی بر استدلال استقرایی سولومونوف (با ادغام حافظه‌ی کاری و حافظه بلندمدت) در یک چارچوب و معماری جدید، می‌تواند نویدبخش اتفاقات جالب و تحول‌آفرینی در عرصه هوش مصنوعی باشد.

و گویا در این زمینه پژوهش‌هایی در جریان است …