محققان در مقالهای جدید به بررسی نقش حیاتی «محاسبات» در یادگیری تقویتی (Reinforcement Learning) پرداختند. تا امروز، معمولاً توانایی یک مدل هوش مصنوعی را با تعداد پارامترهایش میسنجیدیم، اما این تحقیق نشان میدهد که حتی با تعداد پارامترهای ثابت، اگر به مدل اجازه دهیم از «محاسبات بیشتری» استفاده کند، میتواند مسائل پیچیدهتر را حل کرده و در سناریوهای طولانیمدت بهتر عمل کند.
نتایج آزمایشها روی ۳۱ تسک مختلف نشان میدهد که مدلهای جدید با استفاده از محاسبات متغیر، حتی با پارامترهای کمتر، عملکرد بسیار قدرتمندتر و تعمیمپذیری (Generalization) بالاتری نسبت به شبکههای عصبی سنتی دارند. این یعنی در آینده شاید هوش مصنوعی با بهینهسازی نحوه استفاده از منابع، بسیار هوشمندتر از چیزی که فکر میکنیم ظاهر شود! 🧠⚡
منبع: arXiv Machine Learning
