در یک آزمایش با GPT-6 Astra، وزن‌های چند شبکه عصبی کوچک مستقیماً برای اجرای وظایف مشخص در بازی پونگ تولید شده‌اند. نکته جالب این است که مدل به‌جای نوشتن کد، سراغ ساخت خود وزن‌های شبکه رفته؛ روشی که نگاه متفاوتی به توانایی مدل‌های زبانی نشان می‌دهد.
نکات کلیدی
- GPT-6 Astra مستقیماً وزن‌های چند شبکه عصبی کوچک را تولید کرده است.
- هر شبکه در بازی پونگ وظیفه مشخصی داشته است.
- فرایند ساخت وزن‌ها حدود ۸ دقیقه زمان برده است.
- این آزمایش حدود ۲۰۰ هزار توکن مصرف کرده که بیشتر آن خروجی بوده است.
- یک ویرایشگر زنده امکان تغییر وزن‌ها هنگام اجرای بازی را فراهم کرده است.
تولید وزن به‌جای نوشتن کد
در این آزمایش GPT-6 Astra با بازی پونگ، مدل به‌جای تولید برنامه، مستقیماً مقادیر عددی یا همان وزن‌های شبکه عصبی را ساخته است. وزن‌ها پارامترهایی هستند که رفتار شبکه را در برابر ورودی‌های مختلف تعیین می‌کنند.
برای این بازی، چند شبکه کوچک در نظر گرفته شده که هرکدام وظیفه‌ای مشخص داشته‌اند. اطلاعات منتشرشده جزئیات بیشتری درباره معماری این شبکه‌ها، شیوه ارزیابی یا میزان موفقیت آن‌ها ارائه نمی‌کند؛ بنابراین نتیجه را باید در حد یک آزمایش اولیه در نظر گرفت.
تغییر رفتار بازی با دست‌کاری یک نورون
بخش قابل‌توجه دیگر، ساخت یک ویرایشگر زنده وزن‌ها بوده است. این ابزار اجازه می‌داده وزن‌های شبکه هم‌زمان با اجرای بازی تغییر کنند و اثر آن‌ها بلافاصله دیده شود.
در نمونه‌ای که شرح داده شده، تغییر یک نورون باعث شده توپ دیگر به سمت چپ حرکت نکند. این قابلیت می‌تواند برای شما تصویری ملموس از ارتباط میان مقادیر درونی یک شبکه کوچک و رفتار نهایی آن ایجاد کند.
آزمایشی متفاوت با GPT-6 Astra
این نخستین نمونه مطرح‌شده از آزمایش‌های غیرمعمول با این مدل نیست؛ پیش‌تر نیز گزارشی درباره ساخت ربات حل‌کننده روبیک با GPT-6 Astra منتشر شده بود. تفاوت این آزمایش در تمرکز مستقیم بر فضای وزن‌های شبکه عصبی است، نه صرفاً استفاده از مدل برای تولید کد.
جمع‌بندی
ساخت مستقیم وزن‌های شبکه عصبی برای یک بازی ساده، ایده‌ای جذاب و متفاوت است؛ به‌خصوص وقتی بتوان اثر تغییر هر نورون را همان لحظه دید. بااین‌حال، برای قضاوت دقیق‌تر درباره توانایی و تکرارپذیری این روش، جزئیات فنی و نتایج آزمایش‌های بیشتری لازم است.