🔻 ۴ دانشمند برجسته با نزدیک به یا بیش از ۱ میلیون ارجاع علمی در حوزه‌های مختلف

در دنیای علم و تحقیقات، رسیدن به ۱ میلیون ارجاع علمی یک دستاورد بزرگ است. در اینجا چهار دانشمند برجسته از حوزه‌های مختلف علمی از جمله فلسفه، هوش مصنوعی، و آمار پزشکی را معرفی می‌کنیم که به این مرز دست یافته‌اند.

1. Michel Foucault
تعداد ارجاعات: 1,393,972
حوزه تخصص: فلسفه، تاریخ ایده‌ها، اپیستمولوژی
دستاوردها: میشل فوکو با آثار فلسفی خود در زمینه‌های قدرت، جامعه‌شناسی و تاریخ‌شناسی تأثیر بسیاری داشته است. مهم‌ترین آثار او شامل "Discipline and Punish" و "The History of Sexuality" است. فوکو به‌عنوان یکی از متفکران مهم قرن 20 شناخته می‌شود و ارجاعات زیادی از محققان مختلف در سراسر جهان داشته است.

2. Douglas G. Altman
تعداد ارجاعات: 1,044,922
حوزه تخصص: آمار پزشکی، بیواستاتیستیک
دستاوردها: داگلاس آلتمن به‌عنوان یکی از پیشگامان در زمینه ارزیابی کیفیت مطالعات تحقیقاتی شناخته می‌شود. آثار او در زمینه‌هایی مانند "PRISMA Statement" و "STROBE Statement" برای بهبود روش‌های گزارش‌دهی در پژوهش‌های پزشکی و بیواستاتیستیک بسیار تأثیرگذار بوده‌اند.

3. Geoffrey Hinton
تعداد ارجاعات: 975,191
حوزه تخصص: یادگیری عمیق، هوش مصنوعی
دستاوردها: جفری هینتون یکی از پیشگامان اصلی در زمینه یادگیری عمیق است و بسیاری از مفاهیم کلیدی مانند شبکه‌های عصبی کانولوشنی (CNNs) را معرفی کرده است. مقالات معروف او شامل "Imagenet Classification with Deep Convolutional Neural Networks" و "Deep Learning" است که در دنیای هوش مصنوعی و یادگیری ماشین بسیار تأثیرگذار بوده‌اند.

4. Yoshua Bengio
تعداد ارجاعات: 1,003,232
حوزه تخصص: یادگیری عمیق، هوش مصنوعی
دستاوردها: یوشوا بنجیو یکی از بنیان‌گذاران یادگیری عمیق است و دستاوردهای او در توسعه مدل‌های یادگیری ماشین از جمله "Generative Adversarial Nets" و "Deep Learning" در دنیای هوش مصنوعی بسیار شناخته‌شده است. تحقیقات او در زمینه شبکه‌های عصبی و ترجمه ماشینی عصبی امروزه در بسیاری از فناوری‌های پیشرفته مورد استفاده قرار می‌گیرد.

🎓 نکات مهم
میشل فوکو به عنوان یک فیلسوف، بیش از 1.3 میلیون ارجاع دارد.
داگلاس آلتمن، استاد آمار پزشکی، به بیش از 1 میلیون ارجاع دست یافته است.
جفری هینتون، پیشگام یادگیری عمیق، ارجاعاتی حدود 975 هزار دارد که هنوز به یک میلیون نرسیده است.
یوشوا بنجیو با 1 میلیون ارجاع یکی از برجسته‌ترین محققان در زمینه هوش مصنوعی است.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «آکادمی هرم | @Pyramid_Research»‍

📕 چطور هوش مصنوعی بدون وزیر، استاد بزرگ‌های شطرنج را شکست می‌دهد؟

🚨 زمان مطالعه: ۲ دقیقه

🔗 #هوش‌مصنوعی

🔺 چند روز پیش پستی درباره bot شطرنجی LeelaPieceOdds خوندم که کلی داده از بازی‌هایش روی Lichess جمع کرده بود؛ مخصوصاً وقتی Leela با handicap‌ های عجیب مثل BBNN (یعنی بدون هر دو bishop و هر دو knight) بازی می‌کند. روی نمودارها، محور افقی rating بازیکن‌های انسانی بود و رنگ نارنجی درصد برد انسان‌ها را نشان می‌داد. نکته‌ی جالب این بود که حتی با چنین کمبود مهره‌ای، Leela هنوز در بخش بزرگی از محدوده‌ rating‌ ها شانس برد زیادی دارد، مخصوصاً در Blitz و Rapid، جایی که بیشتر داده هم از آن‌جاست.

🔹 تجربه افراد دیگر هم این بوده که بازی مقابل Leela شبیه شطرنج بازی کردن در حالت خستگی است: مداوم blunder می‌کنی، حس نمی‌کنی حریفت «شکست‌ناپذیر» است، ولی در عمل خیلی وقت‌ها از اون disadvantage وحشتناک اول بازی برمی‌گردد و می‌برد. آمار احتمالاً به نفع Leela bias دارد؛ چون وقتی انسان‌ها زیاد می‌بازند، ادامه می‌دهند (چون چالش‌برانگیز و جذاب است)، ولی وقتی زیاد می‌برند، یا سطح handicap را سخت‌تر می‌کنند یا کلاً ول می‌کنند. از طرفی چون Leela خیلی سریع بازی می‌کند، آدم‌ها ناخودآگاه سرعتش را تقلید می‌کنند و بدتر از کیفیت واقعی‌شان بازی می‌کنند. نتیجه‌ی عملی: اگر می‌خواهید قدرت واقعی Leela را حس کنید، odds‌ ای انتخاب کنید که در آن rating شما کمتر از یک‌سوم مواقع برنده می‌شود.

♾ البته LeelaPieceOdds هنوز جا برای بهتر شدن دارد؛ مثلاً با افزایش compute برای search یا با این‌که به‌جای «مدل انسان متوسط»، خودش را با سبک و اشتباهات یک بازیکن خاص تطبیق بدهد (analysis روی بازی‌های قبلی همان نفر). نقطه‌ی جالب‌تر متن اما ربط آن به بحث AI control و alignment است: بازی odds شطرنج یک mini-آنالوگ از «AI ضعیف‌شده داخل جعبه» است، ولی باید بدبین بود که چنین کنترل‌هایی در دنیای واقعی جواب بلندمدت بدهد. چون هم تشخیص تحقیق خوب از خروجی‌ای که فقط «خوب به نظر می‌رسد» به‌شدت انسان‌محور و پرهزینه است، و هم وقتی AI مسئله را حل نمی‌کند، ما انسان‌ها به‌طور طبیعی وسوسه می‌شویم آن را قوی‌تر، با ابزار بیش‌تر و آزادی عمل بیش‌تر کنیم؛ حتی اگر کم‌کم شبیه چیزی شود که احتمال فرار و فریب در آن واقعی است.

🦋 برای کسانی که شهودشان این است که «مزیت ساختاری (مثلاً مهره بیش‌تر، موقعیت بهتر) همیشه از هوش و سرچ قوی‌تر است»، بازی با LeelaPieceOdds می‌تواند تمرین خوبی باشد. این تجربه نشان می‌دهد که یک سیستم با search خیلی قوی و استفاده‌ی سیستماتیک از اشتباهات کوچک طرف مقابل، می‌تواند از دل handicap‌ های به‌ظاهر له‌کننده هم سربلند بیرون بیاید؛ و همین شهود را می‌شود خیلی راحت به بحث‌های ریسک AI و کنترل مدل‌های قدرتمند وصل کرد.

🔽 لینک منبع:
🔗 https://www.lesswrong.com/posts/eQvNBwaxyqQ5GAdyx/some-data-from-leelapieceodds

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉

🔅 «Instagram 💎 @Pyramid_Research»