How to Get Inside the "Brain" of AI | Alona Fyshe | TED

Translator: Simin Kazemi Reviewer: Masoud Motamedifar

People are funny.

آدم‌ها بامزه‌اند.

We're constantly trying to understand and interpret

ما مدام داریم تلاش می‌کنیم تا دنیای اطرافمان را درک و تفسیر کنیم.

the world around us.

I live in a house with two black cats, and let me tell you,

من در خانه‌ای با دو گربه‌ی سیاه زندگی می‌کنم و این را بگویم که

every time I see a black, bunched up sweater out of the corner of my eye,

هر بار از گوشه‌ی چشمم ژاکت سیاهِ گوله‌شده‌ای می‌بینم، فکر می‌کنم گربه است.

I think it's a cat.

موضوع فقط چیزهایی که می‌بینیم نیست.

It's not just the things we see.

Sometimes we attribute more intelligence than might actually be there.

گاهی برای چیزها هوشی بیشتر از آنچه شاید دارند، قائل می‌شویم.

Maybe you've seen the dogs on TikTok.

شاید در تیک‌تاک، سگ‌ها را دیده باشید،

They have these little buttons that say things like "walk" or "treat."

با دکمه‌های کوچکی که با فشاردادن، چیزهایی مثل «پیاده‌روی» یا «خوراکی» می‌گویند.

سگ‌ها می‌توانند این دکمه‌ها را فشار دهند تا چیزی را به صاحبشان بگویند

They can push them to communicate some things with their owners,

and their owners think they use them

و صاحبشان فکر می‌کند سگ‌ها از این دکمه‌ها استفاده می‌کنند

to communicate some pretty impressive things.

تا حرف‌های حسابی شگفت‌انگیزی بزنند.

But do the dogs know what they're saying?

اما آیا این سگ‌ها می‌دانند که دارند چه حرفی می‌زنند؟

Or perhaps you've heard the story of Clever Hans the horse,

یا شاید داستان اسبی با نام «هانس باهوش» را شنیده باشید که می‌توانست ریاضی حل کند

and he could do math.

And not just like, simple math problems, really complicated ones,

و تازه نه فقط معادلات ساده‌ی ریاضی، حتی معادلات پیچیده‌

like, if the eighth day of the month falls on a Tuesday,

مثلاً اگر روز هشتم ماه سه‌شنبه باشد،

what's the date of the following Friday?

روز جمعه‌ی بعدش، چندم ماه است؟

It's like, pretty impressive for a horse.

ظاهراً انجامِ چنین کاری برای یک اسب، حسابی شگفت‌انگیز است.

Unfortunately, Hans wasn't doing math,

متاسفانه، هانس ریاضی حل نمی‌کرد،

but what he was doing was equally impressive.

اما کاری می‌کرد که به همان اندازه شگفت‌انگیز بود.

Hans had learned to watch the people in the room

هانس یاد گرفته بود که آدم‌های داخل اتاق را تماشا کند

to tell when he should tap his hoof.

تا متوجه شود که سُمش را باید کجا بزند.

So he communicated his answers by tapping his hoof.

خب او با زدنِ سُمش جواب سوالات را می‌گفت.

It turns out that if you know the answer

معلوم می‌شود که اگر پاسخ این سوال را بدانید که

to "if the eighth day of the month falls on a Tuesday,

«اگر روز هشتم ماه سه‌شنبه باشد،

what's the date of the following Friday,"

روز جمعه‌ی بعدش، چندم ماه هست»

ناخودآگاه حالت بدنتان را تغییر می‌دهید

you will subconsciously change your posture

once the horse has given the correct 18 taps.

وقتی که اسب پاسخ درست را با زدن ۱۸ ضربه نشان می‌دهد.

So Hans couldn't do math,

پس هانس نمی‌توانست ریاضی حل کند،

but he had learned to watch the people in the room who could do math,

اما یاد گرفته بود مردمی که در اتاق بودند و می‌توانستند ریاضی حل کنند را تماشا کند

which, I mean, still pretty impressive for a horse.

که البته هنوز هم برای یک اسب واقعاً شگفت‌انگیز است.

But this is an old picture,

اما این تصویری قدیمی است،

and we would not fall for Clever Hans today.

و ما امروز شیفته و فریب‌خورده‌ی هانس باهوش نمی‌شویم.

Or would we?

یا می‌شویم؟

Well, I work in AI,

راستش من در حوزه‌ی هوش مصنوعی کار می‌کنم

and let me tell you, things are wild.

و بذارید بگویم که همه‌چیز آشفته است.

There have been multiple examples of people being completely convinced

چندین مثال از آدم‌هایی داشته‌ایم که کاملاً اطمینان یافته‌اند

that AI understands them.

که هوش مصنوعی درکشان می‌کند.

In 2022,

در سال ۲۰۲۲،

a Google engineer thought that Google’s AI was sentient.

یکی از مهندسان گوگل فکر کرد که هوش مصنوعی گوگل ادراک حسی دارد.

And you may have had a really human-like conversation

و شاید شما هم تابه‌حال، گفت‌وگویی بسیار شبیه گفت‌وگو با انسان‌ها

with something like ChatGPT.

با چیزی مثل چت‌جی‌پی‌تی داشته‌اید.

But models we're training today are so much better

اما مدل‌هایی که ما امروزه آموزش می‌دهیم بسیار بهتر هستند از

than the models we had even five years ago.

مدل‌هایی که حتی همین پنج سال پیش داشتیم.

It really is remarkable.

این موضوع واقعاً فوق‌العاده است.

So at this super crazy moment in time,

پس در این دورانِ حسابی دیوانه‌وار، بیایید سوالِ حسابی دیوانه‌وار بپرسیم:

let’s ask the super crazy question:

Does AI understand us,

آیا هوش مصنوعی ما را درک می‌کند، یا ما با هانس باهوش دوران خودمان مواجهیم؟

or are we having our own Clever Hans moment?

Some philosophers think that computers will never understand language.

به نظر بعضی فیلسوف‌ها، کامپیوترها هرگز نخواهند توانست زبان را بفهمند.

To illustrate this, they developed something they call

برای نشان‌دادن این موضوع، آن‌ها چیزی را توسعه دادند به نام

the Chinese room argument.

آزمایش اتاق چینی.

In the Chinese room, there is a person, hypothetical person,

در اتاق چینی، فردی وجود دارد، فردی فرضی،

who does not understand Chinese,

که زبان چینی را متوجه نمی‌شود،

but he has along with him a set of instructions

اما دمِ دستش مجموعه‌ای دستورالعمل دارد

that tell him how to respond in Chinese to any Chinese sentence.

که به او می‌گوید چگونه به زبان چینی به هر جمله‌ی چینی پاسخ دهد.

Here's how the Chinese room works.

روش کار اتاق چینی اینگونه است.

A piece of paper comes in through a slot in the door,

تکه‌کاغذی از شکاف در وارد می‌شود،

چیزی به چینی روی آن نوشته شده است.

has something written in Chinese on it.

The person uses their instructions to figure out how to respond.

آن فرد از دستورالعمل‌هایش استفاده می‌کند تا متوجه شود چگونه پاسخ دهد.

They write the response down on a piece of paper

پاسخ را روی تکه‌کاغذی می‌نویسد و بعد از شکاف در آن را بیرون می‌فرستد.

and then send it back out through the door.

To somebody who speaks Chinese,

برای کسی که چینی صحبت می‌کند و بیرون از این اتاق ایستاده است،

standing outside this room,

it might seem like the person inside the room speaks Chinese.

شاید به نظر برسد این کسی که داخل اتاق است، چینی صحبت می‌کند.

But we know they do not,

اما ما می‌دانیم که این طور نیست،

چون داشتنِ دانش زبان چینی هیچ‌وقت به دنبال‌کردن این دستورالعمل‌ها نیاز ندارد.

because no knowledge of Chinese is required to follow the instructions.

Performance on this task does not show that you know Chinese.

عملکرد شما در این کار نشان‌دهنده‌ی این نیست که زبان چینی بلدید.

So what does that tell us about AI?

پس این ماجرا درباره‌ی هوش مصنوعی چه چیزی به ما می‌گوید؟

Well, when you and I stand outside of the room,

خب، وقتی من و شما بیرون از اتاق ایستاده باشیم،

when we speak to one of these AIs like ChatGPT,

وقتی با یکی از این هوش مصنوعی‌ها مثلاً چت‌جی‌پی‌تی صحبت می‌کنیم،

we are the person standing outside the room.

ما آن فردی هستیم که بیرون از اتاق ایستاده است.

We're feeding in English sentences,

داریم جملات انگلیسی می‌رسانیم، در عوض هم جملات انگلیسی تحویل می‌گیریم.

we're getting English sentences back.

It really looks like the models understand us.

واقعاً به نظر می‌رسد که این مدل‌ها ما را می‌فهمند.

It really looks like they know English.

واقعاً به نظر می‌رسد که انگلیسی را بلدند.

But under the hood,

اما در پشت پرده،

these models are just following a set of instructions, albeit complex.

این مدل‌ها فقط دارند مجموعه‌ای دستورالعمل، هرچند پیچیده، را دنبال می‌کنند.

How do we know if AI understands us?

از کجا بدانیم که هوش مصنوعی ما را می‌فهمد؟

To answer that question, let's go back to the Chinese room again.

برای پاسخ به این سوال، بیایید دوباره به اتاق چینی باز گردیم.

Let's say we have two Chinese rooms.

بیایید فرض کنیم دو اتاق چینی داریم.

In one Chinese room is somebody who actually speaks Chinese,

در یک اتاق چینی، فردی است که واقعاً چینی صحبت می‌کند،

و در اتاق دیگر، همان دغلکار ما وجود دارد.

and in the other room is our impostor.

When the person who actually speaks Chinese gets a piece of paper

وقتی کسی که واقعاً چینی صحبت می‌کند، تکه‌کاغذی می‌گیرد که

چیزی به چینی روی آن است، او می‌تواند آن را بخواند، بدون مشکل.

that says something in Chinese in it, they can read it, no problem.

But when our imposter gets it again,

اما وقتی دغلکار ما آن را می‌گیرد، باز هم

he has to use his set of instructions to figure out how to respond.

باید از مجموعه‌ی دستورالعمل‌هایش استفاده کند تا ببیند چطور پاسخ دهد.

From the outside, it might be impossible to distinguish these two rooms,

از بیرون، شاید تشخیص این دو اتاق از هم غیرممکن باشد،

but we know inside something really different is happening.

اما می‌دانیم که درون این اتاق‌ها اتفاقات بسیار متفاوتی دارد رخ می‌دهد.

To illustrate that,

برای نشان‌دادن این موضوع، فرض کنیم در درون ذهن این دو فردِ ما،

let's say inside the minds of our two people,

inside of our two rooms,

درون دو اتاقمان،

is a little scratch pad.

کاغذیادداشت کوچکی وجود دارد.

And everything they have to remember in order to do this task

و هر چه آن‌ها باید به یاد بیاورند برای این که بتوانند این کار را انجام دهند،

has to be written on that little scratch pad.

باید روی آن کاغذیادداشت کوچک نوشته شود.

If we could see what was written on that scratch pad,

اگر می‌توانستیم آنچه روی آن کاغذیادداشت نوشته شده را ببینیم،

we would be able to tell how different their approach to the task is.

می‌توانستیم بگوییم که روش آن‌ها برای انجام کار چقدر متفاوت است.

So though the input and the output of these two rooms

پس اگرچه شاید ورودی و خروجیِ این دو اتاق دقیقاً یکسان است،

might be exactly the same,

the process of getting from input to output -- completely different.

فرایندِ رسیدن از ورودی به خروجی کاملاً متفاوت است.

So again, what does that tell us about AI?

پس باز هم این موضوع، درباره‌ی هوش مصنوعی چه چیزی به ما می‌گوید؟

Again, if AI, even if it generates completely plausible dialogue,

باز هم، اگر هوش مصنوعی، حتی اگر گفت‌وگویی کاملاً باورپذیر تولید کند،

answers questions just like we would expect,

سوالات را درست همان طوری که انتظار داریم، پاسخ دهد،

it may still be an imposter of sorts.

شاید هنوز هم به‌نوعی دغلکاری است.

اگر می‌خواهیم بدانیم که آیا هوش مصنوعی زبان را مثل ما درک می‌کند یا نه،

If we want to know if AI understands language like we do,

we need to know what it's doing.

لازم است بدانیم که چه کار می‌کند.

We need to get inside to see what it's doing.

لازم است برویم داخل تا ببینیم چه کار می‌کند.

Is it an imposter or not?

آیا دغلکاری است یا نه؟

We need to see its scratch pad,

لازم است کاغذیادداشت‌هایش را ببینیم

and we need to be able to compare it

و لازم است بتوانیم آن‌ها را مقایسه کنیم با یادداشت‌های کسی که واقعاً زبان را می‌فهمد.

to the scratch pad of somebody who actually understands language.

But like scratch pads in brains,

اما مثل کاغذیادداشت‌های درون مغزها

that's not something we can actually see, right?

این چیزی نیست که واقعاً بتوانیم ببینیم. درست است؟

خب، معلوم شده است که به‌نوعی می‌توانیم کاغذیادداشت‌های درون مغزها را ببینیم.

Well, it turns out that we can kind of see scratch pads in brains.

با استفاده از چیزی مثل اِم‌آرآی کارکردی (اِف‌اِم‌آرآی) یا نوار مغزی

Using something like fMRI or EEG,

we can take what are like little snapshots of the brain while it’s reading.

می‌توانیم چیزهایی شبیه عکس‌های کوچک از مغز بگیریم وقتی دارد چیزی می‌خواند.

So have people read words or stories and then take pictures of their brain.

پس مردم از روی واژه‌ها یا داستان‌ها می‌خوانند و بعد عکس مغزشان را می‌گیریم.

And those brain images are like fuzzy,

و آن عکس‌های از مغز شبیه تصاویر تار و

out-of-focus pictures of the scratch pad of the brain.

بدون وضوح از کاغذیادداشت‌های مغز هستند.

They tell us a little bit about how the brain is processing

این عکس‌ها کمی درباره‌ی این به ما می‌گویند که در حین روخوانی شما

and representing information while you read.

مغز چگونه دارد اطلاعات را پردازش و مجسم می‌کند.

اینجا سه عکس داریم که وقتی گرفته شده‌اند که فرد داشته از روی این واژه‌ها می‌خوانده:

So here are three brain images taken while a person read the word "apartment,"

"house" and "celery."

«آپارتمان»، «خانه» و «کرفس».

You can see just with your naked eye

حتی با چشم غیرمسلحتان هم می‌توانید ببینید

that the brain image for "apartment" and "house"

که تصاویر مغز در زمان «آپارتمان» و «خانه»

are more similar to each other

بسیار بیشتر به هم شبیه‌اند

than they are to the brain image for "celery."

در مقایسه با تصویر مغز در زمان خواندن «کرفس».

And you know, of course that apartments and houses are more similar

و البته که می‌دانید آپارتمان‌ها و خانه‌ها بسیار بیشتر شبیه همدیگرند

than they are to celery, just the words.

در مقایسه با شباهتان با کرفس، فقط با استفاده از واژه‌ها.

So said another way,

پس به بیانی دیگر،

the brain uses its scratchpad when reading the words "apartment" and "house"

مغز در زمان خواندنِ «آپارتمان» و «خانه» طوری از کاغذیادداشت‌هایش استفاده می‌کند که

in a way that's more similar than when you read the word "celery."

بیشتر شبیه همدیگرند در مقایسه با زمان خواندن از روی واژه‌ی «کرفس».

The scratch pad tells us a little bit

کاغذیادداشت‌ها کمی به ما می‌گویند که مغز چگونه زبان را مجسم می‌کند.

about how the brain represents the language.

It's not a perfect picture of what the brain's doing,

این تصویری عالی نیست از این که مغز دارد چه می‌کند،

اما به‌اندازه‌ی کافی خوب هست.

but it's good enough.

OK, so we have scratch pads for the brain.

پس ما کاغذیادداشت‌هایی برای مغز داریم.

Now we need a scratch pad for AI.

حالا به کاغذیادداشتی از هوش مصنوعی نیاز داریم.

So inside a lot of AIs is a neural network.

خب، درون بسیاری از هوش مصنوعی‌ها شبکه‌ای عصبی است.

And inside of a neural network is a bunch of these little neurons.

و درون شبکه‌ی عصبی، دسته‌ای از این نورون‌های کوچک است.

So here the neurons are like these little gray circles.

پس اینجا نورون‌ها شبیه به این دایره‌های خاکستری هستند.

And we would like to know

و ما می‌خواهیم بدانیم که کاغذیادداشتِ شبکه‌ی عصبی چیست.

what is the scratch pad of a neural network?

Well, when we feed in a word into a neural network,

خب، وقتی واژه‌ای را وارد شبکه‌ی عصبی می‌کنیم،

each of the little neurons computes a number.

هر کدام از نورون‌های کوچک عددی را محاسبه می‌کنند.

Those little numbers I'm representing here with colors.

من اینجا آن عددهای کوچک را با رنگ‌ها مشخص کرده‌ام.

So every neuron computes this little number,

پس هر نورون عدد کوچکی را محاسبه می‌کند

and those numbers tell us something

و این اعداد چیزی به ما می‌گویند

about how the neural network is processing language.

از این که چگونه شبکه‌ی عصبی زبان را پردازش می‌کند.

Taken together,

در مجموع،

همه‌ی این دایره‌های کوچک برای ما تصویری می‌کشند

all of those little circles paint us a picture

of how the neural network is representing language,

از این که شبکه‌ی عصبی چگونه زبان را مجسم می‌کند

and they give us the scratch pad of the neural network.

و به ما کاغذیادداشت‌های شبکه‌ی عصبی را می‌دهند.

OK, great.

خب عالی شد.

Now we have two scratch pads, one from the brain and one from AI.

حالا دو دسته کاغذیادداشت داریم، یکی از مغز و یکی از هوش مصنوعی.

And we want to know: Is AI doing something like what the brain is doing?

و می‌خواهیم بدانیم: آیا هوش مصنوعی دارد کاری شبیه به کار مغز می‌کند؟

How can we test that?

چگونه می‌توانیم این را بسنجیم؟

Here's what researchers have come up with.

این روشی است که پژوهشگران به آن رسیده‌اند.

We're going to train a new model.

می‌خواهیم مدل جدیدی را آموزش بدهیم.

That new model is going to look at neural network scratch pad

این مدل جدید قرار است دنبال واژه‌ای مشخص در کاغذیادداشت‌های شبکه‌ی عصبی بگردد

for a particular word

and try to predict the brain scratch pad for the same word.

و سعی کند شکل کاغذیادداشت‌های مغز برای این واژه را حدس بزند.

We can do it, by the way, around two.

می‌توانیم این کار را از راهِ مقایسه‌ی این دو انجام دهیم.

So let's train a new model.

پس بیایید مدل جدیدی را آموزش دهیم.

It’s going to look at the neural network scratch pad for a particular word

قرار است دنبال واژه‌ای مشخص در کاغذیادداشت‌های شبکه‌ی عصبی بگردد

و سعی کند شکل کاغذیادداشت‌های مغز را حدس بزند.

and try to predict the brain scratchpad.

If the brain and AI are doing nothing alike,

اگر مغز و هوش مصنوعی هیچ کاری شبیه به هم انجام ندهند، هیچ نقطه‌اشتراکی ندارند،

have nothing in common,

ما نمی‌توانیم این پیش‌بینی را انجام دهیم.

we won't be able to do this prediction task.

It won't be possible to predict one from the other.

امکان نخواهد داشت که بتوان یک شکل را از روی دیگری پیش‌بینی کرد.

So we've reached a fork in the road

خب ما در مسیرمان به یک دوراهی رسیدیم

and you can probably tell I'm about to tell you one of two things.

و شاید بتوانید حدس بزنید که من قرار است یکی از این دو حرف را به شما بزنم.

I’m going to tell you AI is amazing,

قرار است یا بگویم هوش مصنوعی حیرت‌انگیز است

or I'm going to tell you AI is an imposter.

یا بگویم هوش مصنوعی دغلکار است.

پژوهشگرانی مثل من دوست دارند به شما یادآوری کنند

Researchers like me love to remind you

that AI is nothing like the brain.

که هوش مصنوعی به گرد پای مغز هم نمی‌رسد.

And that is true.

و درست هم هست.

But could it also be the AI and the brain share something in common?

اما آیا این هم ممکن است که هوش مصنوعی و مغز اشتراکاتی داشته باشند؟

So we’ve done this scratch pad prediction task,

پس این پیش‌بینی کاغذیادداشت‌ها را انجام دادیم

and it turns out, 75 percent of the time

و معلوم شد که ۷۵درصد مواقع

the predicted neural network scratchpad for a particular word

کاغذیادداشت پیش‌بینی‌شده‌ی شبکه‌ی عصبی برای یک واژه‌ی مشخص

is more similar to the true neural network scratchpad for that word

بسیار شبیه‌تر است به کاغذیادداشتِ واقعیِ همان واژه

than it is to the neural network scratch pad

تا به کاغذیادداشتِ شبکه‌ی عصبی برای واژه‌ی تصادفی انتخاب‌شده‌ی دیگری؛

for some other randomly chosen word --

75 percent is much better than chance.

۷۵درصد آنقدر زیاد هست که شانس حساب نشود.

What about for more complicated things,

برای چیزهای پیچیده‌تر چه؟

یعنی نه فقط برای واژه‌ها بلکه برای جملات یا حتی داستان‌ها؟

not just words, but sentences, even stories?

Again, this scratch pad prediction task works.

باز هم این پیش‌بینی کاغذیادداشت‌ها جواب می‌دهد.

We’re able to predict the neural network scratch pad from the brain and vice versa.

می‌توانیم کاغذیادداشت‌های شبکه‌ی عصبی را از روی کاغذهای مغز پیش‌بینی کنیم و بالعکس.

Amazing.

حیرت‌انگیز است.

So does that mean

پس آیا به این معناست

that neural networks and AI understand language just like we do?

که شبکه‌های عصبی و هوش مصنوعی درست مثل ما زبان را می‌فهمند؟

Well, truthfully, no.

خب، راستش را بگویم، نه.

Though these scratch pad prediction tasks show above-chance accuracy,

گرچه این پیش‌بینی‌های کاغذیادداشت‌ها دقتی بالاتر از شانسی‌بودن دارند،

the underlying correlations are still pretty weak.

همبستگی‌های بنیادین هنوز هم نسبتاً ضعیف‌اند.

And though neural networks are inspired by the brain,

و با این که شبکه‌های عصبی از مغز الهام گرفته‌اند،

they don't have the same kind of structure and complexity

همان نوع ساختار و پیچیدگی‌ای که در مغز می‌بینیم را ندارند.

that we see in the brain.

شبکه‌های عصبی در دنیا وجود خارجی هم ندارند.

Neural networks also don't exist in the world.

A neural network has never opened a door

یک شبکه‌ی عصبی هیچوقت دری را باز نکرده،

or seen a sunset, heard a baby cry.

یا غروب خورشیدی را ندیده، صدای گریه‌ی نوزادی را نشنیده است.

Can a neural network that doesn't actually exist in the world,

آیا شبکه‌ی عصبی‌ای که در حقیقت در دنیا وجود خارجی ندارد،

تاکنون واقعاً دنیا را تجربه نکرده است،

hasn't really experienced the world,

really understand language about the world?

واقعاً زبانی درباره‌ی دنیا را می‌فهمد؟

Still, these scratch pad prediction experiments have held up --

هنوز هم این آزمایش‌های پیش‌بینی کاغذیادداشت‌ها معتبر بوده‌اند؛

multiple brain imaging experiments,

چندین آزمایش تصویربرداری از مغز،

multiple neural networks.

چندین شبکه‌ی عصبی.

We've also found that as the neural networks get more accurate,

به‌علاوه، دریافته‌ایم که هرچه شبکه‌های عصبی دقیق‌تر می‌شوند،

they also start to use their scratch pad in a way

شروع می‌کنند از کاغذیادداشت‌هایشان طوری استفاده کنند که

بیشتر شبیه مغز می‌شود.

that becomes more brain-like.

و موضوع فقط درباره‌ی زبان نیست.

And it's not just language.

We've seen similar results in navigation and vision.

در حوزه‌های ناوبری و بینایی نتایج مشابهی دیده‌ایم.

So AI is not doing exactly what the brain is doing,

پس هوش مصنوعی دقیقاً همان کاری که مغز می‌کند را نمی‌کند،

but it's not completely random either.

اما کاملاً تصادفی هم نیست.

So from where I sit,

پس به نظر من،

if we want to know if AI really understands language like we do,

اگر بخواهیم بدانیم که آیا هوش مصنوعی واقعاً زبان را مثل ما درک می‌کند یا نه،

we need to get inside of the Chinese room.

لازم است وارد اتاق چینی شویم.

We need to know what the AI is doing,

لازم است بدانیم هوش مصنوعی دارد چه کار می‌کند،

and we need to be able to compare that to what people are doing

و لازم است بتوانیم آن را با کاری که افراد موقع درک زبان می‌کنند، مقایسه کنیم.

when they understand language.

AI is moving so fast.

هوش مصنوعی دارد خیلی سریع رشد می‌کند.

Today, I'm asking you, does AI understand language

امروز از شما می‌پرسم که آیا هوش مصنوعی زبان را درک می‌کند

that might seem like a silly question in ten years.

که شاید ده سال دیگر سوالی احمقانه به نظر برسد. یا ده ماه دیگر.

Or ten months.

(Laughter)

(صدای خنده)

But one thing will remain true.

اما یک چیز درست باقی خواهد ماند.

We are meaning-making humans,

ما انسان‌هایی معناساز هستیم

and we are going to continue to look for meaning

و همچنان در جست‌وجوی معنا خواهیم ماند

and interpret the world around us.

و همچنان دنیای اطرافمان را تفسیر خواهیم کرد.

And we will need to remember

و لازم است یادمان بماند

that if we only look at the input and output of AI,

که اگر فقط به ورودی و خروجیِ هوش مصنوعی نگاه کنیم،

it's very easy to be fooled.

خیلی راحت فریب می‌خوریم.

We need to get inside of the metaphorical room of AI

باید وارد اتاق استعاریِ هوش مصنوعی شویم

in order to see what's happening.

تا ببینیم دارد چه اتفاقی می‌افتد.

It's what's inside the counts.

آنچه درون است مهم است.

Thank you.

ممنونم.

(Applause)

(صدای تشویق)