۱. معرفی مقاله و اهمیت آن

در سال‌های اخیر، حوزه یادگیری ماشینی، به ویژه در زیرشاخه‌های بینایی ماشین و پردازش زبان طبیعی، شاهد تحولات عظیمی بوده است. مدل‌های ترانسفورمر (Transformer) با قابلیت‌های بی‌نظیر خود در فهم و تولید زبان، انقلابی در پردازش زبان طبیعی (NLP) ایجاد کرده‌اند و سپس با موفقیت چشمگیری به حوزه بینایی ماشین (Computer Vision) نیز راه یافته‌اند. این مدل‌ها، به خصوص در کاربردهای یادگیری ویژگی‌های خودنظارتی (Self-supervised Feature Learning)، به نتایج پیشرفته‌ای دست یافته‌اند. اما این موفقیت‌ها اغلب با هزینه‌ای سنگین همراه بوده‌اند: مدل‌های ترانسفورمر معمولاً شامل میلیاردها پارامتر هستند و فعال‌سازی‌های خودتوجهی آن‌ها (self-attention activations) دارای پیچیدگی محاسباتی بالایی است. این مقیاس عظیم، آموزش و حتی ارزیابی این مدل‌ها را برای اکثر محققان و تیم‌هایی که به منابع محاسباتی گسترده دسترسی ندارند، غیرممکن می‌سازد.

مقاله “On the Bias Against Inductive Biases” با عنوان فارسی “تبعیض علیه گرایش‌های استقرایی در یادگیری ماشینی”، به بررسی انتقادی یکی از ویژگی‌های مهم و متمایز کننده این مدل‌های نوین می‌پردازد: حذف بسیاری از گرایش‌های استقرایی (Inductive Biases) که در شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks – CNNs) کلاسیک وجود داشتند. گرایش‌های استقرایی در واقع پیش‌فرض‌ها یا ساختارهای داخلی یک مدل هستند که به آن کمک می‌کنند تا از داده‌ها یاد بگیرد و تعمیم‌پذیری (generalization) بهتری داشته باشد؛ برای مثال، در CNNها، محلی بودن (locality) و تغییرناپذیری انتقالی (translation equivariance) از جمله این گرایش‌ها محسوب می‌شوند. اهمیت این مقاله در درک این است که آیا حذف این گرایش‌ها همیشه به نفع مدل‌های یادگیری عمیق است، یا اینکه در شرایطی خاص، حضور آن‌ها می‌تواند مزایای قابل توجهی به همراه داشته باشد، به ویژه برای محققانی که با محدودیت منابع مواجه هستند. این تحقیق، نه تنها به روشن‌سازی نقش بنیادین گرایش‌های استقرایی کمک می‌کند، بلکه راه را برای طراحی معماری‌های کارآمدتر و دسترس‌پذیرتر برای آینده یادگیری ماشینی هموار می‌سازد.

۲. نویسندگان و زمینه تحقیق

نویسندگان مقاله، جورج کازاناوت (George Cazenavette) و سایمون لوسی (Simon Lucey)، از محققان فعال و شناخته‌شده در حوزه بینایی ماشین و یادگیری ماشینی هستند. تحقیقات آن‌ها اغلب بر جنبه‌های بنیادین معماری‌های یادگیری عمیق و کاربردهای عملی آن‌ها تمرکز دارد.

زمینه اصلی تحقیق این مقاله در تقاطع بینایی ماشین و یادگیری ماشین، با تمرکز خاص بر یادگیری خودنظارتی برای وظایف بصری قرار دارد. یادگیری خودنظارتی یک پارادایم رو به رشد است که در آن مدل‌ها با استفاده از داده‌های بدون برچسب، ویژگی‌های مفید را استخراج می‌کنند. این رویکرد به ویژه در شرایطی که برچسب‌گذاری داده‌ها پرهزینه یا دشوار است، ارزشمند است. ترانسفورمرها، که در ابتدا برای پردازش توالی‌ها طراحی شده بودند، با موفقیت به حوزه بینایی ماشین وارد شدند و با استفاده از مکانیسم خودتوجهی (Self-Attention)، توانایی مدل‌سازی وابستگی‌های جهانی (global dependencies) را به دست آوردند که شبکه‌های کانولوشنی سنتی در آن ضعف داشتند.

این مقاله به بررسی یک چالش اساسی در مسیر پیشرفت یادگیری عمیق می‌پردازد: پارادوکس میان عملکرد خیره‌کننده مدل‌های بسیار بزرگ و هزینه‌های گزاف محاسباتی آن‌ها. در حالی که مدل‌هایی با میلیاردها پارامتر ممکن است در مقیاس‌های عظیم داده و سخت‌افزار بی‌رقیب باشند، اکثریت قریب به اتفاق محققان و توسعه‌دهندگان، فاقد زیرساخت لازم برای کار با چنین مدل‌هایی هستند. لذا، درک اینکه چگونه می‌توان به عملکرد مشابه یا نزدیک به آن با منابع کمتر دست یافت، به یک اولویت تحقیقاتی تبدیل شده است. کار کازاناوت و لوسی در این مقاله دقیقاً در این چارچوب قرار می‌گیرد و به دنبال کشف ویژگی‌های بنیادین مدل‌های ترانسفورمر است که بتوان آن‌ها را در مقیاس‌های کوچک‌تر و قابل مدیریت‌تر نیز مورد مطالعه و بهره‌برداری قرار داد. آن‌ها به طور خاص بر روی نقش گرایش‌های استقرایی، به عنوان ابزاری برای بهبود کارایی و تعمیم‌پذیری در شرایط محدودیت منابع، تمرکز می‌کنند.

۳. چکیده و خلاصه محتوا

مقاله حاضر به بررسی نقادانه رویکرد غالب در طراحی مدل‌های یادگیری ماشینی نوین، به ویژه ترانسفورمرها، می‌پردازد که در آن گرایش‌های استقرایی به حداقل رسانده می‌شوند. چکیده مقاله به وضوح مشکل اصلی را مطرح می‌کند: “با الگوبرداری از مدل‌های ترانسفورمر که در حوزه پردازش زبان طبیعی انقلابی به پا کردند، یادگیری ویژگی‌های خودنظارتی برای وظایف بصری نیز با استفاده از این شبکه‌های بسیار عمیق و ایزوتروپیک (isotropic networks) به موفقیت‌های پیشرفته‌ای دست یافته است.” این بیان، اعترافی به قدرت ترانسفورمرها در زمینه‌های مختلف است.

با این حال، نویسندگان بلافاصله به محدودیت‌های عملی اشاره می‌کنند: “اما یک محقق معمولی هوش مصنوعی، منابع لازم برای ارزیابی، و حتی آموزش، مدلی با چندین میلیارد پارامتر و فعال‌سازی‌های خودتوجهی با پیچیدگی درجه دوم را ندارد.” این نکته، زمینه‌ساز اهمیت تحقیق است؛ یعنی نیاز به فهم مکانیزم‌های عملکرد این مدل‌های بزرگ برای کاربردهای عمومی‌تر و دسترس‌پذیرتر.

یکی از ویژگی‌های بارز این مدل‌های ترانسفورمر، حذف یا کاهش شدید گرایش‌های استقرایی است که در شبکه‌های کانولوشنی کلاسیک (مانند فرض محلی بودن و تغییرناپذیری انتقالی) وجود داشت. این مقاله دقیقاً همین جنبه را هدف قرار می‌دهد و به تحلیل تأثیر حذف یا حفظ این گرایش‌های استقرایی در شبکه‌های ایزوتروپیک (یعنی شبکه‌هایی که در تمام جهات و لایه‌ها از ساختار یکنواخت و بدون جهت‌گیری خاصی استفاده می‌کنند) با اندازه کوچک تا متوسط می‌پردازد. این انتخاب مقیاس برای شبکه‌ها بسیار حیاتی است، زیرا به محققان اجازه می‌دهد تا بدون نیاز به زیرساخت‌های عظیم، به بررسی این پدیده بپردازند.

هدف اصلی مقاله، بررسی این سوال است که آیا حذف گرایش‌های استقرایی همیشه یک رویکرد ایده‌آل است؟ نویسندگان در چکیده خود به صراحت بیان می‌کنند که “حذف آن‌ها همیشه ایده‌آل نیست.” این جمله، هسته اصلی یافته‌های مقاله و پیام کلیدی آن را تشکیل می‌دهد: در شرایط خاص، به ویژه در مورد مدل‌های کوچک‌تر و با منابع محدود، گرایش‌های استقرایی می‌توانند نقش حیاتی در بهبود عملکرد، کارایی و تعمیم‌پذیری ایفا کنند. این مقاله در واقع به نوعی بازنگری در “تعصب” فعلی علیه گرایش‌های استقرایی است و تلاش می‌کند تا ارزش آن‌ها را در اکوسیستم یادگیری عمیق مدرن بازتعریف کند.

۴. روش‌شناسی تحقیق

روش‌شناسی تحقیق در مقاله “On the Bias Against Inductive Biases” بر پایه یک رویکرد تجربی و مقایسه‌ای دقیق استوار است. نویسندگان به جای اینکه مدل‌های ترانسفورمر عظیم را با میلیاردها پارامتر مورد مطالعه قرار دهند (که عملاً برای محققان عادی غیرممکن است)، تمرکز خود را بر شبکه‌های ایزوتروپیک (Isotropic Networks) با اندازه کوچک تا متوسط قرار می‌دهند. این انتخاب مقیاس، امکان انجام آزمایش‌های کنترل‌شده و دسترسی‌پذیر را فراهم می‌آورد تا بتوان تأثیر گرایش‌های استقرایی را به دقت بررسی کرد.

مراحل و رویکردهای کلیدی روش‌شناسی به شرح زیر است:

• انتخاب معماری‌های پایه: نویسندگان احتمالاً مجموعه‌ای از معماری‌های شبکه عصبی را انتخاب کرده‌اند که می‌توانند به عنوان پایه برای افزودن یا حذف گرایش‌های استقرایی عمل کنند. این شبکه‌ها شامل ساختارهای شبه-ترانسفورمری (مانند Vision Transformers کوچک) یا شبکه‌های کاملاً متصل (fully connected) با ساختار منظم هستند که فاقد گرایش‌های استقرایی ذاتی CNNها می‌باشند. به عبارت دیگر، هدف آن‌ها ایجاد پلتفرمی بود که در آن بتوان نقش هر گرایش استقرایی را به صورت مجزا یا ترکیبی ارزیابی کرد.

• تعیین گرایش‌های استقرایی مورد بررسی: مقاله بر بررسی تأثیر “این و سایر گرایش‌های استقرایی” تمرکز دارد. این گرایش‌ها می‌توانند شامل موارد زیر باشند:

  • محلی بودن (Locality): این فرض که ویژگی‌های مفید در یک تصویر معمولاً در همسایگی نزدیک پیکسلی قرار دارند (که اساس عملیات کانولوشن است).
  • تغییرناپذیری انتقالی (Translation Equivariance): این ویژگی که تشخیص یک الگو در نقاط مختلف تصویر باید به نتایج مشابهی منجر شود.
  • سلسله‌مراتبی بودن (Hierarchy): سازماندهی لایه‌ها به گونه‌ای که ویژگی‌ها از جزئیات کم‌سطح به انتزاعات پرسطح استخراج شوند (مشابه آنچه در CNNها با استفاده از لایه‌های Pooling و Convolutional انجام می‌شود).
  • سایر گرایش‌های ساختاری مانند استفاده از لایه‌های Pooling یا اتصالاتی که فواصل دور را در نظر نمی‌گیرند.

• وظیفه یادگیری ویژگی بصری بدون نظارت: تمامی آزمایش‌ها در بستر یادگیری ویژگی‌های بصری بدون نظارت (Unsupervised Visual Feature Learning) انجام شده‌اند. این بدان معناست که مدل‌ها بدون استفاده از برچسب‌های انسانی، سعی در یادگیری نمایش‌های مفید از داده‌های تصویری می‌کنند. پس از آموزش، کیفیت ویژگی‌های یادگرفته شده با استفاده از وظایف پایین‌دستی (Downstream Tasks) مانند طبقه‌بندی تصویر در مجموعه داده‌های استاندارد (مانند ImageNet) ارزیابی می‌شود.

• طراحی آزمایش‌های مقایسه‌ای: نویسندگان مدل‌های مختلف را با ترکیب‌های متفاوت از گرایش‌های استقرایی آموزش می‌دهند. برای مثال، یک مدل پایه ایزوتروپیک (با گرایش‌های استقرایی کم) را با نسخه‌هایی که در آن‌ها مکانیسم‌های کانولوشنی یا سایر ساختارهای معرف گرایش‌های استقرایی اضافه شده‌اند، مقایسه می‌کنند. این مقایسه‌ها در شرایط مختلفی از جمله حجم داده‌های آموزشی (که می‌تواند بر اهمیت گرایش‌های استقرایی تأثیر بگذارد) انجام می‌شود.

• متریک‌های ارزیابی: عملکرد مدل‌ها عمدتاً بر اساس دقت (Accuracy) در وظایف طبقه‌بندی پایین‌دستی ارزیابی می‌شود. همچنین، معیارهایی مانند کارایی محاسباتی، تعداد پارامترها، و سرعت همگرایی نیز می‌توانند مورد بررسی قرار گیرند تا تصویری جامع از مزایا و معایب هر رویکرد ارائه شود.

با این رویکرد سیستماتیک، محققان توانستند تأثیرات کمی و کیفی حضور یا عدم حضور گرایش‌های استقرایی را بر عملکرد شبکه‌های عصبی مدرن، به خصوص در مقیاس‌های کاربردی‌تر، به تصویر بکشند.

۵. یافته‌های کلیدی

یافته‌های کلیدی مقاله “On the Bias Against Inductive Biases” به چالش کشیدن باور رایج در مورد مزیت مطلق حذف گرایش‌های استقرایی در معماری‌های نوین، به ویژه ترانسفورمرها، می‌پردازد. نکته محوری و اصلی تحقیق این است که “حذف گرایش‌های استقرایی همیشه ایده‌آل نیست.” این نتیجه‌گیری، به معنای آن است که ارزش گرایش‌های استقرایی بستگی زیادی به شرایط و محدودیت‌های خاص سیستم یادگیری دارد.

مهم‌ترین جزئیات یافته‌ها به شرح زیر است:

• عملکرد برتر گرایش‌های استقرایی در شبکه‌های کوچک تا متوسط: زمانی که مدل‌ها در مقیاس‌های کوچک‌تر یا متوسط (برخلاف ترانسفورمرهای غول‌پیکر با میلیاردها پارامتر) مورد استفاده قرار می‌گیرند، گرایش‌های استقرایی مانند آنهایی که در شبکه‌های کانولوشنی وجود دارند، می‌توانند به طور قابل توجهی عملکرد را بهبود بخشند. این بهبود شامل تعمیم‌پذیری بهتر (better generalization) و یادگیری کارآمدتر از داده‌های محدودتر است.

• نقش گرایش‌های استقرایی به عنوان “دانش قبلی”: در شرایطی که حجم داده‌های آموزشی محدود است، گرایش‌های استقرایی مانند محلی بودن (locality) و تغییرناپذیری انتقالی (translation equivariance)، به عنوان نوعی “دانش قبلی” (Prior Knowledge) عمل می‌کنند. این دانش قبلی، نیاز مدل به یادگیری الگوهای بنیادی از ابتدا را کاهش می‌دهد و به آن امکان می‌دهد تا با داده‌های کمتر، به نتایج معنی‌داری دست یابد. این امر از بیش‌برازش (Overfitting) به داده‌های آموزشی نیز جلوگیری می‌کند.

• وابستگی عملکرد به منابع محاسباتی و حجم داده: ترانسفورمرهای بسیار بزرگ می‌توانند کمبود گرایش‌های استقرایی را با تعداد بسیار زیاد پارامترها و دسترسی به حجم عظیمی از داده‌های آموزشی جبران کنند. این امکان به آن‌ها می‌دهد تا الگوهای پیچیده‌تر و روابط دوربرد را بدون نیاز به ساختارهای پیش‌فرض یاد بگیرند. اما شبکه‌های کوچک‌تر و با داده‌های محدودتر، فاقد این توانایی جبرانی هستند و در نتیجه، از مزایای گرایش‌های استقرایی به شدت بهره می‌برند.

• اهمیت تعادل در طراحی مدل: این تحقیق نشان می‌دهد که هیچ راه‌حل یکسانی برای همه مشکلات وجود ندارد. طراحی مدل‌های بهینه نیاز به در نظر گرفتن یک تعادل ظریف بین انعطاف‌پذیری معماری (که ترانسفورمرها ارائه می‌دهند) و کارایی (که گرایش‌های استقرایی فراهم می‌کنند) دارد. این بدان معناست که برای کاربردهای مختلف و با منابع متفاوت، ممکن است رویکردهای متفاوتی برای گنجاندن یا حذف گرایش‌های استقرایی نیاز باشد.

• تأیید مجدد ارزش CNNها در برخی سناریوها: این یافته‌ها به طور غیرمستقیم ارزش شبکه‌های کانولوشنی را در برخی سناریوها مجدداً تأیید می‌کند. در حالی که ترانسفورمرها در حال حاضر در صدر جدول بنچمارک‌ها قرار دارند، CNNها به دلیل ماهیت گرایش‌های استقرایی‌شان، همچنان گزینه‌ای قدرتمند و کارآمد برای بسیاری از وظایف بینایی ماشین در محیط‌های محدود منابع باقی می‌مانند.

به طور خلاصه، مقاله نشان می‌دهد که گرایش‌های استقرایی نباید به طور خودکار به عنوان یک مانع در نظر گرفته شوند؛ بلکه می‌توانند ابزارهای قدرتمندی برای افزایش کارایی و تعمیم‌پذیری مدل‌ها، به ویژه در شرایطی که منابع محاسباتی و حجم داده محدود است، باشند.

۶. کاربردها و دستاوردها

نتایج حاصل از مقاله “On the Bias Against Inductive Biases” دارای کاربردهای عملی گسترده و دستاوردهای مهمی برای جامعه تحقیقاتی و صنعتی یادگیری ماشینی است. این تحقیق به ویژه برای محققانی که با محدودیت‌های منابع محاسباتی مواجه هستند، مسیرهای جدیدی را برای طراحی مدل‌های کارآمدتر و مؤثرتر روشن می‌کند.

مهمترین کاربردها و دستاوردها عبارتند از:

• راهنمایی برای طراحی مدل‌های کارآمد با منابع محدود: اصلی‌ترین دستاورد مقاله، ارائه یک چارچوب فکری برای محققانی است که به ابررایانه‌ها دسترسی ندارند. این تحقیق نشان می‌دهد که نیازی نیست برای دستیابی به عملکرد خوب، کورکورانه از معماری‌های غول‌پیکر ترانسفورمر تقلید کرد. با بهره‌گیری هوشمندانه از گرایش‌های استقرایی، می‌توان مدل‌هایی ساخت که با تعداد پارامترهای کمتر و داده‌های محدودتر، همچنان به نتایج رقابتی دست یابند. این امر دموکراتیک‌سازی تحقیق و توسعه در AI را ترویج می‌دهد.

• توسعه معماری‌های هیبریدی (Hybrid Architectures): یافته‌ها الهام‌بخش طراحی مدل‌هایی هستند که بهترین‌های هر دو جهان را ترکیب می‌کنند: یعنی بهره‌گیری از توانایی‌های مدل‌های ترانسفورمر در مدل‌سازی روابط دوربرد، در کنار کارایی و دانش قبلی که از گرایش‌های استقرایی CNNها نشأت می‌گیرد. نمونه‌های اخیر مانند ConvNeXt نشان‌دهنده همین رویکرد هستند که با بازطراحی CNNها بر اساس اصول طراحی ترانسفورمر، به عملکردی مشابه یا حتی بهتر از ترانسفورمرها در بسیاری از وظایف دست یافته‌اند، در حالی که اغلب از نظر محاسباتی کارآمدترند.

• بهبود یادگیری خودنظارتی: این مقاله به طور خاص در زمینه یادگیری ویژگی‌های بصری خودنظارتی تحقیق کرده است. نتایج آن به توسعه روش‌های جدیدی برای آموزش مدل‌های خودنظارتی کمک می‌کند که می‌توانند با کارایی بیشتری از داده‌های بدون برچسب استفاده کنند، به ویژه در سناریوهایی که مجموعه داده‌های بسیار بزرگ در دسترس نیستند.

• کاربردهای صنعتی و دستگاه‌های Edge: مدل‌های کوچک‌تر و کارآمدتر که از گرایش‌های استقرایی بهره می‌برند، برای استقرار در دستگاه‌های Edge (Edge Devices) مانند تلفن‌های هوشمند، دوربین‌های هوشمند، و حسگرهای IoT که دارای توان محاسباتی و انرژی محدود هستند، ایده‌آل هستند. این امکان پیاده‌سازی هوش مصنوعی در محیط‌های واقعی را بدون نیاز به پردازش ابری (cloud processing) فراهم می‌کند و به افزایش حریم خصوصی و کاهش تأخیر کمک می‌کند.

• درک عمیق‌تر نظری یادگیری ماشینی: این تحقیق به جامعه علمی کمک می‌کند تا درک عمیق‌تری از نقش دانش قبلی و ساختارهای پیش‌فرض در فرآیند یادگیری مدل‌ها به دست آورد. این یک گام مهم در جهت حرکت از رویکرد آزمون و خطا به سمت طراحی مدل‌های مبتنی بر اصول و تئوری‌های مستحکم‌تر است.

به طور خلاصه، مقاله “تبعیض علیه گرایش‌های استقرایی” نه تنها یک بحث نظری جذاب را مطرح می‌کند، بلکه ابزارهای عملی و دیدگاه‌های جدیدی را برای حل چالش‌های واقعی در توسعه سیستم‌های هوش مصنوعی ارائه می‌دهد و به ما نشان می‌دهد که بهینه‌سازی مدل همیشه به معنای “کمتر، بیشتر است” (less is more) نیست، بلکه “کمتر به صورت هوشمندانه، بیشتر است.”

۷. نتیجه‌گیری

مقاله “On the Bias Against Inductive Biases” با عنوانی هوشمندانه و محتوایی روشنگرانه، یک پیام کلیدی و بسیار حیاتی را به جامعه یادگیری ماشینی منتقل می‌کند: گرایش‌های استقرایی (Inductive Biases) نباید به طور کلی به عنوان دشمنان پیشرفت در نظر گرفته شوند، بلکه ابزارهای قدرتمندی هستند که در شرایط مناسب، می‌توانند به کارایی و تعمیم‌پذیری مدل‌ها کمک شایانی کنند. این تحقیق، باور رایج مبنی بر اینکه حذف کامل این گرایش‌ها در مدل‌های ترانسفورمر همیشه به نفع عملکرد است را به چالش می‌کشد.

یافته‌های اصلی این مطالعه نشان می‌دهد که برای شبکه‌های ایزوتروپیک با اندازه کوچک تا متوسط و در سناریوهایی با محدودیت منابع محاسباتی یا حجم داده‌های آموزشی، گنجاندن گرایش‌های استقرایی مانند محلی بودن و تغییرناپذیری انتقالی (که در شبکه‌های کانولوشنی وجود دارند)، می‌تواند منجر به بهبود قابل توجهی در عملکرد و کارایی مدل شود. این به دلیل نقش گرایش‌های استقرایی به عنوان “دانش قبلی” است که به مدل اجازه می‌دهد تا با داده‌های کمتری الگوهای معنی‌دار را یاد بگیرد و از بیش‌برازش جلوگیری کند.

اهمیت این نتیجه‌گیری فراتر از یک بحث نظری است. این مقاله راهنمایی‌های عملی برای محققان و مهندسان هوش مصنوعی ارائه می‌دهد که به منابع عظیم محاسباتی دسترسی ندارند. به جای دنبال کردن کورکورانه مسیر مدل‌های میلیاردها پارامتری، می‌توان با درک عمیق‌تر از تأثیر گرایش‌های استقرایی، معماری‌هایی طراحی کرد که هم کارآمد باشند و هم عملکرد بالایی داشته باشند. این امر منجر به توسعه معماری‌های هیبریدی، مدل‌های بهینه برای دستگاه‌های Edge و دموکراتیک‌تر شدن تحقیق در حوزه یادگیری عمیق می‌شود.

در نهایت، این مقاله ما را به تفکر انتقادی در مورد پارادایم‌های جدید و پرهیز از تعصبات فناورانه دعوت می‌کند. آینده یادگیری عمیق احتمالاً در گرو یافتن تعادل بهینه بین انعطاف‌پذیری مدل‌های بزرگ و کارایی گرایش‌های استقرایی نهفته است. تحقیقات آتی می‌تواند بر روی توسعه روش‌هایی برای گنجاندن هوشمندانه و پویا گرایش‌های استقرایی در معماری‌های مختلف، متناسب با وظیفه و محدودیت‌های موجود، تمرکز کند. این رویکرد، ما را به سمت ساخت سیستم‌های هوش مصنوعی هم قدرتمندتر و هم در دسترس‌تر سوق خواهد داد.