هوش مصنوعی

تاریخ هوش مصنوعی درباره آینده‌اش به ما چه می‌گوید؟

هوش مصنوعی اولیه IBM طی زمان، عرصه رقابت را به شبکه‌‌های عصبی واگذار کرد. شبکه‌های عصبی و یادگیری ماشین با همه دستاوردهای مثبت هنوز در اول راه هستند.

در سال ۱۹۹۷ ابررایانه‌ی شطرنج‌باز شرکت IBM به نام دیپ بلو بهترین شطرنج‌باز دنیا را شکست داد. از آن زمان تاکنون نوع جدیدی از هوش مصنوعی به‌ نام شبکه‌های عصبی توجهات را به خود جلب کرده و موفقیت ابرارایانه‌های قدر‌تمند را تحت‌الشعاع قرار داده است. اکنون بعد از گذشت ۲۵ سال رایانه‌هایی مانند دیپ ‌بلو شاید آخرین برگ برنده‌ی خود را رو کنند.

در ماه مه سال ۱۹۹۷ در ساختمان اکوئیتبل در قلب شهر نیویورک شطرنج‌باز پرآوازه‌ با بی‌قراری روی صندلی چرمی مجلل خود جابه‌جا می‌شود. گری کاسپاروف با ناراحتی دستانش را لای موهایش ‌می‌برد. این آخرین دست از مسابقه‌ی شطرنج او مقابل ابرارایانه‌ی دیپ بلو بود، در این بازی سرنوشت‌ساز برنده‌ی رقابت بین انسان و سیلیکون مشخص می‌شد، اما اوضاع برای کاسپاروف خوب پیش نرفته بود. او در ابتدای بازی اشتباه بزرگی کرده بود و از فرط سرزنش به خود می‌لرزید. کاسپاروف در گوشه‌ی رینگ گیر افتاده بود و دیپ بلو آخرین ضربه‌ها را بر او وارد می‌کرد.

به‌طور معمول یک بازی شطرنج در چنین سطح بالایی حداقل چهار ساعت طول می‌کشد، اما هنوز یک ساعت از بازی نگذشته بود که کاسپاروف فهمید راهی برای گریز از شکست وجود ندارد. کاسپاروف شکست خود را قبول کرد و در صندلی خود به سمت جلو خم شد تا دست رقب خود، جوزف هوآن را فشار دهد. هوآن مهندس شرکت کامپیوتری IBM و از کسانی بود که در توسعه ابررایانه‌ی دیپ ‌بلو مشارکت داشت و او بود که در‌ مقابل کاسپاروف نشسته بود و مهره‌های شطرنج را طبق تصمیمات رایانه روی تخته‌ی بازی حرکت می‌داد.

کاسپاروف از روی صندلی‌اش جهید و به سمت تماشاگران رفت و با ناامیدی شانه‌هایش را بالا انداخت. او بعدها به خاطر می‌آورد که در آن لحظات به این فکر می‌کرده که این کامپیوتر همانند یک خدای شطرنج، در برابرش بازی کرده است.

شکست تاریخی کاسپاروف

شنیدن خبر شکست قهرمان شطرنج جهان از دیپ‌ بلو برای تمام کسانی که اخبار حوزه‌ی رایانه، به‌خصوص هوش مصنوعی را دنبال می‌کردند، شوکه‌کننده بود. روزنامه‌ی نیوزویک این بازی را آخرین سنگر دفاع مغز انسان نام‌گذاری کرده بود، برخی نیز کاسپاروف را آخرین مدافع بشریت می‌دانستند. اگر هوش مصنوعی توانسته بود بهترین ذهن شطرنج‌باز دنیا را مغلوب کند، پس می‌توانست در همه‌ی زمینه‌ها انسان را شکست دهد و چه کسی پرچم‌دار این فناوری ترسناک بود؟ شرکت آمریکایی IBM.

اما گذشت زمان خلاف این موضوع را ثابت کرد. وقتی اکنون بعد از ۲۵ سال به پیروزی دیپ بلو نگاه می‌کنیم، این برتری بیشتر از این که یک دستاورد بزرگ برای هوش مصنوعی باشد همانند به صدا درآمدن ناقوس مرگ او بود. توسعه‌ی ابررایانه‌ی دیپ‌ بلو، یک شاهکار مهندسی و اوج دوران شکوه هوش مصنوعی نسل خودش بود. دیپ بلو که در‌ نتیجه‌ی هزاران ساعت تلاش و نوشتن تعداد غیرقابل‌باوری از خط‌های دستوری ساخته شده بود به‌زودی در سایه‌ی نوع دیگری از هوش مصنوعی قرار می‌گرفت؛ شبکه‌ی عصبی، یا به‌طور دقیق‌تر نوعی فناوری به نام یادگیری عمیق. دیپ‌ بلو مانند یک دایناسور بزرگ و سنگین بود که به زحمت می‌توانست خود را حرکت دهد و اوضاع به‌گونه‌ای بود که گویی قرار بود تا این دایناسور بزرگ و سنگین با ‌یک سنگ آسمانی، به‌کلی نابود شود.

شبکه‌های عصبی در این میان، تنها پستانداران کوچکی بودند که زنده ماندند و تکثیر شدند و چهره‌ی محیط اطراف خود را تغییر دادند. در جهانی که هوش مصنوعی در همه‌ی گوشه و کنار آن حضور دارد، هنوز دانشمندان در مورد برخی اساسی‌ترین موضوعات پیرامون آن پرسش‌هایی مطرح می‌کنند؛ آیا هوش مصنوعی به معنای واقعی توانایی فکر کردن دارد؟ وقتی زمان پاسخ دادن به چنین پرسشی فرا می‌رسد، شاید این دیپ بلو باشد که آخرین برگ برنده‌اش را رو می‌کند.

وقتی IBM در سال ۱۹۸۹ کار روی ابررایانه‌ی دیپ بلو را شروع کرد، هوش مصنوعی در وضعیت أسفناکی قرار داشت. این حوزه از علوم رایانه‌ای تا آن زمان چرخه‌ای از اوج‌گیری‌های گیج‌کننده و زمین خوردن‌های تحقیرآمیز را تجربه کرده بود. پیشگامان این حوزه در دهه‌ی ۵۰ می‌گفتند هوش مصنوعی در آینده نوید پیشرفت‌های چشمگیری را خواهد داد. ریاضیدان معروف کلاد شانون این‌طور پیش‌بینی کرده بود:

در مدت زمان ۱۰ تا ۱۵ سال چیزی از آزمایشگاه‌ها بیرون خواهد آمد که تفاوت زیادی با ربات‌های فیلم‌های علمی-تخیلی نخواهد داشت.

چنین اتفاقی هیچ‌گاه روی نداد. هر بار که مخترعان در پروژه‌های خود شکست می‌خوردند، سرمایه‌گذاران از این که پول خود را هدر داده بودند بیشتر ناامید می‌شدند. به‌زودی آنان از سرمایه‌گذاری روی هوش مصنوعی دست کشیدند و بدین‌ترتیب در دهه‌های ۷۰ و ۸۰ فصل کم‌فعالیتی در این حوزه یا به اصطلاح «زمستان هوش مصنوعی» از راه رسید.

ما اکنون می‌دانیم دلیل این شکست‌ها چه بوده است. توسعه‌دهندگان هوش مصنوعی تلاش می‌کردند تمام آشفتگی زندگی روزانه را در قالب منطق محض در آورند. آن‌ها فکر می‌کردند این همان روشی است که انسان‌ها در زندگی پیش می‌گیرند. با این فرض مهندسان با نهایت صبر برای تک‌تک موضوعاتی که هوش مصنوعی باید در مورد آن تصمیم می‌گرفت یک سری قانون به‌صورت کد دستوری می‌نوشتند؛ اما مشکل این روش آن است که جهان واقعی بی‌نهایت درهم و پیچیده و پر از جزئیات است و همه‌ چیز را نمی‌توان به روش منطق و استدلال محض کنترل کرد. مهندسان نرم‌افزار که در آن برهه از زمان به آن‌ها کارشناسان سیستم می‌گفتند، درست مانند یک ساعت‌ساز ماهر با نهایت دقت و حوصله تکه‌های شاهکار مهندسی خود را در کنار یکدیگر قرار می‌دادند تا این که یک واقعیت ساده در دنیای واقعی با یک ضربه‌ی فریبنده، سازه‌ی زیبا اما پوشالی، آن‌ها را از هم فرو می‌ریخت.

جهان واقعی بسیار درهم و پیچیده است و همه‌ چیز را نمی‌توان به روش منطق و استدلال محض در آن کنترل کرد

برای مثال یک شرکت صادرکننده‌ی کارت اعتباری سیستمی را برای تأیید درخواست‌های صدور کارت اعتباری راه‌اندازی می‌کند، اما بعداً مشخص می‌شود که این سیستم برای سگ‌ها و کودکان ۱۳ ساله نیز کارت اعتباری صادر می‌کرده است. برنامه‌نویسان این سیستم هیچ‌گاه تصور نمی‌کردند که افرادی به نام حیوانات خانگی درخواست صدور کارت اعتباری کنند، بنابراین هیچ قانونی برای تصمیم‌گیری سیستم در مواجهه این شرایط نوشته نشده بود. چنین سیستم‌هایی نمی‌توانند به خودی‌خود قوانین جدیدی یاد بگیرند و تعداد احتمالاتی که ممکن است در جهان واقعی روی دهد آنقدر زیاد است که همیشه چیزی از ذهن برنامه‌نویسان دور می‌ماند.

هوش مصنوعی که بر پایه‌ی نوشتن قوانین به‌صورت دستی توسعه داده شده بود، از اساس شکننده بود. اگر چنین سیستمی با یک موقعیت ناآشنا و عجیب روبه‌رو شود، به اصطلاح می‌شکند. در ابتدای سال‌های دهه‌ی ۱۹۹۰ میلادی مشکلاتی که کارشناسان سیستم با آن روبه‌رو شده بودند باعث رخ دادن یک دوره‌ی زمستانی و سرد دیگر برای هوش مصنوعی شد.

اورن اتزیونی، مدیرعامل مؤسسه‌ هوش مصنوعی آلن در سیاتل ایالات متحده که در آن زمان در شروع فعالیت خود در حوزه‌ی هوش مصنوعی یک پروفسور علوم رایانه‌ای جوان بود، در باره‌ی جو دهه‌ی ۹۰ پیرامون هوش مصنوعی می‌گوید:

اوضاع این‌طور بود که هرگاه صحبت از هوش مصنوعی می‌شد همه می‌گفتند بی‌خیال! همه‌ی این‌ها فقط هیاهوی بیخود است.

درست در همین فضای بدبینانه نسبت به هوش مصنوعی بود که ابررایانه‌ی دیپ بلو مانند یک مأموریت فضایی جاه‌طلبانه و شورانگیز از راه رسید.

دیپ بلو در واقع ادامه‌ی پروژه‌ی دیگری به نام Deep Thought بود؛ یک ابررایانه‌ی شطرنج‌باز که در دانشگاه کارنگی ملون در پیتسبورگ توسط موری کمپبل، فنگ هسیونگ هسو و همکارانشان ساخته شده بود. دیپ ثاوت در انجام کاری که برای آن ساخته شده بود بسیار کارآمد بود. در سال ۱۹۸۸ این ابررایانه اولین نوع از هوش مصنوعی شد که توانسته بود یک استادبزرگ شطرنج به نام بنت لارسن را شکست دهد. تیم دانشگاهی کارنگی ملون الگوریتم‌های پیچیده‌ای برای ارزیابی حرکت‌های بازی شطرنج طراحی کرده بودند، همچنین آن‌ها برای اجرای سریع این الگوریتم‌ها سخت‌افزارهای مخصوصی طراحی کرده بودند. نکته‌ی جالب در مورد نام انتخاب‌شده برای ابررایانه این است که دیپ ثاوت نام یک کاراکتر هوش مصنوعی در سری رمان‌های کمدی راهنمای مسافران در کهکشان بود که سخنان دوپهلو و گاه خنده‌داری می‌زد، از جمله این که وقتی از او در مورد معنای زندگی سؤال شد پس از تحلیل و بررسی به این جواب رسید: ۴۲.

وقتی آوازه‌ی موفقیت‌های دیپ ثاوت به گوش سران IBM رسید مدیران این شرکت به فکر یک چالش‌ بزرگ‌تر افتادند: ساخت ابررایانه‌ای که هر کسی را در بازی شطرنج شکست دهد. در سال ۱۹۸۹ هسو و کمپبل به استخدام IBM درآمدند. وظیفه‌ی آن‌ها ساختن رایانه‌ای برای شکست دادن بهترین شطرنج‌باز دنیا بود. بازی شطرنج در محافل مرتبط با هوش مصنوعی دارای جایگاه نمادین ویژه‌ای بود، جایی که دو رقیب در یک فضای عرفانی تنها با اتکا به قدرت تفکر خود به رقابت می‌پردازند.

برای ساخت چنین ابررایانه‌ای کمپبل و تیم او باید چیپ‌های سریع‌تری برای پردازش اطلاعات و پیش‌بینی حرکات مهره‌ی شطرنج طراحی می‌کردند. آن‌ها همچنین از چند استاد بزرگ شطرنج برای بهبود الگوریتم‌های خود کمک گرفتند. مهم‌ترین دغدعه‌ی آن‌ها کارآمدی الگوریتم‌ها بود، تعداد احتمالاتی که ممکن است در یک بازی‌شطرنج روی دهد از تعداد کل اتم‌های کیهان بیشتر است.

شطرنج در محافل هوش مصنوعی دارای جایگاه خاصی بود

حتی یک ابررایانه نمی‌تواند تمامی این احتمالات را در یک مدت زمان معقول بررسی کند. دیپ بلو برای انجام بازی شطرنج ابتدا حرکت بعدی را در نظر می‌گرفت و تمام احتمالات ممکن را محاسبه می‌کرد سپس حرکت‌هایی را که کمتر موفقیت‌آمیز به نظر می‌رسیدند، کنار می‌گذاشت و از بین احتمالات بر جای مانده حرکت دوم بعدی را در نظر می‌گرفت و چند حرکت دیگر را حذف می‌کرد و این فرایند را چند بار تکرار می‌کرد. کمپبل در این مورد می‌گوید:

ما فکر می‌کردیم ساخت دیپ بلو پنج سال زمان ببرد؛ اما کمی بیش از شش سال طول کشید.

در سال ۱۹۹۶، IBM به این نتیجه رسید که وقت رویارویی با کاسپاروف فرا رسیده است و زمان مسابقه ماه فوریه اعلام شد. کمپبل و تیم او سراسیمه در تلاش بودند تا تمام کارهای دیپ بلو را به اتمام برسانند. وقتی ابررایانه روی صحنه‌ی رقابت ظاهر شد، تنها چند هفته از شروع به کار آن گذشته بود.

هرچند دیپ بلو بازی اول را با پیروزی پشت سر گذاشت، کاسپاروف سه بازی بعد را برد و برنده‌ی مسابقه شد. IBM تقاضای یک مسابقه‌ی دیگر کرد و کمپبل و تیم او شروع به ساختن سخت‌افزارهای سریع‌تر کردند. در پایان کار نسخه‌ی جدید دیپ بلو از ۳۰ پردازنده‌ی پاور‌پی‌سی ساخت مشترک سه شرکت IBM، اپل و موتورولا و ۴۸۰ چیپ پردازشی مخصوص بازی شطرنج ساخته شده بود. آن‌ها همچنین استادهای بزرگ بیشتری برای کمک به توسعه‌ی الگوریتم‌ها و ارزیابی حرکات بعدی استخدام کردند. در یک برهه از زمان، ۴ یا ۵ استادبزرگ شطرنج برای IBM کار می‌کردند. وقتی کاسپاروف و دیپ بلو برای بار دوم در ماه می ۱۹۹۷ در‌ مقابل یکدیگر قرار گرفتند، ابررایانه‌ دو برابر سریع‌تر شده بود و در هر ثانیه می‌توانست ۲۰۰ میلیون حرکت را پردازش کند.

بااین‌حال مهندسان IBM از پیروزی مطمئن نبودند، کمپبل به یاد می‌آورد که آن‌ها به یک تساوی نیز راضی بودند؛ اما واقعیت از آن چه پیش‌بینی می‌شد دراماتیک‌تر شد. کاسپاروف بازی اول را قاطعانه برد، اما در بازی دوم در حرکت سی‌وششم، دیپ بلو حرکتی انجام داد که کاسپاروف انتظار آن را نداشت. کاسپاروف با نحوه‌ی بازی شطرنج توسط رایانه‌ها آشنایی پیدا کرده بود، آن‌ها از توانایی‌های خُردکننده‌ی خود برای محاسبه و پیش‌بینی مسیر بازی پس از انتخاب یک حرکت مشخص نهایت استفاده را می‌بردند. رایانه‌ها در انتخاب تاکتیک کوتاه‌مدت نسبت به انسان بسیار بهتر عمل می‌کردند، دیپ بلو به‌راحتی می‌توانست به بهترین انتخاب ممکن برای چند حرکت بعدی برسد؛ اما چیزی که رایانه‌ها به‌صورت ساختاری در آن عملکرد ناامیدکننده‌ای داشتند اتخاذ استراتژی بود، یعنی توانایی پیش‌بینی شکل بازی نه در چند حرکت بعدی بلکه برای ده‌ها حرکت بعدی.

هوش مصنوعی

رایانه‌ها هیچ تصوری از استراتژی نداشتند و همین نقطه‌ی قوت انسان‌ها در بازی شطرنج بود. این همان برگ برنده‌ای بود که کاسپاروف در سراسر به آن فکر می‌کرد تا این که حرکت دیپ بلو در بازی دوم او را تکان داد. این حرکت به‌نحوی پیچیده بود که کاسپاروف را نگران کرد؛ شاید رایانه از آن چه او تا به حال فکر می‌کرد پیچیده‌تر بود، و شاید دیپ بلو تا آن زمان دست خود را رو نکرده بود تا بعداً او را با تحمیل یک شکست سنگین تحقیر کند. کاسپاروف که متقاعد شده بود راهی برای فرار از شکست ندارد، در میانه‌ی بازی دوم شکست خود را قبول کرد.

اما کاسپاروف نباید این کار را می‌کرد، بعداً مشخص شد دیپ بلو آن‌طور که او در حین بازی و پیش از پذیرش شکست به ذهنش رسیده بوده، حرکت پیچیده‌ای انجام نداده بود، در واقع کاسپاروف به‌راحتی می‌توانست بازی را با تساوی به پایان ببرد؛ اما ترس از تحقیر شکست سنگین باعث شد حرکت معمولی دیپ بلو در ذهن کاسپاروف پیچیده به نظر بیاید. کاسپاروف در ادامه‌ی رقابت بیشتر هراسید؛ او فکر می‌کرد رایانه‌ بسیار قدرتمندتر از او بود و شاید حالا می‌توانست مانند انسان فکر کند و برای بازی استراتژی داشته باشد و به‌تعبیری برای او دام پهن کند.

کاسپاروف ضرب‌آهنگ بازی خود را از دست داد و بدتر و بدتر بازی کرد. او خود را بیش از پیش باخته بود. در ابتدای بازی ششم که برنده‌ی آن پیروز کل مسابقه می‌شد، کاسپاروف چنان حرکت ناشیانه‌ای انجام داد که صدای آه تماشاگران برخاست. او بعدتر در یک کنفرانس خبری در مورد بازی گفت:

آن روز، روز من نبود و حوصله‌ی بازی کردن را نداشتم.

IBM پاداش جاه‌طلبی‌هایش را گرفت. به‌دلیل پوشش دیوانه‌وار خبری که بعد از پیروزی دیپ‌بلو رخ داد ارزش بازار این شرکت در یک هفته ۱۱٫۴ میلیارد دلار رشد کرد. اما نکته‌ی مهم‌تر این بود که غلبه‌ی رایانه‌ی IBM بر تیزهوش‌ترین انسان روی زمین باعث شد زمستان هوش مصنوعی به پایان برسد. نظر عموم نسبت به هوش مصنوعی برگشته بود. کمپل می‌گوید حالا همه‌ی توجه‌ها به ما معطوف شده بود.

واقعیت این است که پیروزی یک نرم‌افزار رایانه‌ای بر کاسپاروف اصلاً شگفت‌آور نبود. بیشتر افرادی که سررشته‌ای از هوش مصنوعی داشتند و بازی شطرنج را دنبال می‌کردند انتظار چنین نتیجه‌ای را داشتند. شطرنج شاید قله‌ی توانایی فکری انسان به نظر برسد؛ اما به هیچ‌وجه این‌طور نیست. در‌ واقع شطرنج تنها یک بازی فکری است که یک سیستم دارای توان پردازشی بالا به‌راحتی از عهده‌ی انجام آن برمی‌آيد. قوانین شطرنج مشخص هستند، هیچ اطلاعات پنهانی وجود ندارد و هیچ چیز غیرقابل پیش‌بینی‌ای نمی‌تواند اتفاق بیفتد. سیستم لازم نیست اطلاعاتی از آن چه پیش‌ از این در بازی روی داده را ذخیره کند بلکه روی حرکت‌های احتمالی بعدی تمرکز می‌کند.

همه از این موضوع مطلع بودند که اگر رایانه‌ها روزی به‌اندازه‌ی کافی سریع شوند به‌راحتی انسان‌ها را در شطرنج شکست می‌دهند، تنها پرسشی که باقی مانده بود زمان فرا رسیدن آن لحظه بود. دمیس هسابیس مدیرعامل شرکت دیپ‌مایند زیرمجموعه‌ی آلفابت می‌گوید:

در سال‌های میانی دهه‌ی ۱۹۹۰ همه در این مورد متفق‌القول بودند که رایانه‌ها روزی ما را در شطرنج شکست می‌دهند.

دانشمندان از همان روز پیروزی دیپ‌ بلو برابر کاسپاروف به این نکته پی بردند که سیستم‌های مبتنی بر کدهای دستوری تا چه اندازه محدودیت عملکرد بالایی دارند. IBM چند سال و ده‌ها میلیون دلار برای ساخت رایانه‌ای هزینه کرده بود که فقط می‌توانست شطرنج بازی کند؛ اما چه کاری جز آن می‌توانست انجام دهد؟ تقریباً هیچ کاری. کمپبل توضیح می‌دهد:

دیپ بلو تأثیر بزرگی روی جهان گذاشت اما منجر به هیچ پیشرفت خاصی در حوزه‌ی هوش مصنوعی نشد. در واقع ما هیچ چیز جدیدی در اصول هوش مصنوعی کشف نکردیم، چون دنیای واقعی شبیه شطرنج نیست. ما فقط وقت زیادی را صرف نوشتن کد کردیم. در مورد شطرنج چند موضوع کلیدی مطرح است، برای مثال شما تمام اطلاعات ممکن مورد نیاز برای گرفتن تصمیم درست را در‌ اختیار دارید؛ اما در دنیای واقعی ناشناخته‌های زیادی وجود دارد و پیشامدهای زیادی بی‌دلیل و به‌صورت تصادفی اتفاق می‌افتند.

اما همان موقع که مهندسان دیپ بلو پس از شکست اسطوره‌ی شطرنج دور افتخار می‌زدند، برخی دیگر از دانشمندان تلاش‌های پراکنده‌ای برای توسعه‌ی نوع جدید و امیدوارکننده‌ای از هوش مصنوعی را شروع کرده بودند، نام این یکی شبکه‌ی عصبی گذاشته شده بود.

ایده‌ی کارشناسان سیستم در ساخت نرم‌افزار این بود که هوش مصنوعی برای تصمیم‌گیری در مورد هر موضوعی باید به یک سری قوانین از‌پیش‌نوشته رجوع کند، اما ایده‌ی توسعه‌پردازان شبکه‌ی عصبی درست برخلاف همکاران خود بود، آن‌ها معتقد بودند هوش مصنوعی از‌ طریق تمرین و تکرار می‌تواند ارتباطات داخلی خود را تقویت کرده و تا حدی، طبق نظریه‌ی دانشمندان، عملکرد مغز انسان و روش یادگیری آن را تقلید کند.

ایده‌ی توسعه‌ی چنین سیستمی از سال ۱۹۵۰ در مغز مهندسان وجود داشت؛ اما آموزش یک شبکه‌ی عصبی قدرتمند به قدرت پردازش زیاد و حافظه‌ی بزرگی نیاز داشت و البته موضوع دسترسی به حجم زیادی از اطلاعات هم مطرح بود. هیچ کدام از این امکانات در آن برهه از زمان در‌ دسترس نبود. حتی در دهه‌ی ۹۰ بسیاری از افراد به توسعه‌ی شبکه‌های عصبی به چشم هدر دادن وقت و سرمایه نگاه می‌کردند.

جف هینتون، پروفسور بازنشسته‌ی علوم رایانه در دانشگاه تورنتو و یکی از پیشگامان حوزه‌ی شبکه‌های عصبی می‌گوید:

در آن زمان بسیاری از افراد فعال در زمینه‌ی هوش مصنوعی فکر می‌کردند ساخت شبکه‌های عصبی یک ایده‌ی بی‌ارزش است. در واقع همکارانم به من لقب باایمان داده بودند. این یک تعریف نبود، در دنیای علم باور بی‌جا به یک چیز و تعصب به آن کار عاقلانه‌ای نیست.

اما در دهه‌ی اول قرن ۲۱ صنعت رایانه و ساخت سخت‌افزار در حال حرکت به سمتی بود که راه را برای توسعه‌ی شبکه‌های عصبی هموارتر می‌کرد. اشتیاق سیری‌ناپذیر گیمرها به داشتن گرافیک بازی بهتر باعث خیزش صنعت بزرگ ساخت پردازنده‌های گرافیکی پرسرعت شد. آن‌طور که بعداً مشخص شد از این پردازنده‌های گرافیکی پرقدرت می‌توان برای انجام محاسبات ریاضی در توسعه‌ی شبکه‌های عصبی استفاده کرد. در همین حین دنیای اینترنت در حال انفجار بود و سیلی از اطلاعات تصویری، نوشتاری و صوتی به اشتراک گذاشته می‌شد، اطلاعاتی که از آن‌ها برای آموزش سیستم‌های عصبی‌ رایانه‌ای استفاده شد.

الگوریتم‌های خودیادگیرنده در سال‌های ابتدای ۲۰۱۰ تحقق یافتند

در ابتدای دهه‌ی ۲۰۱۰ پیشرفت‌های سریع در حوزه‌‌های مختلف فناوری این امکان را برای هینتون و دوستان باایمان او فراهم کرد تا هوش مصنوعی را به سوی قله‌های جدیدی هدایت کنند. آن‌ها اکنون می‌توانستند شبکه‌های عصبی با لایه‌های تودرتو طراحی کنند، همان چیزی که باعث شده دانشمندان برای توصیف این فناوری کلمه‌ی عمیق را در کنار کلمه‌ی یادگیری یادگیری قرار دهند. در سال ۲۰۱۲ هینتون و تیم او توانستند جایزه‌ی سالانه‌ی ایمیج‌نت را از آن خود کنند. ایمیج‌نت رقابتی است که در آن سیستم‌های هوش مصنوعی توسعه داده شده توسط تیم‌های مختلف در تشخیص اشیا در تصاویر باهم رقابت می‌کنند. پیشرفت‌های جدید هوش مصنوعی دنیای علوم رایانه را شگفت‌زده کرده بود: رؤیای ساخت الگوریتم‌های خودیادگیرنده بالأخره به واقعیت تبدیل شده بود.

ده سال بعد از شروع انقلاب یادگیری عمیق، شبکه‌های عصبی و توانایی آن‌ها در تشخیص و تقلید الگوها در هر قسمت از زندگی روزمره‌ی ما کاربرد دارد. جی‌میل با استفاده از هوش مصنوعی جمله‌های ناتمام ما را کامل می‌کند، بانک‌ها با هوش مصنوعی خرابکاری و کلاه‌برداری‌ها را کشف می‌کنند و برنامه‌های عکاسی می‌توانند چهره‌ی سوژه‌های عکس را تشخیص دهند. حتی سیستم GPT-3 متعلق به شرکت Open AI و سیستم گوفر توسعه داده شده توسط دیپ‌مایند می‌توانند مقاله‌های طولانی نوشته یا متون مختلف را خلاصه‌نویسی کنند. هوش مصنوعی وارد حوزه‌ی علوم تجربی نیز شده است. شرکت دیپ‌مایند در سال ۲۰۲۰ سیستم آلفا‌فولد-۲ را معرفی کرد، نوعی از هوش مصنوعی که می‌تواند نحوه‌ی تاشدگی پروتئین‌ها را پیش‌بینی کند. چنین ابزاری به محققان این توانایی فوق‌العاده را می‌دهد تا داروهای جدیدی برای انواع بیماری‌ها توسعه دهند.

هم‌زمان با رشد و شکوفایی شبکه‌های عصبی یادی از دیپ‌ بلو در خاطره‌ها باقی نمانده است، این ابررایانه‌ی سنگین با کدهای دستوری بی‌پایانش هیچ نوع‌آوری مفیدی از خود باقی نگذاشت. شطرنج بازی کردن رایانه‌، آن‌طور که بعداً مشخص شد، چیزی نبود که در زندگی روزمره‌ی انسان‌ها به کار آید. بنیان‌گذار دیپ‌مایند، هسابیس در این مورد می‌گوید:

چیزی که دیپ بلو در نهایت به ما نشان داد سقف توانایی‌ها و محدودیت‌های جدی توسعه‌ی دستی سیستم‌ها بود.

مدتی بعد IBM برای تغییر شرایط دلسردکننده‌ی پیرامون فناوری هوش مصنوعی‌ تصمیم به توسعه‌ی سیستم دیگری به نام واتسون گرفت. پروژه‌ی واتسون برای پاسخ به چالش‌های کاربردی‌تری طراحی شده بود، این ابررایانه می‌توانست به سؤالاتی که از او پرسیده می‌شد پاسخ دهد. واتسون از تحلیل آماری تعداد بیشماری از متون علمی برای توسعه‌ی مهارت فهم گفتار استفاده می‌کرد، این فناوری در زمان خود بی‌نظیر بود. چنین سیستمی فراتر از یک نرم‌افزار با الگوریتم if-then، مانند الگوریتم دیپ بلو بود؛ اما واتسون از لحاظ زمان‌بندی با بدشانسی مواجه شد، چند سال بعد از شروع پروژه‌ی واتسون، یادگیری عمیق تبدیل به صحنه‌گردان میدان شد. شبکه‌های عصبی توانستند نسل جدیدی از مدل‌های رایانه‌ای برای درک گفتار معرفی کنند، مدل‌هایی که از تکنیک‌های آماری واتسون بسیار کارآمدتر بوند.

دافنه کولر، استاد تمام سابق دانشگاه استنفورد و بنیان‌گذار مؤسسه‌ی اینسیترو معتقد است دلیل این که یادگیری عمیق به این سرعت هوش مصنوعی نسل پیشین را از صحنه حذف کرد، به توانایی فوق‌العاده‌ی آن در تشخیص الگوها برمی‌گردد. گفتنی است مؤسسه‌ی اینسیترو در حال کار روی شبکه‌های عصبی و سایر انواع هوش یادگیری ماشین است تا به کمک آن‌ها روش‌های جدیدی برای ساخت درمان‌های دارویی ابداع کند. انعطاف‌پذیری شبکه‌های عصبی به معنی گستردگی روش‌های استفاده از الگوریتم‌های تشخیص الگو است، این انعطاف‌پذیری بالا باعث جلب توجه محققان زیادی شده است به‌همین‌دلیل، تاکنون در قرن ۲۱ از آن زمستان‌های طولانی هوش مصنوعی خبری نبوده است. دافنه کولر در این مورد می‌گوید:

یادگیری ماشین در واقع توانسته ارزش تولید کند، کاری که موج‌های پر سروصدای قبلی از دستاوردهای هوش مصنوعی نتوانستند انجام دهند.

سرنوشت متضاد دیپ بلو و شبکه‌های عصبی نشان داد که ما در قضاوت خودمان در مورد موضوعات دشوار و موضوعات باارزش در حوزه‌ی هوش مصنوعی چقدر در اشتباه بودیم.

مردم برای دهه‌های متوالی فکر می‌کردند که شطرنج بازی کردن در بالاترین سطح، حد نهایت توانایی یک رایانه‌ است، چون که هرچه باشد شطرنج یک بازی فکری دشوار برای انسان‌ها است. در ادامه مشخص شد شطرنج بازی کردن برای رایانه‌ها، کار سختی نیست، چون قوانین بازی شطرنج مشخص بوده و کل روند بازی از یک منطق مشخص پیروی می‌کند.

اما مواردی که یادگیری آن‌ها برای رایانه‌ها بسیار دشوارتر است کارهای ذهنی ناخودآگاهی است که انسان‌ها به‌طور معمول انجام می‌دهند، کارهایی مانند داشتن یک گفت‌وگوی معمولی یا رانندگی در ترافیک یا پی بردن به وضعیت احساسی یک نفر با نگاه کردن به چهره‌ی او. ما این کارهای پیش‌پا‌افتاده را بدون هیچ تلاش و زحمتی انجام می‌دهیم و شاید به‌همین‌دلیل، گاهی از یاد می‌بریم که این انجام کارها تا چه حد می‌تواند پیچیده‌ و گیج‌کننده باشد و تا چه حد به قضاوت‌های حساس نیاز دارند. کاربرد بالای یادگیری عمیق در جهان امروزی از توانایی آن در تقلید قسمت کوچکی از این توانایی هوشی نامحسوس و کم‌تر شناخته‌ شده‌ی انسان سرچشمه می‌گیرد.

بااین‌حال هوش مصنوعی هنوز نباید پیروزی نهایی خود را جشن بگیرد. شاید یادگیری عمیق در اوج دوران خود قرار داشته باشد اما آماج انتقادات تند و تیزی نیز قرار گرفته است.

مردیت بروسارد که پیش از این برنامه‌نویس بوده و اکنون پروفسور رشته‌ی خبرنگاری در دانشگاه نیویورک است و به‌تازگی کتاب بی‌هوشی مصنوعی از او منتشر شده در مورد نقاط ضعف هوش مصنوعی می‌گوید:

برای مدت طولانی یک نوع شور و اشتیاق بی‌دلیل حول این موضوع شکل گرفته بود و همه می‌گفتند خب هوش مصنوعی قرار است همه‌ی مشکلات ما را حل کند.

همان‌طور که بروسارد و دیگر منتقدان هوش مصنوعی می‌گویند سیستم‌های یادگیری عمیق اغلب با داده‌های غرض‌ورزانه آموزش می‌بینند و این گرایش‌ها ناعادلانه را در تصمیم‌گیری‌های خود نشان می‌دهند. تعدادی از دانشمندان حوزه‌ی رایانه از جمله جوی بولاموینی و تیمیت گبرو کشف کرده‌اند که حداقل سه نمونه از سیستم‌های هوش‌ مصنوعی که از آن‌ها در سیستم‌های خودران و سیستم‌های پایش مسیر و جلوگیری از تصادف در خودروهای تجاری استفاده می‌شود، قادر به تشخیص چهره‌ی زنان با پوست تیره نیستند. همچنین شرکت آمازون متوجه شد که سیستم هوش مصنوعی آن‌ها که برای بررسی روزمه‌های کاری ارسال‌شده به شرکت مورد استفاده قرار می‌گرفت، به روزمه‌های ارسال‌شده از سوی کارجویان زن امتیاز پایین‌تری می‌داد.

سیستم‌های یادگیری عمیق اغلب با داده‌های غرض‌ورزانه آموزش می‌بینند

اگرچه دانشمندان و مهندسان فناوری هوش مصنوعی به‌خوبی از این مشکلات آگاه هستند؛ هنوز در‌ مورد شیوه‌ی مقابله با این چالش‌ها به اتفاق نظر نرسیده‌اند. از طرف دیگر شبکه‌های عصبی مانند یک جعبه‌ سیاه بزرگ عمل می‌کنند، این سخنی است که دانیل روس یک مهندس کارآزموده هوش مصنوعی و مدیر فعلی آزمایشگاه هوش مصنوعی و علوم رایانه در مؤسسه‌ی تکنولوژی ماساچوست می‌گوید. وقتی یک شبکه‌ی عصبی با داده‌های مشخصی آموزش داده شد، مکانیسم عملکرد آن حتی برای توسعه‌دهندگان آن مشخص نیست. هیچ‌کس نمی‌داند که شبکه‌های عصبی هنگام مواجهه با شرایط جدید چگونه نتیجه‌گیری کرده و دست به انتخاب می‌زنند یا چگونه در انجام وظیفه‌ی محول‌شده شکست می‌خورند.

روس می‌گوید اعتماد به یک جعبه‌ی سیاه در مواردی که موضوع ایمنی مطرح نیست نمی‌تواند مشکل چندانی ایجاد کند؛ اما وقتی نوبت به انجام‌ کارهای حیاتی و حساسی مانند کنترل سیستم خودران خودروها می‌رسد چطور؟ روس معتقد است:

واقعاً جای تعجب است که ما در مورد مسائل مرگ و زندگی چطور به این سیستم‌ها تا این حد اعتماد می‌کنیم.

اینجا جایی است که دیپ بلو دست بالاتر را دارد. شیوه‌ی قدیمی نوشتن دستی قوانین به‌صورت کدهای دستوری شاید شکننده باشد اما حداقل قابل فهم است. سیستمی که بر پایه‌ی چنین فناوری‌ای ساخته شده، شاید پیچیده باشد اما فهم آن یک معما نیست. اکنون که دانشمندان با محدودیت‌های سیستم‌های تطبیق الگو دست به گریبانند، شیوه‌ی قدیمی برنامه‌نویسی ممکن است بازگشت شکوه‌مندی داشته باشد.

سیستم‌های تولیدکننده‌ی گفتار مانند GTP-3 و گوفر از روی چند جمله‌ی نوشته‌شده توسط شما می‌توانند چندین صفحه متن پرطمطراق بنویسند، طوری که هر خواننده‌ی آشنا به نویسندگیِ شما را متقاعد کند که این متن نوشته‌ی خود شما است؛ اما به رغم مهارت بالا در تقلید از انسان، این سیستم‌ها هنوز به معنای واقعی از درک سخنانی که می‌گویند عاجزند.

به شکل مشابه یک سیستم هوش مصنوعی دیداری نیز در مواجهه با شرایط غیرمعمول ممکن است اشتباهات وحشتناکی داشته باشد. طبق گزارش‌های رسیده در برخی موارد خودروهای خودران هنگام حرکت در بزرگراه خود را به خودروهای آتش‌نشانی پارک شده در حاشیه‌ی بزرگراه کوبیده‌اند، چراکه از میان میلیون‌ها ساعت ویدئو‌یی که برای آموزش سیستم خودران استفاده شده، هیچ‌گاه چنین موقعیتی پیش نیامده بود. آنطور که مشخص شده است شبکه‌های عصبی به شیوه‌ی خود با مشکلات شکنندگی دست‌وپنجه نرم می‌کنند.

یک سیستم هوش مصنوعی هم می‌تواند همانند انسان‌ها دچار اشتباهات وحشتناک و ویرانگر شود

آنطور که برخی از دانشمندان علوم رایانه می‌گویند چیزی که هوش مصنوعی برای ادامه‌ی راه به آن نیاز دارد، آگاهی از برخی از حقایق دنیای واقعی و به کار بردن منطق است. یک خودروی خودران به‌تنهایی نباید به سیستم‌های تطبیق الگو وابسته باشد، چنین خودرویی باید توانایی درک و قضاوت هم داشته باشد، به‌نحوی که یک خودروی آتش‌نشانی را بشناسد و زمانی که آن را به‌صورت پارک‌شده در حاشیه‌ی بزرگراه ببیند متوجه خطر حرکت مستقیم به سمت آن باشد.

اما مشکل اصلی این است که هیچ کسی نمی‌داند که چطور می‌توان یک شبکه‌ی عصبی با توانایی به کار بردن منطق و قدرت استدلال توسعه داد. گری مارکوس، دانشمند حوزه‌ی رفتارشناسی و یکی از نویسندگان کتاب راه‌اندازی مجدد هوش مصنوعی به این فکر افتاده که شاید یک سیستم هوش مصنوعی باید با روش هیبریدی کار کند، یعنی استفاده از شبکه‌های عصبی برای یادگرفتن الگوها در کنار روش قدیمی نوشتن کدهای دستوری به‌صورت دستی برای تعریف منطق به سیستم. با این روش به‌نوعی می‌توان مزایای سیستمی مانند دیپ بلو و یادگیری عمیق را با هم ادغام کرد.

هوش مصنوعی

اما هواداران پروپاقرص یادگیری عمیق با این راه‌حل موافق نیستند. دانشمندانی مانند هینتون معتقدند شبکه‌های عصبی در نهایت توانایی استدلال کردن را به دست خواهند آورد. هرچه که باشد این کاری است که انسان‌ها و شبکه‌ی عصبی مغز آن‌ها انجام می‌دهد. به نظر هینتون بازگشت دوباره به استفاده از کدهای دستوری نوشته‌شده با دست احمقانه است و در نهایت ما را با همان مشکلاتی رو‌به‌رو می‌کند که کارشناسان سیستم در قرن ۲۰ با آن دست به گریبان بودند، یعنی این که شما هیچ‌گاه تمام شرایط احتمالی را که نیازمند به کار بردن استدلال توسط سیستم هستند، نمی‌توانید تصور کنید. هینتون معتقد است راه درستی که باید پیش گرفته شود ادامه‌ی استفاده از شبکه‌های عصبی و ابداعات جدید در آن حوزه است، کشف معماری‌ها و طراحی الگوریتم‌های یادگیری جدید که با دقت بیشتری می‌توانند نحوه‌ی عملکرد مغز انسان را تقلید کنند.

با تمام این اوصاف دانشمندان علوم کامپیوتر شانس خود را با توسل به شیوه‌های مختلف امتحان می‌کنند. در شرکت IBM گروه سازنده‌ی ابررایانه‌ی دیپ بلو و در رأس آن کمپبل روی یک سیستم هوش مصنوعی هیبریدی، از همان نوعی که مارکوس پیشنهاد کرده است، کار می‌کنند. آزمایشگاه اتزیونی مشغول تلاش برای ساخت ماژول‌های منطقی برای نوعی از هوش مصنوعی است که از شبکه‌های عصبی آموزش داده شده و منطق‌ رایانه‌ی سنتی به‌صورت هم‌زمان بهره می‌برد. با این که تمامی تلاش‌های صورت‌گرفته در این زمینه هنوز در گام‌های نخستین خود قرار دارند اما چیزی که مشخص است این است که در آینده هیچ پیروزی مطلقی برای سیستمی مانند دیپ بلو یا شبکه‌های عصبی وجود نخواهد داشت. احتمالاً در نهایت دانشمندان رویکرد فرانکشتاینی را در پیش خواهند گرفت، یعنی دوختن دو روش به یکدیگر.

با توجه به این که هوش مصنوعی احتمالاً برای همیشه در زندگی انسان‌ها حضور خواهد داشت، سؤال اصلی این است که ما انسان‌ها با این فناوری چطور کنار خواهیم آمد؟ آیا ما همچون کاسپاروف از پردازنده‌های سیلیکونی شکست خواهیم خورد؟ آیا هوش مصنوعی در توانایی تفکر به حدی از انسان‌ها جلو خواهند زد که دیگر توانایی رقابت نخواهیم داشت؟

خود کاسپاروف این‌طور فکر نمی‌کند. مدت کوتاهی بعد از شکست در‌ برابر دیپ بلو، کاسپاروف به این نتیجه رسید که رقابت با هوش مصنوعی کاری بی‌معنی است. سیستم رایانه‌ای با استفاده از توانایی ریاضی بالای خود اساساً به شکل متفاوتی از انسان فکر می‌کند. رایانه همیشه در کوتاه مدت تاکتیک بهتری خواهد داشت و تصمیمات بهتری خواهد گرفت.

پس رقابت برای چه؟ آیا همکاری انسان و هوش مصنوعی مفیدتر نیست؟

بعد از مسابقه با دیپ بلو، کاسپاروف نوع دیگری از شطرنج را اختراع کرد و نام آن را شطرنج پیشرفته گذاشت، نوعی از بازی که انسان و سیلیکون با همکاری یکدیگر به رقابت با سایر رقبا می‌پردازند. در این نوع شطرنج یک انسان در‌ مقابل یک انسان دیگر قرار می‌گیرد اما هر یک از طرفین از یک لپ‌تاپ با نرم‌افزار شطرنج برای ارتقای بازی خود استفاده می‌کنند.

وقتی کاسپاروف برگزاری مسابقات شطرنج پیشرفته را در سال ۱۹۹۸ آغاز کرد، به‌سرعت متوجه تفاوت شگفت‌انگیزی آن نسبت به شطرنج معمولی شد. نکته‌ی جالب‌توجه این بود که شرکت‌کننده‌های آماتور عملکرد خیره‌کننده‌ای از خود نشان دادند. در سال ۲۰۰۵ در یکی از همین مسابقات یک شرکت‌کننده‌ی آماتور با لپ‌تاپ خود پس از شکست دادن چند استاد بزرگ، جایزه‌ی قهرمانی را از آن خود کرد.

اما این شطرنج‌بازان آماتور چطور بهترین‌های دنیای شطرنج را شکست دادند؟ پاسخ این است که آن‌ها بهتر با سیستم‌ خود ارتباط برقرار می‌کردند. این شطرنج‌بازان ایده‌های جدید را بهتر درک می‌کردند و می‌دانستند چه موقع پیشنهاد سیستم را قبول کرده یا آن را رد کنند. حتی هم‌اکنون نیز برخی از لیگ‌های حرفه‌ای تورنمنت‌های شطرنج پیشرفته را برگزار می‌کنند.

کاسپاروف معتقد است این دقیقاً همان شیوه‌ای است که دانشمندان باید در زمینه‌ی طراحی‌ شبکه‌های عصبی پیش بگیرند. او می‌گوید:

آیند‌ه‌ی هوش مصنوعی به این بستگی دارد که ما بتوانیم راهی برای ادغام توانایی‌های انسان با هوش ماشینی پیدا و آن را به سمت قله‌های جدید هدایت کنیم. انسان و هوش مصنوعی با همکاری یکدیگر می‌توانند کارهایی انجام دهند که هیچ‌کدام به تنهایی قادر به انجام آن نیستند.

البته شبکه‌های عصبی نسبت به موتور نرم‌افزار‌های بازی شطرنج رفتار متفاوتی دارند؛ اما بسیاری از شخصیت‌های مطرح در زمینه‌ی علوم رایانه با دیدگاه کاسپارف در مورد همکاری انسان و هوش مصنوعی موافق هستند. مدیرعامل شرکت دیپ‌مایند می‌گوید هوش مصنوعی باعث رشد علم خواهد شد، این فناوری می‌تواند انسان‌ها را به سمت موفقیت‌های بزرگ جدید راهنمایی کند. هسابیس معتقد است:

من فکر می‌کنم در آینده شکوفایی خیره‌کننده‌ای خواهیم دید، در آینده ما به کمک هوش مصنوعی بر چالش‌های بزرگ علمی یکی پس از دیگر غلبه خواهیم کرد، موفقیت‌هایی که هر کدام سزاوار جایزه‌ی نوبل خواهند بود.

آیا زمانی فرا خواهد رسید که هوش مصنوعی در استدلال کردن به شیوه‌ی انسانی به حدی پیشرفت کند که انسان‌ها دیگر چیزی برای عرضه نداشته باشند، دنیایی که هوش مصنوعی تمام وظیفه‌ی فکر کردن را بر عهده بگیرد؟ شاید؛ اما حتی دانشمندان پیشگام در این عرصه هم نمی‌دانند چه زمانی چنین اتفاقی خواهد افتاد؛ البته اگر اصلاً چنین اتفاقی بیفتد.

پس این راه‌حل را مانند هدیه‌ی دیپ بلو به جهان ۲۵ سال پس از آن مسابقه‌ی خاطره‌ساز در نظر بگیرید. کاسپاروف در شکست خود به آینده‌بینی جالبی در مورد هوش مصنوعی و انسان‌ها دست یافت:

ما بیشتر به کنترل‌کننده‌ی الگوریتم‌ها تبدیل می‌شویم و از آن‌ها برای تغذیه‌ی روح ماجراجویمان و اشتیاقمان به خلاقیت استفاده خواهیم کرد.

 

لینک کوتاه : https://jkzweb.com/222764

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

نوشته های مشابه

دکمه بازگشت به بالا