اخبار > گزارش 1008: هوش مصنوعی؛ انقلابی که هنوز رخ نداده‌است

 


گزارش 1008: هوش مصنوعی؛ انقلابی که هنوز رخ نداده‌است

مایکل جردن استاد برجسته دانشکده مهندسی برق، رایانه و دانشکده آمار دانشگاه کالیفرنیا در برکلی است. وی به‌عنوان یکی از تأثیرگذارترین دانشمندان علوم رایانه در دنیا شناخته شده و علاقه تحقیقاتی وی، ایجاد ارتباط میان علوم محاسباتی، علوم آماری، علوم شناختی و علوم زیستی است.

 

 این دانشمند در یادداشت زیر ضمن بررسی اصطلاح هوش مصنوعی و مفاهیم گوناگونی که از آن برداشت می‌شود، مانور زیاد رسانه‌ها بر روی خلق هوش مصنوعیِ شبه بشر[1] را مورد نقد قرار داده و تمرکز بر این موضوع را موجب انحراف از چالش‌های اصلی جهان امروز میداند. چالش‌هایی که با ترکیب علوم رایانه و علوم آمار در کنار مد نظر قراردادن زیرساخت‌های رفاهی قابل حل خواهدبود. با توجه به این موضوع، دکتر جردن در کنار هوش مصنوعی، زمینه‌های بهبود هوش بشر[2] و زیرساخت‌ هوشمند[3] را مطرح می‌کند و معتقد است سرمایه‌گذاری بر روی آن‌ها سود بیشتری برای جامعه انسانی خواهدداشت. پیشنهاد جردن، ایجاد رشته‌ای در شاخه مهندسی است که قابلیت طراحی و توسعه بی نقص سامانه‌های استنتاج و تصمیم‌سازی را دارا باشد. این دانشمند بر این اعتقاد است که مقدمات لازم برای ایجاد چنین رشته‌ای از پیش وجود دارد.

 

در ادامه یادداشت جردن در آوریل 2018 با عنوان هوش مصنوعی- انقلابی که هنوز رخ نداده‌است را مشاهده می‌کنید.  

 

همه جا صحبت از هوش مصنوعی است. این عبارت توسط فناوران، دانشگاهیان، روزنامه نگاران و سرمایه‌گذاران دائم تکرار می‌شود. همانند بسیاری از عبارات دیگر، پس از ورود این عبارت از حوزه فنی به حوزه عمومی، کاربرد صحیح آن دچار سوء تعبیر شده‌است. تفاوت در این است که این سوءتعبیر از سوی خود دانشمندان است و نه مردم! این ایده که در عصر ما، هوشی غیرطبیعی به وجود می‌آید که با هوش ما انسان‌ها رقابت می‌کند، هر فردی را به وجد می‌آورد و در عین حال می‌ترساند و البته متأسفانه این موضوع حواس ما را از نقطه تمرکز صحیح نیز پرت می‌کند.

 

داستان عصر کنونی به نحو دیگری نیز می‌تواند بیان شود. به داستان زیر که در برگیرنده انسان، رایانه، داده و تصمیم مرگ و زندگی است گوش دهید. البته نقطه تمرکز داستان بر موضوع هوش غیرطبیعی نیست. زمانی که همسر من در 14 سال پیش حامله بود، او را سونوگرافی کردیم. مشاور ژنتیک به نقطه‌های سفیدی که در قسمت قلب جنین قابل مشاهده بود، اشاره کرد. وی گفت این‌ها نشانگر سندروم داون است و ریسک ابتلای فرزند شما به 5% افزایش پیدا کرده‌است. همچنین به ما اطلاع داد که با تست آمنیوسنتز می‌توان از ابتلای جنین به سندروم داون اطمینان حاصل کرد. اما این تست تا حدودی خطرناک بود. ریسک از بین رفتن جنین در هنگام تست بین 1 تا 300 بود. من یک آماردان هستم، بنابراین علاقه مند شدم که بدانم منشأ این احتمالات از کجاست. خلاصه داستان این که، متوجه شدم 10 سال پیش در بریتانیا، تحلیل آماری بر روی این نقاط سفید، که نشانگر کلسیم بودند، شده بود و وجود آن به عنوان نشانگر سندروم داون برآورد شد. همچنین متوجه شدم که ماشین عکسبرداری که در تست ما استفاده شده بود، نسبت به ماشین بریتانیایی دارای چند صد پیکسل‌ بیشتر در هر اینچ مربع بود. من با آن مشاور ژنتیک تماس گرفتم و گفتم که این نقاط سفید ناشی از نویز است و جواب تست شما اشتباه است. وی ضمن تأیید موضوع گفت: پس دلیل این که پس از تغییر دستگاه عکسبرداری، آمار تشخیص سندروم داون در چند سال گذشته افزوده شده‌است، این موضوع است!‌    

 

ما تست آمنیوسنتز نکردیم و چند ماه بعد دختری سالم به دنیا آوردیم. اما این داستان مرا بسیار نگران کرد، به خصوص پس از فکر به این موضوع که هزاران نفر آن تست تشخیصی را انجام می‌دهند، که در نتیجه آن بسیاری از مردم تست آمنیوسنتز کرده و در نهایت بسیاری از نوزادان بی دلیل از بین می‌روند. این مشکل در جهان ادامه داشت تا این که بالاخره به‌گونه‌ای حل شد. مشکلی که این داستان مشخص کرد در مورد مراقبت پزشکی شخصی نبود، در مورد یک سیستم پزشکی بود که متغیرها و نتایج را در مکان‌ها و زمان‌های گوناگون اندازه‌گیری می‌کند، تحلیل آماری کرده و سپس از آن نتایج در جا و مکان دیگری استفاده می‌کند. مشکل تنها مربوط به تحلیل آماری نبود،‌ این موضوع که داده از کجا آمده‌است، از این داده چه استنتاجی شده‌است و این استنتاج تا چه میزان با شرایط کنونی سازگار است نیز اهمیت دارد(محققین پایگاه داده به این مسئله Provenanceیا منشأ گویند). با وجود این که یک فرد آموزش دیده می‌توانست این بررسی را برای هر فرد، جدا انجام دهد، طراحی یک سیستم پزشکی در سطح کره زمین که این کار را بدون نیاز به نظارت جزئی بشر انجام دهد، مسئله اصلی بود.

 

من دانشمند علوم رایانه نیز هستم و در آن زمان به نظرم رسید که مبانی مورد نیاز برای ساخت سیستم‌های استنتاج و تصمیم‌سازی از این نوع در سطح کره زمین، که نیاز به ترکیب علوم رایانه با علوم آمار و مد نظر قراردادن زیرساخت‌های رفاهی دارد، در سیستم آموزشی ما جایی ندارد. اهمیت توسعه چنین مبانی، که نیاز به آن نه‌تنها در بخش سلامت، که در بخش تجارت، حمل و نقل و آموزش نیز احساس می‌شد، حداقل برابر بود با ساخت سیستم‌های هوش مصنوعی که قابلیت بازی و مهارت‌های حرکتی آن‌ها، ما را خیره می‌کرد.

 

فارغ از این که ما به زودی معنای «هوش» را بفهمیم یا خیر،‌ ترکیب رایانه و انسان، به‌منظور بهبود زندگی بشر چالش بزرگی است که در حال حاضر با آن رو به رو هستیم. در حالی که برخی، این چالش را مقدمه‌ای بر ایجاد «هوش مصنوعی» می‌بینند، این چالش خود می تواند به‌عنوان یک شاخه جدید مهندسی، بیشتر مورد توجه قرار گیرد. این رشته جدید، مانند مهندسی عمران و مهندسی شیمی در دهه‌های گذشته، در پی آن است که قدرت چند ایده کلیدی را به منصه ظهور برساند ، منابع و توانایی‌های جدیدی را برای مردم به ارمغان آورد و این کار را به خوبی انجام دهد. همان طور که مهندسی شیمی و عمران بر مبنای شیمی و فیزیک بنا شدند، این رشته جدید مهندسی بر اساس ایده‌هایی خواهد بود که از قرن گذشته سرچشمه می‌گیرد. ایده‌هایی همچون اطلاعات، الگوریتم، داده،‌عدم قطعیت،پردازش، استنتاج و بهینه سازی. علاوه بر این، از آن جا که بیشتر تمرکز این رشته بر داده به دست‌ آمده در مورد خود انسان است، توسعه آن نیاز به بینش‌های علوم اجتماعی و انسانی نیز دارد.

 

در عین این که بلوک‌های سازنده اصلی این رشته از قبل شروع به ظهور کرده‌است، مبانی مورد نیاز برای اتصال آن‌ها هنوز ایجاد نشده‌است، و بنابراین این بلوک‌ها تنها به صورت موقت به هم وصل می‌شود.

 

بنابراین، بشر همان طور که پیش از وجود رشته مهندسی عمران، ساختمان، پل می‌ساخت، امروز نیز سیستم‌های استنتاج و تصمیم‌ساز در مقیاس جامعه را که شامل ماشین، بشر و محیط می‌شود را می‌سازد. همان‌طور که گاهی ساختمان‌ها و پل‌های اولیه، فرو می‌ریختند- به‌طورپیش بینی نشده و با پیامدهای غم‌انگیز - بسیاری از سیستم های مبتنی بر استنتاج و تصمیم ساز ما نیز در حال حاضر در معرض نقص‌های مفهومی جدی هستند.    

   

متأسفانه ما در پیش بینی این که نقص جدی بعدی کدام خواهد بود، خیلی خوب نیستیم. چیزی که بدان نیاز داریم یک رشته مهندسی با مبانی تحلیل و طراحی مربوط به خود است.

 

صحبت‌های عمومی در مورد این موضوعات در حال حاضر تحت عبارت روشنفکرمآبانه‌ی AIطرح می‌شود. عبارتی که موجب ایجاد مشکل در تعیین دامنه و نتایج این فناوریِ در حال ظهور می‌شود. بگذارید با دقت بیشتر بررسی کنیم که منظور از عبارت AIدر زمان حال و در گذشته چه بوده‌است.

 

بیشتر چیزی که امروزه با نام AIمی‌شناسیم، در چند دهه گذشته یادگیری ماشین یا MLنام داشته‌است. یادگیری ماشین زمینه‌ای مربوط به الگوریتم است که با ترکیب ایده‌ها از علوم آمار، علوم رایانه و بسیاری از رشته‌های دیگر به طراحی الگوریتم‌هایی برای پردازش داده می‌پردازد. یادگیری ماشین به معنای واقعی بر جهان تأثیرگذار بوده‌است(هم در زمان حال و هم گذشته). در حقیقت، در اوایل دهه 1990 این موضوع که MLاهمیت صنعتی بسیاری پیدا می‌کند، واضح بود و با ورود به قرن جدید، شرکت‌های پیشرو مانند آمازون در حال استفاده از MLدر طول کسب و کار خود بودند و توسط آن، به حل مشکلات back-endدر تشخیص تقلب و پیش‌بینی زنجیره تأمین و ایجاد خدمات نوآورانه مصرف کننده مانند سیستم‌های پیشنهاد دهنده می‌پرداختند. با رشد سریع مجموعه‌های داده و منابع محاسباتی در دو دهه گذشته، روشن شد که MLنه تنها موجب قدرت آمازون می‌شود، بلکه هر شرکتی که به داده بزرگ دسترسی داشته باشد را قدرتمند خواهد ساخت. مدل‌های تجاری نوین ایجاد شد. از عبارت «علم داده» برای اشاره به این پدیده استفاده می‌شد، که منعکس کننده نیاز کارشناسان الگوریتم‌های MLبه همکاری با متخصصان پایگاه داده و سیستم های توزیع شده، به‌منظور ساخت مقیاس پذیر و سیستم‌های قوی MLبود و همچنین این عبارت بازتاب‌دهنده محدوده بزرگ اجتماعی و محیطی حاصل از این نوع سیستم‌ها بود.

 

ادغام ایده‌ها و روندهای فناوری در مسیری که ذکر شد، در چند سال گذشته با عنوان AIشناخته می‌شود. این تغییر نام ارزش بررسی بیشتر را دارد.

 

از لحاظ تاریخی عبارت AIدر دهه 1950 میلادی اشاره داشت به آرزوی خلق موجودی با استفاده از نرم افزار و سخت افزار که دارای هوشی همانند بشر باشد. ما از عبارت Human Imitative AIبه معنای «هوش مصنوعیِ شبه بشر» برای اشاره به این آرزو استفاده می‌کنیم تا بر این نظریه تأکید کنیم که موجود دارای هوش مصنوعی باید حداقل از لحاظ ذهنی همانند یکی از نوع بشر به نظر برسد. بخش بزرگی از این موضوع دانشگاهی بود. زمینه‌های دانشگاهی مربوطه مانند تحقیق در عملیات، آمار، تشخیص الگو، نظریه اطلاعات و نظریه کنترل از قبل وجود داشت و با وجود این که این زمینه‌ها از هوش بشری(و هوش حیوانات) الهام گرفته بودند، اما تنها بر سیگنال‌ها و تصمیم‌های سطح پایین تمرکز داشتند. به‌عنوان مثال، توانایی سنجاب در درک ساختار سه بعدی جنگلی که در آن زندگی می‌کند، و توانایی جهش در میان شاخه‌های درخت، الهام بخش این زمینه‌ها بود. اما هدف «AI»، تمرکز بر روی چیزی متفاوت بود-‌توانایی «سطح بالا» یا «شناختی» انسان در ارائه «دلیل» و «فکر کردن». 60 سال پس از آن، کماکان خلق موجودی با توانایی استدلال در سطح بالا و تفکر یافت نمی‌شود.تحولاتی که در حال حاضر به نام AIنامیده می‌شوند، عمدتاً در زمینه‌های مهندسی مرتبط با شناسایی الگو و کنترل حرکت و در زمینه آمار است - این رشته بر روی پیدا کردن الگوهای داده‌ها و ایجاد پیش بینی‌های مناسب، آزمون فرضیه‌ها و تصمیمات متمرکز است. در واقع، الگوریتم معروف «backpropagation» که توسط دیوید راملهارت در اوایل دهه 1980 دوباره کشف شد و اکنون به عنوان هسته اصلی به اصطلاح «انقلاب هوش مصنوعی» شناخته می‌شود، ابتدا در زمینه نظریه کنترل در دهه 1950 و 1960 به‌وجود آمد. یکی از کاربردهای اولیه آن، بهینه سازی مسیرهای سفینه های آپولو بود که به سمت ماه حرکت می‌کردند.

 

از دهه 1960 میلادی پیشرفت‌های بسیاری رخ داده‌است، اما این پیشرفت‌ها مربوط به هوش مصنوعی شبه بشر نیست. همانند مثال سفینه آپولو، این ایده‌ها اغلب در پشت پرده وجود داشت و حاصل کار محققینی بود که بر روی چالش‌های مشخص مهندسی متمرکز بودند. اگر چه برای عموم مردم قابل مشاهده نیست، اما تحقیقات و سیستم‌سازی در زمینه‌هایی مانند بازیابی سند، طبقه بندی متن، تشخیص تقلب، سیستم های پیشنهاد دهنده، جستجوی شخصی، تجزیه و تحلیل شبکه‌های اجتماعی، برنامه‌ریزی، تشخیص و آزمایش A /Bموفقیت‌های بسیار بزرگی بوده‌اند. این‌ها پیشرفت‌هایی بوده‌است که موجب قدرت شرکت‌هایی مانند گوگل، نت فلیکس، فیسبوک و آمازون شده‌است.

 

خیلی معمول است که یک نفر به همه این موضوعات تحت عنوان AIبنگرد، اتفاقی که در واقع رخ داده‌است. چنین برچسبی برای آماردان‌ها و یا متخصصین بهینه سازی بسیار تعجب انگیز است، زیرا به آن‌ها متخصصین AIاطلاق می‌شود. جدای از موضوع برچسب زدن اشتباه بر روی متخصصین مختلف،‌ مشکل بزرگتر آن است که استفاده از عبارت AIکه تعریف کاملی نیز ندارد مانع از فهم دامنه‌ای از مسائل فکری و تجاری مؤثر در این حوزه می‌شود.

 

دو دهه گذشته شاهد پیشرفتی شگرف - هم در صنعت و هم در دانشگاه- در زمینه مکمل هوش مصنوعی شبه بشر بوده‌است که به آن Intelligence Augmentationیا IAگفته می‌شود. در این جا از محاسبات و داده استفاده می‌شود تا خدماتی خلق گردد که موجب بهبود هوش و خلاقیت بشر ‌شود. یک موتور جست‌وجوگر(بهبود توانایی بشر در ارتباطات) و همچنین مترجم زبان طبیعی(بهبود حافظه و دانش بشر) را می‌توان نمونه‌ای از IAدانست. تولید صدا و تصویر براساس محاسبات همانند یک بوم نقاشی و همچنین افزاینده قدرت خلاقیت برای هنرمندان عمل می‌کند. در حالی که چنین خدماتی ممکن است در آینده شامل استدلال سطح بالا و تفکر نیز باشد، در حال حاضر چنین قابلیت‌هایی در آن‌ها وجود ندارد- اکثراً شامل عملیات انطباق رشته و محاسبات عددی است که الگوهای دارای کاربرد برای بشر را به‌دست می‌آورد.

 

امیدوارم حوصله یک لغت دیگر را نیز داشته باشید: Intelligent Infrastructure(زیرساخت هوشمند) یا II. شبکه‌ای از محاسبات، داده و ابزار فیزیکی که از محیط انسانی پشتیبانی کرده، آن را دلپذیر و ایمن می‌سازد. چنین زیرساخت‌هایی در حال پدیدار شدن در حوزه‌هایی مانند حمل و نقل، پزشکی، بازرگانی و امور مالی است و پیامدهای فراوانی برای انسان و جوامع انسانی دارد. گاهی در مکالمات به این پدیده، اینترنت اشیاء می‌گویند، اما اینترنت اشیاء تنها اشاره به مشکلات مربوط به اتصال اشیاء به اینترنت دارد و به چالش‌های بزرگتر حاصل از توانایی این اشیاء در تحلیل جریان‌های داده به‌منظور کشف حقایق واقعی جهان، برهم کنش با بشر و دیگر اشیاء در سطح بالای شناختی نمی‌پردازد. 

 

بازگردیم به موضوع داستانی که برای من رخ داد. تصور کنید در سرزمینی دارای سیستم پزشکی در مقیاس یک جامعه زندگی می‌کنید که جریان‌های داده و تحلیل‌های آن بین پزشک و تجهیزاتی که در درون بدن و روی بدن ما قرار دارد تبادل می‌شود تا به هوش بشری در تشخیص و درمان کمک کند. این سیستم شامل اطلاعات موجود در سلول‌ها، دی اِن اِی، تست خون، محیط، ژنتیک جمعیت و مقالات گسترده علمی در زمینه دارو و درمان می‌شود. تمرکز سیستم تنها بر روی یک بیمار و پزشک نیست، بلکه همه افراد جامعه را در نظر می‌گیرد- درست همانند تست‌های کلینیکی کنونی که با تست بر روی مجموعه‌ای از انسان‌ها، برای دیگران نیز درمان تجویز می کند. این امر به حفظ مفاهیم آماری relevance(ارتباط)، provenance(منشأ) و reliability(قابلیت اطمینان) کمک می‌کند، همان گونه که سیستم بانکی کنونی بر چنین چالش‌هایی در زمینه امور مالی و پرداخت تمرکز دارد. در حالی که می توان بسیاری از مشکلات موجود در چنین سیستمی را پیش بینی کرد - شامل مسائل مربوط به حریم خصوصی، مسائل مربوط به مسئولیت، مسائل امنیتی و غیره –به این مشکلات باید به‌عنوان چالش و نه نقطه توقف نگاه شود.

 

اکنون ما با یک مسئله حیاتی رو به رو هستیم: آیا کار بر روی AIکلاسیک، بهترین یا تنها راه برای تمرکز بر این چالش‌های بزرگ هستند؟ بعضی از داستان های موفقیت آمیز MLمانند بینایی ماشین، تشخیص گفتار، بازی و روباتیک در حقیقت در حوزه های مرتبط با AIشبه بشر بوده‌است. شاید بهتر است منتظر پیشرفت بیشتر در چنین حوزه‌هایی باشیم. در اینجا دو مورد وجود دارد. اول اینکه، موفقیت در AIدر واقعیت، بسیار محدود است- ما بسیار دور از تحقق آرمان خلق هوش شبه بشر هستیم. متأسفانه هیجان (و ترس) از پیشرفت حتی محدود در AIمنجر به توجه رسانه‌ای فراوان به این بخش شده‌است که در سایر حوزه‌های مهندسی مشاهده نمی‌شود. ثانیاً و مهمتر این که موفقیت در آن حوزه‌ها، تأثیر کافی و لازم را بر حل مسائل مربوط به IAو IIندارد. برای نمونه خودروهای خودران را در نظر بگیرید. برای به واقعیت پیوستن این فناوری نیاز به حل دامنه‌ای از مسائل مهندسی است که ارتباط اندکی با قابلیت‌های بشر دارد. کل سیستم حمل و نقل (سیستم II) بیشتر شبیه به یک سیستم کنترل ترافیک هوایی است تا به مجموعه‌ای از رانندگان بی توجه که تنها به مقابل نگاه کرده و ارتباطی با یکدیگر ندارند. البته بسیار پیچیده‌تر از سیستم کنترل ترافیک است، به ویژه از نظر استفاده از داده‌های عظیم و مدل سازی آماری سازگار به‌منظور آگاهی‌رسانی برای گرفتن تصمیمات ریز. این‌ها مشکلاتی هستند که باید مدنظر قرار گیرد و در این زمینه تلاش برای رسیدن به هوش مصنوعی شبه بشر، غیر سودمند خواهدبود. 

 

برخی این استدلال را می‌کنند که IAو IIزیرمجموعه هوش مصنوعی شبه بشر هستند، زیرا معتقدند رسیدن به این فناوری هم مسائل کلاسیک در هوش مصنوعی(مانند تست تورینگ) را حل می‌کند و بیشترین شانس برای حل مسائل در خود IAو IIرا به ما خواهدداد. چنین استدلالی مسبوق به سابقه نیست. آیا مهندسی عمران به‌وسیله خلق یک نجار یا بنای مصنوعی توسعه یافته‌است؟ آیا مهندسی شیمی می‌بایست با خلق یک شیمیدان مصنوعی شکل می‌گرفت؟ اگر می‌خواستیم واحدی شیمیایی راه‌اندازی کنیم آیا می‌بایست یک شیمیدان مصنوعی خلق می‌کردیم تا خود یک واحد شیمیایی برای ما طراحی کند؟

 

استدلالی مرتبط با استدلال قبلی بیان می‌کند که هوش بشری تنها هوشی است که ما آن را می‌شناسیم و به‌عنوان اولین گام باید شبیه به آن را خلق کنیم. اما در حقیقت بشر در برخی حوزه‌های مربوط به استدلال، خیلی هم خوب نیست- ما کند هستیم، تعصب و محدودیت‌های خاص خود را داریم. علاوه بر این، ما طوری تکامل نیافته‌ایم که بتوانیم مسائل مربوط به تصمیم‌سازی در مقیاس بزرگ که سیستم‌های IIبا آن رو به رو هستند را حل کنیم و همچنین با عدم قطعیت‌های موجود در زمینه IIنمی‌توانیم مقابله کنیم. شاید کسی بگوید که یک سیستم AIنه‌تنها از هوش بشر تقلید می‌کند، بلکه آن را تصحیح کرده و این گونه خواهد توانست با مسائل بزرگ مقیاس نیز رو به رو شود. اما به این معنای واقعی یک داستان علمی تخیلی است- چنین گمانه زنی‌هایی با وجود سرگرم کننده بودن، نباید به‌عنوان راهبرد اصلی ما برای حل چالش‌های مربوط به IAو IIباشد. این چالش‌ها را باید با نگاه به مسائل مربوط به خود آن‌ها حل کرد و نباید تحت مبحث هوش مصنوعی شبه بشر بررسی شود.

 

یافتن چالش‌های الگوریتمی و زیرساختی در سیستم‌های IIکه تِم اصلی در تحقیقات مربوط به هوش مصنوعی شبه بشر نیست،‌ کار سختی نیست. سیستم های IIنیازمند توانایی مدیریت مخازن توزیع دانش هستند که به سرعت در حال تغییر هستند و احتمالاً در سراسر جهان ناسازگار می باشند. چنین سیستم‌هایی باید با تعاملات ابر-لبه به‌منظور تصمیم سازی به‌موقع و توزیع‌شده رو به رو شوند و باید پدیده‌هایی را حل کنند که در آن داده‌های زیادی در مورد برخی افراد و اطلاعات کمی در مورد اکثر افراد وجود دارد. آنها باید به سختی‌های مربوط به اشتراک داده بین ادارات و بازارهای رقابتی نیز توجه کنند.  

  

در نهایت و مهمتر از همه این که سیستم‌های IIباید ایده‌های اقتصادی مانند ایده مشوق‌ها و موضوع قیمت‌گذاری را وارد زیرساخت‌های آماری و محاسباتی کند، زیرساخت‌هایی که انسان‌ها را به یکدیگر و به کالاهای مورد نیاز آن‌ها وصل می‌کند. چنین سیستم‌های IIتنها خدمات ارائه نمی‌کنند، بلکه بازارسازی نیز می‌کنند. حوزه‌هایی مانند موسیقی، ادبیات و روزنامه‌نگاری تشنه بازارهایی هستند که در آن تحلیل داده موجب ارتباط بین تولیدکننده و مصرف کننده می‌شود. تمام این کارها باید طبق هنجارهای رو به پیشرفت جامعه، اخلاق و قانون انجام شود.

 

البته که مسائل مربوط به هوش مصنوعی شبه بشر کماکان دارای جذابیت زیادی است. اما تمرکز کنونی در تحقیقات هوش مصنوعی بر جمع‌آوری داده، استفاده از زیرساخت یادگیری عمیق و ایجاد سیستم‌هایی که برخی مهارت‌های به‌خصوص انسان‌ها را تقلید می‌کند، توجه را از موضوعات باز مربوط به هوش مصنوعی کلاسیک، باز می‌دارد.

 

این موضوعات شامل انتقال معنا و قدرت استدلال به سیستم‌هایی است که پردازش زبان طبیعی را انجام می‌دهد، نیاز به استنباط و نشان‌دادن علیت، نیاز به توسعه سیستم محاسباتی قابل ردیابی برای نمایش عدم قطعیت و نیاز به توسعه سیستم هایی که اهداف بلند مدت را فرمول‌بندی کرده و به دنبال آن هستند. این‌ها اهداف کلاسیک در AIهستند، اما در حوادث جاری در جریان «انقلاب هوش مصنوعی»، فراموش شده‌است که این اهداف هنوز حل نشده‌اند.      

 

IAنیز بسیار ضروری خواهد بود. در آینده قابل پیش بینی، رایانه‌ها توانایی تفکیک انتزاعی شرایط دنیای واقعی، همانند انسان را نخواهند داشت. ما برای حل مشکلات فوری ، نیاز به تعاملات خوب میان انسان و رایانه خواهیم داشت. و ما می خواهیم که رایانه‌ها سطوح جدیدی از خلاقیت انسان را برانگیزند، نه که جایگزین خلاقیت انسان شود.

 

جان مک‌کارتی(استاد دانشگاه دارتموس که بعداً به MITپیوست) اولین نفری بود که از عبارت AIاستفاده کرد تا دستور کار تحقیقات خود را از نوربرت واینر(استاد MIT) متمایز سازد. واینر از عبارت سایبرنتیکس برای اشاره به دیدگاه خود در مورد سیستم‌های هوشمند استفاده کرد- دیدگاهی که بسیار به تحقیق در عملیات، ‌آمار، تشخیص الگو، نظریه اطلاعات و نظریه کنترل گره خورده بود. تأکید مک‌کارتی از سوی دیگر بیشتر بر منطق بود. در یک فرآیند معکوس، جالب است که در عصر کنونی دستور کار تحقیقاتی واینر است که تسلط دارد، اما برای اشاره به آن از اصطلاح ساخته شده توسط مک‌کارتی استفاده می‌شود(البته این شرایط موقتی است و پاندول در زمینه هوش مصنوعی نسبت به رشته‌های دیگر سریعتر تغییر مسیر می‌دهد).

 

ما باید فراتر از بینش‌های تاریخی مک‌کارتی و واینر حرکت کنیم. باید دقت کنیم که بحث‌های حال حاضر در مورد AIکه تمرکز آن بر زیرمجموعه کوچکی از صنعت و دانشگاه است موجب نشود که چالش‌ها و فرصت‌های عظیم موجود در کل دامنه AI، IAو IIرا نبینیم. این دامنه عظیم در مورد رؤیاهای علمی تخیلی یا کابوس در مورد ماشین‌های فرا بشر نیست،‌ بلکه درباره نیاز انسان به درک و شکل‌دهی فناوری است، که حضور آن در زندگی روزمره هر روز بیشتر و مؤثرتر می‌شود. علاوه بر این، در درک و شکل دهی به فناوری باید نظرات گوناگون حضور داشته باشد و نباید تنها به گفتگوی میان فناوران اکتفا کرد. تمرکز ویژه بر هوش مصنوعی شبه بشر، مانع شنیدن همه نظرات می‌شود. در حالی که محرک بسیاری از پیشرفت‌ها در آینده صنعت خواهدبود، دانشگاه نیز نقشی اساسی بازی خواهدکرد، این نقش نه‌تنها در ارائه نوآورانه‌ترین ایده‌های فنی خواهد بود،‌ بلکه در گرد هم آوری محققین رشته‌های محاسباتی و آماری با محققین رشته‌های دیگری خواهدبود که بینش‌های آنان مورد نیاز است- از جمله محققین علوم اجتماعی،‌ علوم شناختی و انسانی.

 

از سوی دیگر،‌ با وجود این که با حرکت به سمت جلو، علوم انسانی و علوم دیگر ضرورت می‌یابند،‌ نباید این موضوع رو فراموش کنیم که در حال صحبت در مورد یک رشته مهندسی هستیم که بزرگی مقیاس و دامنه آن مسبوق به سابقه نیست- جامعه خواهان ساخت آثاری نوین است. این آثار باید همان‌طور که ادعا شده ساخته‌شود. ما نمی‌خواهیم سیستم‌هایی بسازیم که هدف آن‌ها کمک به ما در درمان،‌ حمل و نقل و تجارت باشد،‌ اما پس از مدتی دریابیم که این سیستم‌ها در واقع عمل نمی‌کنند-و دارای خطاهایی هستند که به قیمت جان و از بین رفتن شادی انسان‌ها تمام می‌شود. از این منظر، ‌همان‌طور که تأکید دارم باید رشته مهندسی جدیدی با تمرکز بر زمینه‌های داده و یادگیری ظهور یابد و با این که رشته‌های ثانوی که بدان اشاره شد هیجان انگیز هستند(علوم انسانی)، اما نمی‌توانند واحدهای اصلی سازنده یک رشته مهندسی باشد.     

 

علاوه بر این، ما باید این واقعیت را درک کنیم که آنچه ما شاهد آن هستیم ایجاد یک شاخه جدید مهندسی است. لغت «مهندسی» اغلب–در فضای دانشگاهی و فراتر از آن- حسی از فضای سرد و بی احساس ماشینی و از دست دادن کنترل بشر را القا می‌کند اما یک رشته مهندسی می‌تواند همانی باشد که ما می‌خواهیم باشد. در عصر حاضر، فرصتی واقعی برای فهم یک چیز جدید وجود دارد- یک رشته مهندسی که انسان محور است. من برای نام نهادن بر این رشته در حال ظهور مقاومت می‌کنم، اما اگر همچنان از اختصار ناقص «AI» قرار است استفاده شود، بیایید از محدودیت های بسیار واقعی آن مطلع باشیم. بیایید دامنه خود را گسترش دهیم، هیجان کاذب را کاهش دهیم و به تشخیص چالش‌های جدیِ در پیش رو بپردازیم.

 


[1]Human Imitative Artificial Intelligence

[2]Intelligence Augmentation

[3]Intelligent Infrastructure

شنبه ١٣ مرداد ١٣٩٧ - ١٢:٤٨
واژه های کلیدی:
فایل ضمیمه

دانلود فايل : CPDI-Houshe-Masnouei-13970513-fa-R1008.pdf ( 388KB )
تعداد دانلود
تعداد نمایش : 641