تکامل هوش مصنوعی به سرعت برق و باد/ کامپیوترها از آدم‌ها هوشمندتر می‌شوند؟

گروه علم و فناوری خبرگزاری آنا؛ کامپیوترها و ماشین‌های امروزی از پس بسیاری از مشکلات برمی‌آیند. ما به کمک کامپیوتر قادریم پیچیده‌ترین محاسبات را بسیار سریع‌تر از ماهرترین ریاضیدانان تجزیه‌وتحلیل کنیم. اما آیا هوش مصنوعی امروز واقعاً در نقطه‌ای قرار دارد که بتوان ادعا کرد از انسان هوشمندتر شده است؟

تفکر همگرا در مقابل واگرا

این پرسش که آیا هوش مصنوعی از انسان هوشمندتر است یا نه، تقریباً پیشینه‌ای به قدمت خود هوش مصنوعی دارد. آلن تورینگ در دهه چهل میلادی این پرسش بنیادین را مطرح کرد که «آیا می‌توان روزی گفت ماشین هوشیار است و می‌تواند فکر کند؟» و تماشای فیلم‌ها و مطالعه کتبی که دهه‌ها پیش نوشته‌شده نشان می‌دهد که بشر مدت‌هاست نسبت به «هوشمندتر شدن» ماشین در قیاس با خودش (صرف نظر از اینکه این ایده محقق شده یا نه) حساس است، اما برای پاسخ به این پرسش، درک فرآیندهایی که ما را به سمت «تولید ایده» سوق می‌دهد مفید است. در سال ۱۹۶۷، روانشناسی به نام جی. پی. گیلفورد (J.P. Guilford) تفکر خلاق را به دو دسته تفکر همگرا (convergent thinking) و تفکر واگرا (divergent thinking) تقسیم کرد.

بیشتر بخوانید:

چهره ترسناک فناوری/ از هوش مصنوعی افسار گسیخته بترسید!

۱۲ شغلی که روبات‌ها در آینده از ما می‌گیرند

گیلفورد، تفکر همگرا را توانایی پاسخ صحیح به پرسش‌ها تعریف کرد. این نوع تفکر عمدتاً نمایانگر حافظه و منطق بود. در مقابل، تفکر واگرا به معنی توانایی تولید «پاسخ‌های احتمالی» به یک مسئله(یا پرسش) واحد بود. این نوع طرز تفکر، حکایت از استعداد بیشتر برای کنجکاوی داشت. بنابراین تفکر واگرا به معنی توانایی برای تفکر خارج از چارچوب‌های تعریف‌شده است. شاید ذکر یک مثال به درک بهتر این دو تفکر کمک کند. تفکر همگرا به یاد آوردن پایتخت کره جنوبی است، اما تفکر واگرا به معنی این است که بدانید چطور در سئول بدون دانستن زبان کره‌ای زندگی و کار کنید.

انسان در مقابل ماشین

کامپیوترها معمولاً برای انجام وظایف مربوط به تفکر همگرا از انسان بهتر عمل می‌کنند. آنها با توجه به ظرفیت حافظه و قدرت پردازشی فوق‌العاده‌شان می‌توانند ما را در بازی‌های مبتنی بر قوانین (مثل شطرنج، گو و...) و محاسبات پیچیده شکست دهند. اما در مورد حدس زدن چیزی مانند یک کلمه عبور شش رقمی چطور؟ بیایید روش‌ها را مقایسه کنیم.

هنگامی که وظیفه کشف یک کلمه عبور را بر عهده داشته باشیم، اکثر ما اطلاعات کلیدی مالک حساب را مرور می‌کنیم. به عنوان مثال، تاریخ تولد یا شماره تلفن آن شخص. روش دیگر این است که کلمه عبور متداول را امتحان کنیم(برای مثال کلمه عبور بسیار پرطرفدار ۱۲۳۴۵۶). روش از این‌ها پیچیده‌تر این است که به سراغ دستگاه‌های دیگری برویم که مالک حساب از آنها استفاده می‌کرده و امید داشته باشیم از طریق حافظه موقت(Cache) آن دستگاه متوجه کلمه عبور بشویم! همه روش‌های مورد استفاده توسط ما، تحلیلی هستند زیرا ما می‌کوشیم تمام مسیرهای ممکن را برای یافتن راه حل بررسی کنیم. این یک مدل تفکر واگرا است.

ولی روش ماشینی چگونه است؟ نرم‌افزار احتمالاً رویکرد متفاوتی را در پیش خواهد گرفت. اگر کلمه عبور شش رقمی باشد، ماشین از ۰۰۰۰۰۰ شروع می‌کند و به صورت متوالی پیش می‌رود تا راه حل را پیدا کند. بدین طریق یک کامپیوتر مدرن می‌تواند مسئله را در ظرف مدت کوتاهی حل کند(یعنی تمام ارقام موجود را در این بازه تست کند). اما بسیاری سیستم‌ها اجازه به‌کارگیری این روش را نمی‌دهند، به همین علت است که اکثر سیستم‌های عامل‌ امکان ورود به سیستم را پس از چند دفعه تلاش ناموفق به طور موقت لغو می‌کنند. روش مزبور، معمولاً به عنوان حمله جست‌وجوی فراگیر(brute force) شناخته می‌شود که نمونه‌ای از تفکر همگرای تکراری(repetitive convergent thinking) است که بسیار سریع و در نهایت مؤثر است.

سرانجام کدام روش هوشمندتر است؟

یک مهندس نرم‌افزار باهوش که با روانشناسی آشناست می‌تواند با اولویت‌بندی توالی‌ها بر اساس کاربرد احتمالی، روال حمله جست‌وجوی فراگیر را بهبود ببخشد. برای مثال یک بازه از ارقام را تعریف کند(سال تولید ۱۳۶۰ تا ۱۳۸۰) و کامپیوتر فقط همان بازه را تست کند. البته واقعاً دیگر هوش مصنوعی کامپیوتری در پس پرده قرار ندارد، در عوض‌ این مهندس نرم‌افزار است که از هوش/دانش خود در روال کامپیوتری استفاده کرده است.

اگر پایگاه داده بزرگی از رمز عبورهای مورد استفاده یک جمعیت را دارید، می‌توانید (از طریق نرم‌افزار) پایگاه داده را تجزیه‌وتحلیل کنید و یک روال رایج کامپیوتری را ایجاد کنید که ترکیبات معمولی یا توالی‌های جزئی را امتحان کند تا به نتیجه برسد. با این وجود همچنان نسبت به اینکه چقدر این مسئله را باید ناشی از هوشمندی ماشین دانست جای تردید وجود دارد.

این رویکرد در واقع یک مدل رایج به کار رفته هوش مصنوعیِ عصر حاضر است(یعنی به دنبال الگوهایی در داده‌ها است که به بهترین الگوریتم برای حل مشکل برسد).

یادگیری ماشین: کاربردی‌ترین تکنیک هوش مصنوعی در عصر حاضر

پس از هفت دهه، انواع مختلفی از هوش مصنوعی توسعه یافته است. یکی از رایج‌ترین آنها «یادگیری ماشین» (ML) است. این تکنیک، تقریباً موجب یک جهش شگرف در پیشرفت‌های هوش مصنوعیِ یک دهه اخیر شده است.

بیشتر بخوانید:

حقایقی در مورد آلن تورینگ/ از پدر هوش مصنوعی چه می دانید؟

یادگیری ماشین عبارت است از مطالعه علمی الگوریتم‌ها و مدل‌های آماری که توسط کامپیوتر برای اجرای مؤثر یک کار خاص مورد استفاده قرار می‌گیرد. بر اساس این تکنیک دیگر مهندس نرم‌افزار نیاز نیست و شما به کامپیوتر دستورات صریحی برای انجام کارهای خود نمی‌دهید. در عوض کامپیوتر بر الگوها و استنباط متکی است.

در یادگیری ماشین، کامپیوتر به دنبال این است تا یک مدل ریاضی بر اساس داده‌های نمونه بسازد. این داده‌ها معمولاً به عنوان داده‌های آموزشی(training data) شناخته می‌شود، که برای پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی قبلی مورد استفاده قرار می‌گیرند. الگوریتم‌های یادگیری ماشین در طیف گسترده‌ای از برنامه‌ها مانند فیلترینگ ایمیل و بینایی ماشین و... به کار می‌رود.

در هر دو مورد مزبور، توسعه الگوریتم با دستورالعمل‌های خاص غیرممکن است. از این نظر، یادگیری ماشین ارتباط تنگاتنگی با آمار محاسباتی دارد که بر پیش‌بینی با استفاده از کامپیوتر تمرکز دارد.

قبل از یادگیری ماشین، انجام کارهای مشابه به صورت دستی از طریق تحلیل رگرسیون (RA) انجام می‌شد. تحلیل رگرسیون روش آماری قدرتمندی است که به شما امکان می‌دهد رابطه بین دو یا چند متغیر مورد نظر خود را بررسی کنید. در حالی که چند نوع تحلیل رگرسیون وجود دارد اما در اصل، کار همه آنها این است تا تأثیر یک یا چند متغیر مستقل(independent variables) را بر یک متغیر وابسته(dependent variable) بررسی ‌کنند.

جایی که یادگیری ماشین به خوبی کار می‌کند

یادگیری ماشین مثل حمله جستجوی فراگیر عمل می‌کند و با استفاده از چندین بار امتحان و تلاش مجدد روی ترکیبات مختلف به نتیجه می‌رسد. تکنیک یادگیری ماشین در تجزیه‌وتحلیل مسائل پیچیده که در آن چندین متغیر مستقل و یک متغیر وابسته داریم بسیار خوب عمل می‌کند؛ در حقیقت‌ آنقدر خوب است که حتی مجبور نیستیم تعیین کنیم که متغیرهای مستقل بر متغیر وابسته چه قدر تأثیر می‌گذارند. این عمل مشابه با یک شبیه‌سازی مکرر است تا زمانی که براساس روال یک راه حل پیدا شود. از آنجایی که در روال یادگیری ماشین مسائل باید هم گردآوری شوند و هم ارزیابی و تجزیه‌وتحلیل شوند، گاهی مسائل آنقدر پیچیده‌اند که به منابع پردازشی و همچنین روش‌های مختلفی برای تجزیه‌وتحلیل نیاز است و اینجاست که ما به یادگیری عمیق(deep learning) نیازمندیم.

بنابراین یادگیری ماشین بسیار قدرتمند و مفید است اما آیا هوشمند هم است؟ آیا این تفکر واگرا است؟ روال‌های هوش مصنوعی می‌توانند تجزیه‌وتحلیل بسیار پیچیده‌ای را با سرعت سرسام‌آور انجام دهند، اما خود روال‌ها به طرز دردناکی جاهل هستند! آنها فقط یک کار را انجام می‌دهند، اما آن کار را به خوبی انجام می‌دهند.

آزمایش شبیه‌سازی روبات

آیا هوش مصنوعی از انسان هوشمندتر است؟ بیایید به صنعت روباتیک نگاه کنیم تا ببینیم عملکرد هوش مصنوعی چگونه است. در یک آزمایش حرکتی، از یک روبات انسان‌گونه خواسته شد تا به سریع‌ترین شکل ممکن به سمت جلو حرکت کند. در کمال تعجب، روبات به جای اینکه روش راه رفتن را انتخاب کند، خود را به یک نقطه بلند رساند و از آنجا به طرف جلو پرید. آیا بالا رفتن و پریدن هیچ شباهتی به راه رفتن پیدا می‌کند؟ بله هر دو روش، فرد(یا روبات) به‌سرعت مسافتی افقی را طی می‌کنند. همانطور که می‌بینیم، هوش مصنوعی وظیفه خود را بسیار واقعی انجام داد.

هوش مصنوعی و تکاملی وهم‌آور

از دیدگاه مهندس نرم‌افزار، هوش مصنوعی راه نرفت (زیرا صراحتاً وظیفه انجام این کار را نداشت). اما از دیدگاه کامپیوتری، هوش مصنوعی کارش را درست انجام داد. چون قرار بود به سریع‌ترین شکل ممکن به طرف جلو حرکت کند. اما چیزی که در این میان وهم‌آور است این است که روش روبات برای جلو رفتن هرگز به او تعلیم داده نشده بود. به عبارت دیگر، ما در این آزمایش شاهد این بودیم که روبات در طی این شبیه‌سازی تکامل پیدا کرد. چرا راه بروم، در حالی که فقط کافی است از یک بلندی به سمت جلو بپرم!؟

بنابراین در جایی که ما داده‌های مستقلی داریم که به داده‌های وابسته مرتبط است اما از تصمیمات انسان استنتاج نشده است، این احتمال وجود دارد که هوش مصنوعی بتواند تصمیمات بهتری بگیرد.

اگر یک هوش مصنوعی و به‌ویژه مبتنی بر یادگیری ماشین، نه مانند یک انسان فکر کند و نه براساس آنچه که تعلیم‌دیده عمل کند، پس شاید بهتر است بگوییم که تکامل یافته است. فرایند تکامل به معنای حقیقی کلمه، این مفهوم تلویحی را تراوش می‌کند که ما با یک هوش همگرا و همچنین یک هوش واگرا سروکار داریم، زیرا در اینجا هوش مصنوعی از یک طراحی مولد برای حل مسئله بهره برده است.

هوش مصنوعی هر چند همچون انسان دارای بصیرت نیست، اما همین حالا نشان داده است که می‌تواند تکامل را شبیه‌سازی کند و همچنین بسیاری از محاسبات را به طور مستقل تجزیه‌وتحلیل کند.

آیا هوش مصنوعی می‌تواند بهتر از انسان تصمیم بگیرد؟

ما می‌دانیم که هوش مصنوعی می‌تواند محاسبات را به‌سرعت تکمیل کرده و الگوریتم‌های مختص خود را تدوین کند. الگوریتم‌های مشتق‌شده عمدتاً بر اساس نتایجی است که توسط انسان استنباط‌ شده‌اند. حالا بیایید از یک زاویه دید دیگر نگاه کنیم، آیا هوش مصنوعی جدید می‌تواند الگوریتم‌هایی تولید کند که تصمیمات بهتری نسبت به انسان بگیرند؟

پاسخ بدون شک «بله» است. روش یادگیری ماشین می‌تواند داده‌های بیشتری را با سرعت بالاتری نسبت به مغز انسان‌ پردازش کند. این تکنیک به هوش مصنوعی امکان می‌دهد الگوهایی را در داده‌ها پیدا کند که برای انسان فوراً قابل مشاهده نیستند.

بنابراین در جایی که ما داده‌های مستقلی داریم که به داده‌های وابسته مرتبط است اما از تصمیمات خودِ انسان استنتاج نشده است، این احتمال وجود دارد که هوش مصنوعی بتواند تصمیمات بهتری بگیرد.

بررسی یک مطالعه موردی پزشکی

به عنوان مثال، فرض کنید قرار است از طریق اسکن مقطع‌نگاری کامپیوتری(یا سی‌تی اسکن) به دنبال علائم سرطان در یک بیمار باشیم. با همکاری مهندسان نرم‌افزار و محققان بالینی، یک برنامه هوش مصنوعی برای این کار تولید شده است. در این روش از تصاویر با دقت بالا استفاده می‌شود تا پزشکان بررسی کنند که آیا افراد مبتلا به سرطان ریه خواهند شد یا خیر.

آزمایش اول این تحقیق که در مجله «نیچر مدیسین» (Nature Medicine) منتشر شد، نشان داد که هوش مصنوعی در غربالگری نتایج سرطان به اندازه رادیولوژیست‌ها دقیق عمل می‌کند. این نتایج، بر اساس بیش از یک سی‌تی اسکن از هر فرد ارائه شده بود. علت اهمیت این موضوع چیست؟ زمانی که به انسان تنها یک تصویر سی‌تی‌ اسکن داده شد، هوش مصنوعی از رادیولوژیست‌ها و پزشکان بهتر عمل کرد.

بیشتر بخوانید:

هوش مصنوعی در سالن‌ دادگاه‌های آینده/ روبات‌ها جایگزین قضات می‌شوند؟

داده‌های آموزشی اینجا ذخیره بزرگی از نتایج سی‌تی اسکن‌های پیشین بود. بنابراین هوش مصنوعی نتایج قبلی افرادی را که به سرطان مبتلا شده بودند، به‌دقت بررسی کرده بود و در شرایطی که داده‌های مستقل و داده‌های وابسته تشکیل شدند، الگوریتمی که توسط هوش مصنوعی اتخاذ شد(ما دقیق نمی‌دانیم این الگوریتم چه بود!) می‌توانست تصمیمات دقیق‌تری نسبت به تصمیمات پزشکان بگیرد. اهمیت این مسئله به این دلیل است که هوش مصنوعی موفق شده است مدلی را بر اساس داده‌های بیشتر و احتمالاً متفاوت از آنچه انسان‌ها برای ارزیابی یکسان استفاده کرده‌اند، به دست آورد.

به طور خلاصه: آیا هوش مصنوعی از انسان هوشمندتر است؟

به طور خلاصه، هوش مصنوعی بسیار مفید است و قادر است به مشکلات پیچیده‌ای پاسخ دهد که انسان‌ها قادر به حل آنها نیستند. هوش مصنوعی در کارهای مختلفی سریع‌تر از انسان عمل می‌کند. در برخی شرایط، هوش مصنوعی می‌تواند نتایج بهتری را نسبت به ماتریس‌های تصمیم‌گیری معمول ارائه کند زیرا توانایی بالاتری در شناسایی الگوهای پیچیده در حجم زیادی از داده‌ها دارد. با این حال، توانایی هوش مصنوعی برای تفکر واگرای پیچیده اما مستقل، بسیار محدود است زیرا هنور شواهد و قرائنی وجود ندارد که هوش مصنوعی به خودآگاهی رسیده باشد. این یعنی هوش مصنوعی، هنوز هوشمندتر از انسان نیست.

انتهای پیام/۴۱۶۰/پ