آنچه تاریخ هوش مصنوعی در مورد آینده آن به ما می گوید

اما آنچه که کامپیوتر بد است، به طور سنتی، استراتژی است – توانایی تفکر در شکل یک بازی پویاتر در آینده. اینجاست که انسانیت هنوز حاشیه دارد.

یا همینطور کاسپاروف فکر می کرد، تا اینکه جنبش Deep Blue در بازی 2 او را به لرزه درآورد. آنقدر پیچیده به نظر می رسد که کاسپاروف شروع به نگرانی می کند: شاید موتور بهتر از آن باشد که او فکر می کند! او با اعتقاد به اینکه راهی برای پیروزی ندارد، از بازی دوم انصراف داد.

اما او نباید داشته باشد. به نظر می رسد که آبی عمیق در واقع بد است. کاسپاروف هیچ اقدامی برای پایان بازی با تساوی پیدا نکرد. او خودش فهمید: نگران این بود که ماشین ممکن است قوی‌تر از آنچه که واقعاً بود باشد، شروع به دیدن دلایلی شبیه به انسان‌ها کرد.

کاسپاروف با ضربه زدن به سرعت خود، بدتر و بدتر به بازی ادامه داد. چندین بار خودش را روانی کرد. در اوایل سال ششم، یک بازی همه چیز برد، او چنان حرکت وحشتناکی انجام داد که ناظر از شوک فریاد زد. او بعداً در یک کنفرانس خبری گفت: «اصلا حوصله بازی کردن ندارم.

IBM از مهتاب خود سود برده است. در یک جنجال مطبوعاتی پس از موفقیت دیپ بلو، ارزش بازار این شرکت در یک هفته به 11.4 میلیارد دلار رسید. با این حال، حتی مهم‌تر این است که پیروزی IBM در زمستان طولانی هوش مصنوعی احساس گرم شدن می‌کند. اگر بتوان بر پرخاشگری غلبه کرد، بعد چه می شود؟ ذهن مردم پیچید.

کمپبل به من گفت: “این چیزی است که مردم را علاقه مند می کند.”

---

حقیقت این است که جای تعجب نیست که کامپیوترها کاسپاروف را شکست دهند. اکثر افرادی که به هوش مصنوعی علاقه مند هستند – و شطرنج بازی می کنند – انتظار دارند که در نهایت این اتفاق بیفتد.

شطرنج ممکن است به عنوان نقطه اوج فکر بشر به نظر برسد، اما اینطور نیست. در واقع، این یک کار روانشناختی است که برای محاسبات محاسباتی کاملاً مناسب است: قوانین واضح هستند، هیچ اطلاعات پنهانی وجود ندارد، و رایانه نیازی به پیگیری آنچه در حرکت گذشته رخ داده است ندارد. اکنون فقط موقعیت قطعات را ارزیابی می کند.

“مشکلات بسیار کمی وجود دارد. مانند شطرنج، شما تمام اطلاعاتی را دارید که احتمالاً برای تصمیم گیری درست نیاز دارید.”

همه می دانند که وقتی رایانه ها به اندازه کافی سریع باشند، بر انسان ها مسلط خواهند شد. فقط بحث زمان است. دمیس حسابیس، رئیس شرکت هوش مصنوعی DeepMind که بخشی از آلفابت است، گفت: در اواسط دهه 90، “نوشتن به یک معنا روی دیوار بود.”

پیروزی دیپ بلو زمانی بود که سیستم دستخط محدود بود. آی‌بی‌ام سال‌ها و میلیون‌ها دلار صرف توسعه رایانه‌های مخصوص بازی کرده است. اما کار دیگری نمی تواند بکند.

“این منجر به پیشرفت مجاز نمی شود [Deep Blue] کمپبل گفت: «هوش مصنوعی تأثیر زیادی بر جهان دارد.

اما حتی زمانی که Deep Blue در حال ایجاد زمینه برای کاسپاروف است، تعداد انگشت شماری از استارت‌آپ‌های خراش‌دهنده در حال دستکاری با شکل غالب هوش مصنوعی هستند: شبکه‌های عصبی.

در شبکه‌های عصبی، ذهن مانند سیستم خبره، با صبر و حوصله قوانین را برای هر تصمیمی که هوش مصنوعی می‌گیرد نمی‌نویسد. در عوض، آموزش و تقویت، ارتباطات داخلی را به روشی خام (از لحاظ نظری صحیح) از نحوه یادگیری مغز انسان تقویت می کند.

عکس AP / آدام نادل

این مفهوم به دهه 50 برمی گردد. اما آموزش شبکه عصبی در مقیاس بزرگ به محاسبات سریع رعد و برق، هزاران حافظه و مقادیر زیادی داده نیاز دارد. در آن زمان چیزی در دسترس نبود. حتی در دهه 90، شبکه های عصبی اتلاف وقت تلقی می شدند.

جف هینتون، استاد علوم کامپیوتر در دانشگاه تورنتو و از پیشگامان این حوزه می‌گوید: «در گذشته، بیشتر افراد در هوش مصنوعی فکر می‌کردند که شبکه‌های عصبی فقط زباله هستند. “من را “مؤمن واقعی” می نامند – نه یک تعریف.

اما در دهه 2000، صنعت کامپیوتر برای قابل استفاده کردن شبکه های عصبی تکامل یافت. تمایل علاقه مندان به بازی های ویدیویی برای گرافیک همیشه بهتر، صنعت عظیمی را در دنیای پردازش گرافیکی سریع ایجاد کرده است که به خوبی برای ریاضیات شبکه عصبی مناسب است. در همین حال، اینترنت در حال انفجار است، می توان از محصولات تصویری و متنی برای آموزش سیستم ها استفاده کرد.

در اوایل دهه 2010، این جهش‌های فنی به هینتون و خدمه‌اش از مؤمنان واقعی اجازه داد تا شبکه‌های عصبی را به ارتفاعات جدیدی برسانند. آنها اکنون می توانند شبکه ای چندلایه از نورون ها را تشکیل دهند (یعنی «عمیق» در «یادگیری عمیق»). در سال 2012، تیم او برنده مسابقه سالانه Imagenet شد، جایی که هوش مصنوعی برای تشخیص عناصر در تصاویر با هم رقابت می‌کند. دنیای علوم کامپیوتر را متحیر کرد: بالاخره ماشین خودآموز کار کرد.

ده سال پس از انقلاب، یادگیری عمیق، شبکه‌های عصبی و مهارت‌های تشخیص شکل آن‌ها، هر گوشه از زندگی روزمره را مستعمره کرده است. آنها Gmail را قادر می سازند تا به طور خودکار پیام های شما را پر کند، بانک ها را قادر می سازد تا کلاهبرداری ها را شناسایی کنند، برنامه های تصویر را قادر می سازند تا به طور خودکار چهره ها را تشخیص دهند، و – در مورد OpenAI’s GPT-3 و DeepMind’s Gopher – نوشتن متن های طولانی، گوش دادن به صدای انسان و خلاصه کردن متن ها. آنها روش علم را تغییر می دهند. در سال 2020، DeepMind AlphaFold2 را راه‌اندازی کرد، یک هوش مصنوعی که می‌تواند نحوه تا شدن پروتئین‌ها را پیش‌بینی کند – یک مهارت ویژه انسانی که می‌تواند به هدایت محققان در توسعه و درمان دارو کمک کند.

در همین حال Deep Blue ناپدید شده است و هیچ نوآوری مفیدی در پی آن وجود ندارد. ظاهراً بازی شطرنج یک مهارت کامپیوتری در زندگی روزمره نیست. Hassabis، بنیانگذار DeepMind می گوید: «آنچه Deep Blue نشان می دهد جنبه منفی امتحان کردن همه چیز است.

IBM سعی کرد با Watson، یک سیستم تخصصی دیگر، وضعیت را حل کند، این برای حل یک مشکل بسیار عملی طراحی شده بود: دریافت موتور برای پاسخ دادن به سوالات. از تجزیه و تحلیل آماری تعداد زیادی متون برای دستیابی به درک زبانی استفاده می کند که برای زمان خود مدرن است. این بیشتر از یک سیستم است اگر – پس ساده است. اما واتسون با یک لحظه ناگوار روبرو شد: تنها چند سال بعد با انقلابی در یادگیری عمیق که باعث تولید مدل‌های زبانی دشوارتر از تکنیک‌های آماری واتسون شد، تحت‌الشعاع قرار گرفت.

دافنه کولر، استاد سابق استنفورد و بنیانگذار Operation Insitro، که از شبکه های عصبی و سایر اشکال ماشین استفاده می کند، گفت: یادگیری عمیق، که بی ادبانه تر از هوش مصنوعی قدیمی در مدرسه انجام شده است، مطمئناً به این دلیل است که “تشخیص الگو فوق العاده قدرتمند است.” یادگیری بررسی درمان های دارویی جدید انعطاف‌پذیری شبکه‌های عصبی – انواع روش‌های تشخیص الگوها که می‌توان استفاده کرد – به همین دلیل است که زمستان دیگری با هوش مصنوعی وجود ندارد. او گفت: «یادگیری ماشین ارزش واقعی را ارائه می‌کند، چیزی که «امواج پرشور اخیر» در هوش مصنوعی هرگز انجام نمی‌دهند.

شانس برگشت‌پذیر Deep Blue و شبکه‌های عصبی نشان می‌دهد که ما در درازمدت در تصمیم‌گیری درباره اینکه چه چیزی در هوش مصنوعی دشوار است – و چه چیزی ارزشمند است – خوب نیستیم.

برای دهه‌ها، مردم بازی را بسیار مهم می‌دانستند، زیرا بازی در سطح بالا برای انسان‌ها دشوار است. اما معلوم شد که شطرنج به اندازه کافی برای کامپیوتر آسان است که به آن مسلط شود، زیرا بسیار منطقی بود.

چیزی که برای کامپیوتر سخت تر است، کارهای ذهنی ناآگاهانه ای است که انسان ها انجام می دهند – مانند مکالمات زنده، رانندگی در ترافیک، یا خواندن احساسات دوستان. ما این کارها را به قدری بدون زحمت انجام می دهیم که اغلب از فریبنده بودن قد و قضاوت خاکستری آنها غافلیم. فایده بزرگ یادگیری عمیق از درک چیزهای کوچک عقل بشری ناشی می شود که هنوز شناخته نشده اند.

---

با این حال، هیچ پیروزی نهایی در هوش مصنوعی وجود ندارد. یادگیری عمیق که ممکن است در حال حاضر در حال افزایش باشد – اما این یک انتقاد تند نیز است.

“برای مدت طولانی، با اشتیاق تکنسین های شوونیست که موافقت کردند، هوش مصنوعی همه چیز را حل خواهد کرد!” مردیت بروسارد، برنامه نویسی که استاد روزنامه نگاری در دانشگاه نیویورک شد، نویسنده هوش مصنوعی. اما همانطور که او و سایر منتقدان اشاره کرده اند، سیستم های یادگیری عمیق اغلب بر روی اطلاعات جانبدارانه آموزش می بینند – و این سوگیری ها را جذب می کنند. دانشمندان علوم کامپیوتر جوی بولاموینی و تیمنیت گبرو کشف کرده اند که سه سیستم هوش مصنوعی تجاری در تجزیه و تحلیل چهره زنان با پوست تیره بد هستند. آمازون هوش مصنوعی را برای ثبت بیوگرافی های کوتاه آموزش داد، اما متوجه شد که در رتبه بندی زنان سقوط کرده است.

اگرچه بسیاری از دانشمندان کامپیوتر و مهندسان هوش مصنوعی اکنون از این مسائل مغرضانه آگاه هستند، اما مطمئن نیستند که چگونه با آنها برخورد کنند. دانیلا روس، کهنه‌کار هوش مصنوعی که در حال حاضر آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT را اداره می‌کند، گفت: علاوه بر این، شبکه عصبی یک “جعبه سیاه بزرگ” است. هنگامی که یک شبکه عصبی آموزش داده می شود، مکانیسم آن حتی توسط سازندگانش به راحتی قابل درک نیست. معلوم نیست چگونه به نتیجه رسید – یا چگونه شکست خواهد خورد.

“برای مدت طولانی، با اشتیاق تکنولوژیست های شوونیست، بسیار خوب، هوش مصنوعی همه چیز را حل خواهد کرد!”

ممکن است مشکلی نباشد، ارقام Rus، برای کارهایی که «امنیت حیاتی» نیستند به جعبه سیاه مراجعه کنید. اما در مورد مشاغلی که دارای ریسک بالاتری هستند، مانند خودرانی چطور؟ او گفت: «ما می‌توانیم به آنها اعتماد کنیم و به آنها ایمان داشته باشیم.

اینجاست که Deep Blue به کار می آید. قوانین صنایع دستی قدیمی ممکن است ضعیف باشند، اما قابل درک هستند. موتور پیچیده است – اما این یک راز نیست.

---

از قضا، شکل قدیمی برنامه نویسی ممکن است چیزی را بازگرداند زیرا مهندسان و دانشمندان کامپیوتر با محدودیت های تطبیق الگو دست و پنجه نرم می کنند.

سازندگان زبان، مانند OpenMind’s GPT-3 یا DeepMind’s Gopher، می توانند چند جمله ای را که نوشته اید و ادامه دهند، بنویسند و صفحات و صفحات این فرآیند را با صدایی قابل اعتماد بنویسند. حسابیس گفت، با وجود تقلید چشمگیر، گوفر «هنوز واقعاً نمی‌فهمد چه می‌گوید». “نه به معنای واقعی.”

به طور مشابه، هوش مصنوعی بصری هنگام مواجهه با یک مورد مرزی می تواند اشتباهات جدی انجام دهد. برخورد خودروهای خودران با خودروهای آتش نشانی پارک شده در بزرگراه، زیرا در میلیون ها ساعتی که آموزش دیده اند، هرگز با چنین وضعیتی مواجه نشده اند. شبکه‌های عصبی به روش خود نسخه‌ای از مشکل «شکنندگی» دارند.