تاریخچه هوش مصنوعی در مورد آینده آن به ما چه می گوید؟

اما آنچه که کامپیوترها به طور سنتی در آن بد بودند، استراتژی بود – توانایی در نظر گرفتن شکل یک بازی در بسیاری از حرکات در آینده. اینجا جایی بود که انسان ها هنوز برتر بودند.

یا همینطور کاسپاروف فکر می کرد، تا اینکه حرکت دیپ بلو در بازی 2 او را تکان داد. آنقدر پیچیده به نظر می رسید که کاسپاروف شروع به نگرانی کرد: شاید دستگاه خیلی بهتر از آن چیزی بود که او فکر می کرد! او که متقاعد شده بود راهی برای پیروزی ندارد، بازی دوم را ترک کرد.

اما او نباید داشته باشد. به نظر می رسد که Deep Blue در واقع آنقدرها هم خوب نیست. کاسپاروف نتوانست حرکتی را ببیند که باعث شود بازی با تساوی به پایان برسد. او داشت خودش را بیرون می انداخت: نگران این بود که ماشین ممکن است بسیار قدرتمندتر از آنچه بود واقعاً باشد، او شروع به دیدن استدلال های انسان گونه ای می کرد که هیچ کدام وجود نداشت.

کاسپاروف با از دست دادن ریتم خود، به بازی بدتر ادامه داد. بارها و بارها خودش را نوازش کرد. در اوایل بازی برنده همه چیز، ششم چنان حرکت وحشتناکی انجام داد که ناظران شطرنج با شوک فریاد زدند. او بعداً در یک کنفرانس مطبوعاتی گفت: “اصلاً حوصله بازی کردن نداشتم.”

آی بی ام از نور ماه استفاده کرد. در هیاهوی مطبوعاتی که پس از موفقیت دیپ بلو اتفاق افتاد، ارزش بازار این شرکت در یک هفته 11.4 میلیارد دلار افزایش یافت. مهمتر از آن، پیروزی IBM مانند یک آب شدن در زمستان طولانی هوش مصنوعی بود. اگر می شد شطرنج را فتح کرد، بعد چه بود؟ عموم مردم گیج شده بودند.

کمپبل به من می گوید: «این چیزی است که توجه مردم را به خود جلب می کند.

---

واقعیت این است که تعجب آور نبود که یک کامپیوتر کاسپاروف را شکست داد. اکثر افرادی که به هوش مصنوعی و شطرنج توجه می کنند انتظار داشتند که این اتفاق در نهایت رخ دهد.

شاید شطرنج اوج تفکر بشر به نظر برسد، اما اینطور نیست. در واقع، این یک کار ذهنی است که به خوبی برای محاسبات brute-force مناسب است: قوانین واضح هستند، هیچ اطلاعات پنهانی وجود ندارد، و یک کامپیوتر حتی نیازی به پیگیری اتفاقات قبلی ندارد. در حال حاضر تنها در حال ارزیابی موقعیت سنگ ها است.

همانطور که در مورد شطرنج، مشکلات بسیار کمی وجود دارد که در آن شما تمام اطلاعات لازم برای تصمیم گیری درست را دارید.

همه می‌دانستند که رایانه‌ها به محض اینکه به اندازه کافی سریع شوند، انسان را تحت تأثیر قرار می‌دهند. فقط سوال این بود که کی دمیس حسابیس، رئیس شرکت هوش مصنوعی DeepMind که بخشی از Alphabet است، می‌گوید: «در اواسط دهه 90، «نوشتن به یک معنا از قبل روی دیوار بود».

پیروزی دیپ بلو لحظه ای بود که نشان داد سیستم های رمزگذاری شده دستی چقدر می توانند محدود باشند. آی‌بی‌ام سال‌ها و میلیون‌ها دلار صرف ساخت رایانه‌ای برای بازی شطرنج کرده بود. اما کار دیگری نمی توانست بکند.

منجر به پیشرفت های سهل گیرانه نشد. [Deep Blue] کمپبل می گوید هوش مصنوعی تاثیر زیادی بر جهان خواهد داشت. آنها واقعاً هیچ اصول هوشی را کشف نکرده اند، زیرا دنیای واقعی مانند شطرنج نیست. کمپبل می افزاید: “مشکل بسیار کمی در مورد شطرنج وجود دارد، جایی که شما تمام اطلاعات لازم برای تصمیم گیری درست را دارید.” «اغلب ناشناخته هایی وجود دارد. تصادفی وجود دارد.»

اما حتی زمانی که دیپ بلو با کاسپاروف زمین را تمیز می‌کرد، تعداد انگشت شماری از استارت‌آپ‌های جسور با شکل کاملاً امیدوارکننده‌تری از هوش مصنوعی دست و پنجه نرم می‌کردند: شبکه عصبی.

با شبکه های عصبی، ایده این بود که برای هر تصمیمی که یک هوش مصنوعی می گیرد، با صبر و حوصله قوانینی بنویسیم، همانطور که در سیستم های خبره چنین است. درعوض، آموزش و تقویت، ارتباطات درونی را تقویت می کند (همانطور که در تئوری است) در تقلید تقریبی از نحوه یادگیری مغز انسان.

عکس AP / مرد نادل

این ایده از دهه 50 وجود داشته است. اما آموزش یک شبکه عصبی بزرگ به روشی مفید نیاز به رایانه‌های برق آسا، هزاران حافظه و داده‌های زیادی داشت. هیچ کدام از اینها در آن زمان به راحتی در دسترس نبودند. حتی در دهه 90، شبکه های عصبی به عنوان اتلاف وقت تلقی می شدند.

جف هینتون، استاد بازنشسته علوم کامپیوتر در دانشگاه تورنتو و از پیشگامان این حوزه می‌گوید: «در آن زمان، بیشتر افراد در هوش مصنوعی فکر می‌کردند شبکه‌های عصبی فقط زباله هستند. به من “مؤمن واقعی” گفته شده است – نه یک تعریف.

اما در دهه 2000، صنعت کامپیوتر در حال تکامل بود تا شبکه‌های عصبی را زنده کند. اشتیاق گیمرهای بازی های ویدیویی برای گرافیک بهتر نسبت به قبل، صنعت عظیمی را در واحدهای پردازش گرافیکی فوق سریع ایجاد کرده است که معلوم شد برای ریاضیات شبکه عصبی کاملاً مناسب هستند. در همین حال، اینترنت در حال رونق بود و سیل تصاویر و متنی را تولید می کرد که می توانست برای آموزش سیستم ها استفاده شود.

در اوایل دهه 2010، این جهش‌های فنی به هینتون و تیم مؤمن واقعی او اجازه داد تا شبکه‌های عصبی را به ارتفاعات جدیدی برسانند. آن‌ها اکنون می‌توانند شبکه‌هایی با لایه‌های زیادی از نورون‌ها ایجاد کنند (یعنی «عمیق» در «یادگیری عمیق»). در سال 2012 تیم او به راحتی برنده مسابقه سالانه Imagenet شد که در آن هوش مصنوعی برای تشخیص عناصر در تصاویر با هم رقابت می کند. دنیای علم کامپیوتر را متحیر کرد: ماشین‌های خودآموز بالاخره می‌توانند پیاده‌سازی شوند.

در دهه انقلاب یادگیری عمیق، شبکه‌های عصبی و قابلیت‌های تشخیص الگوی آن‌ها هر گوشه از زندگی روزمره را مستعمره کرده‌اند. آن‌ها به Gmail کمک می‌کنند تا جملات شما را به‌طور خودکار تکمیل کند، بانک‌ها کلاهبرداری را شناسایی کنند، برنامه‌های عکس به‌طور خودکار چهره‌ها را تشخیص می‌دهند، و – در مورد OpenAI’s GPT-3 و DeepMind’s Gopher – نوشتن شرح‌های طولانی با صدای انسان و خلاصه کردن متن‌ها. آنها حتی نحوه انجام علم را تغییر می دهند. در سال 2020، DeepMind هوش مصنوعی AlphaFold2 را راه‌اندازی کرد که می‌تواند چگونگی تا شدن پروتئین‌ها را پیش‌بینی کند – مهارتی مافوق بشری که می‌تواند محققان را در توسعه داروها و درمان‌های جدید راهنمایی کند.

در همین حال، دیپ بلو بدون به جا گذاشتن هیچ اختراع مفیدی ناپدید شد. معلوم شد که بازی شطرنج یک مهارت کامپیوتری در زندگی روزمره نیست. Hassabis بنیانگذار DeepMind می گوید: «در پایان، آنچه Deep Blue نشان داد، کاستی های تلاش برای ساخت همه چیز بود.

IBM سعی کرد وضعیت را با Watson، سیستم اختصاصی دیگری که برای حل یک مشکل کاربردی‌تر طراحی شده بود، اصلاح کند: تهیه ماشینی برای پاسخ به سؤالات. او از تجزیه و تحلیل آماری حجم زیادی از متن برای به دست آوردن درک زبان، که در آن زمان پیشرفته بود، استفاده کرد. این چیزی بیش از یک سیستم ساده اگر-آنگاه بود. اما واتسون با زمان ناخوشایندی مواجه شد: تنها چند سال بعد، انقلاب یادگیری عمیق که نسلی از مدل‌های شکستن زبان را بسیار ظریف‌تر از تکنیک‌های آماری واتسون به ارمغان آورد، تحت الشعاع قرار گرفت.

دافنه کولر، استاد سابق استنفورد که Insitro را که از شبکه‌های عصبی و سایر اشکال یادگیری ماشینی برای تحقیق در مورد جدید استفاده می‌کند، می‌گوید از آنجایی که تشخیص الگو “بسیار قدرتمند” است، یادگیری عمیق روشی نادرست نسبت به هوش مصنوعی قدیمی است. درمان های دارویی انعطاف‌پذیری شبکه‌های عصبی – طیف گسترده‌ای از روش‌هایی که می‌توان از تشخیص الگو استفاده کرد – به همین دلیل است که زمستان دیگری با هوش مصنوعی وجود ندارد. او می‌گوید: «یادگیری ماشین در واقع ارزش ایجاد کرده است، و این چیزی است که «امواج شور و شوق قبلی» در هوش مصنوعی هرگز انجام نداده‌اند.

سرنوشت معکوس دیپ بلو و شبکه‌های عصبی نشان می‌دهد که ما برای مدت طولانی در AI در قضاوت در مورد اینکه چه چیزی دشوار است – و چه چیزی ارزشمند است، بد بوده‌ایم.

برای دهه ها، مردم فکر می کردند که تسلط بر شطرنج مهم است، زیرا بازی شطرنج در سطح بالا برای انسان ها دشوار است. اما معلوم شد که تسلط بر رایانه های شطرنج بسیار آسان است، زیرا بسیار منطقی است.

یادگیری برای رایانه‌ها بسیار دشوارتر، کارهای ذهنی دنیوی و ناخودآگاهی بود که انسان انجام می‌دهد، مانند سخنرانی زنده، رانندگی در ترافیک یا خواندن وضعیت عاطفی یک دوست. ما این کارها را آنقدر بدون زحمت انجام می دهیم که به ندرت متوجه می شویم که چقدر فریبنده هستند و چقدر قضاوت مبهم و خاکستری نیاز دارند. مزیت بزرگ یادگیری عمیق از توانایی گرفتن این تکه های ظریف هوش ناآگاه انسانی حاصل شد.

---

با این حال، هیچ پیروزی نهایی در هوش مصنوعی وجود ندارد. یادگیری عمیق ممکن است در حال حاضر در حال افزایش باشد – اما انتقادات شدیدی را نیز به دنبال دارد.

“برای مدت طولانی، یک شور و شوق تکنو-شوینیستی وجود داشت که خوب، هوش مصنوعی هر مشکلی را حل می کند!” برنامه نویس مردیث بروسارد، استاد روزنامه نگاری در دانشگاه نیویورک، هوش مصنوعی. اما همانطور که او و سایر منتقدان خاطرنشان کردند، سیستم های یادگیری عمیق اغلب بر روی داده های مغرضانه آموزش می بینند و آن سوگیری ها را جذب می کنند. دانشمندان کامپیوتر جوی بولاموینی و تیمنیت گبرو کشف کردند که سه سیستم هوش مصنوعی بصری تجاری موجود در تجزیه و تحلیل چهره زنان با پوست تیره تر وحشتناک هستند. آمازون یک هوش مصنوعی برای تجزیه و تحلیل رزومه آموزش داد، اما فقط برای یافتن زنانی که رتبه پایینی دارند.

در حالی که دانشمندان کامپیوتر و بسیاری از مهندسان هوش مصنوعی اکنون از این مشکلات سوگیری آگاه هستند، همیشه مطمئن نیستند که چگونه با آنها برخورد کنند. دانیلا روس، کارشناس هوش مصنوعی که اکنون ریاست آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT را بر عهده دارد، می‌گوید: علاوه بر این، شبکه‌های عصبی «جعبه‌های سیاه بزرگ» هستند. هنگامی که یک شبکه عصبی آموزش داده می شود، مکانیک آن حتی توسط سازنده آن به راحتی قابل درک نیست. مشخص نیست که چگونه به نتیجه رسید یا چگونه شکست خواهد خورد.

“برای مدت بسیار طولانی، یک شور و شوق تکنو-شوونیستی وجود داشت که هوش مصنوعی هر مشکلی را حل می کند!”

روس فکر می‌کند ممکن است تکیه بر جعبه سیاه برای مأموریتی که «امنیت حیاتی» نیست، مشکلی نباشد. اما در مورد یک تجارت با سهام بالاتر مانند رانندگی خودکار چطور؟ او می‌گوید: «در واقع بسیار قابل توجه است که ما می‌توانیم تا این حد به آنها اعتماد کنیم و باور کنیم.

اینجا جایی بود که دیپ بلو برتری داشت. سبک قدیمی قوانین دست ساز ممکن است شکننده باشد، اما قابل درک بود. دستگاه پیچیده بود – اما یک راز نبود.

---

از قضا، همانطور که مهندسان و دانشمندان کامپیوتر با محدودیت های تطبیق الگو دست و پنجه نرم می کنند، این سبک قدیمی برنامه نویسی ممکن است در حال بازگشت باشد.

مولدهای زبان مانند GPT-3 OpenAI یا DeepMind’s Gopher می‌توانند چند جمله را که تایپ می‌کنید و ادامه می‌دهند، تایپ کنند، صفحات و صفحاتی که منطقی هستند را تایپ کنند. حسابیس می‌گوید، اما علی‌رغم برخی تقلیدهای چشمگیر، گوفر «هنوز واقعاً نمی‌فهمد چه می‌گوید». “نه واقعا.”

به طور مشابه، هوش مصنوعی بصری هنگام مواجهه با یک موقعیت شدید می تواند اشتباهات وحشتناکی مرتکب شود. اتومبیل های خودران با ماشین های آتش نشانی پارک شده در بزرگراه ها برخورد کردند، زیرا در میلیون ها ساعت ویدیویی که آموزش داده بودند هرگز با چنین وضعیتی مواجه نشده بودند. شبکه های عصبی، به شیوه خود، نسخه ای از مشکل «شکنندگی» را دارند.