همراهی انسان و ربات! مزیت یا خطر؟
مجله علمی ایلیاد - آینده نه فقط توسط انسانها یا فقط توسط ماشینها ساخته خواهد شد، بلکه توسط هر دوی اینها با هم ساخته میشود. تکنولوژیهایی که نحوهی کار کردن مغز انسان را مدلسازی کردهاند، در حال حاضر تواناییهای افراد را تقویت میکنند و تنها زمانی اثربخش و مفید خواهند بود که جامعه از این ماشینهای بسیار توانا، استفاده کند. خوشبینان فناوری، دنیایی با افزایش کیفیت زندگی و بهرهوری برای انسان را تصور میکنند؛ زیرا در این دنیا، سیستمهای هوش مصنوعی کارهای سخت و پُرزحمت زندگی را انجام میدهند و در نتیجه برای همه منفعت خواهد داشت. از سوی دیگر، بدبینان هشدار دادهاند که این پیشرفتها میتواند هزینهی زیادی در از دست دادن شغل داشته باشد و زندگیها را خراب کند و ترسوها نگران هستند که هوش مصنوعی درنهایت انسانها را منسوخ کنند و از بین میبرند.
با این حال، مردم نمیتوانند آینده را بهطور بسیار خوبی تصور کنند. نه مدینه فاضله و نه روز قیامت محمتل است. در کتابی جدید، بهنام «انقلاب یادگیری عمیق»، هدف نویسنده توضیح گذشته، حال و آیندهی این حوزهی به سرعت در حال رشد از علم و فناوری بوده است. نتیجهگیری وی این است که هوش مصنوعی شما را هوشمندتر خواهد کرد، اما به شیوهای که شما را شگفتزده هم خواهد کرد. یادگیری عمیق، بخشی از هوش مصنوعی است که بیشترین پیشرفت را در حل مسائل پیچیده، از قبیل شناسایی اشیاء در تصاویر، تشخیص سخنان سخنرانان مختلف و پردازش متن به شیوهای که مردم صحبت میکنند یا مینویسند، داشته است. همچنین ثابت شده که یادگیری عمیق برای شناسایی الگوها در مجموعه دادههای بسیار بزرگی که توسط حسگرها، دستگاههای پزشکی و ابزارهای علمی تولید شدهاند، نیز مفید است.
هدف این روش، یافتن راههایی است که کامپیوتر میتواند پیچیدگی جهان را نشان دهد و از تجارب گذشته تعمیم دهد؛ حتی اگر آنچه در آینده اتفاق میافتد، دقیقاً مانند آنچه در گذشته اتفاق افتاده، نباشد. دقیقاً مانند فردی که میتواند حیوان خاصی را که قبلاً هرگز ندیده، گربه بنامد. الگوریتمهای یادگیری عمیق هم میتوانند ابعاد چیزی که گربه نامیده میشود را تشخیص دهند و آن ویژگیها را از تصاویر جدید گربهها استخراج کنند. سیستمهای یادگیری عمیق میتوانند بگویند که کدام یک از اینها گربه است. روشهای یادگیری عمیق بر پایهی اصول مشابهی هستند که به مغز انسان قدرت میدهد. به عنوان مثال، مغز، دادههای بسیاری از انواع مختلف را در واحدهای پردازشیِ بزرگ در زمانی مشابه و واحد مدیریت میکند. نورونها ارتباطات زیادی با یکدیگر دارند و این ارتباطها و پیوندها با توجه به میزان استفادهی آنها که ارتباطهای بین ورودیهای حسی و خروجیهای مفهومی را ایجاد میکند، تقویت یا تضعیف میشوند.
موفقترین شبکه یادگیری عمیق، بر مبنای تحقیقات دههی ۱۹۶۰ میلاادی است که روی معماری قشر بصری، بخشی از مغز که برای دیدن از آن استفاده میکنیم، انجام شده و نیز الگوریتمهای یادگیری عمیق که در دههی ۱۹۸۰ ابداع شد، است. در آن زمان، کامپیوترها به اندازهی کافی سریع نبودند تا بتوانند مسائل دنیای واقعی را حل کنند؛ اما اکنون هستند. علاوه بر این، شبکههای یادگیری بر روی یکدیگر لایهبندی شدهاند و شبکههایی از ارتباطاتی را ایجاد میکنند که شباهت بسیاری به سلسله مراتب لایههای یافتشده در قشر بصری دارد. این بخش از همگرائی بین هوش مصنوعی و هوش بیولوژیکی رخ میدهد. یک شبکهی عصبی چهارلایه، ورودی را از سمت چپ دریافت میکند و قبل از تحویل خروجی، خروجی اولین لایه را به لایهی بعدی و سپس لایهی بعدتر و بعدتری منتقل میکند.
در حال حاضر، یادگیری عمیق به قابلیتهای انسان افزوده شده است. اگر از سرویس گوگل برای جستجوی وبسایتی استفاده میکنید یا از برنامههای آن برای ترجمه از زبانی به زبان دیگر یا برای تبدیل گفتار به متن استفاده میکنید، فناوری شما را هوشمندتر، یا موثرتر کرده است. اخیراً در سفری به چین، دوستی در موبایل اندروید خود، به انگلیسی صحبت میکرد و موبابل آنرا برای راننده تاکسی به زبان چینی، ترجمه میکرد.
این سیستمها و بسیاری از سیستمهای دیگری که در حال حاضر کار میکنند، در زندگی روزمره به شما کمک میکنند، حتی اگر از آن آگاه نباشید. به عنوان مثال، یادگیری عمیق، عکسهای پرتوی ایکس و عکسهای ضایعات پوستی برای تشخیص سرطان را میخواند. پزشک محلی شما به زودی قادر خواهد بود مشکلاتی که امروزه فقط برای بهترین متخصصان مشهود است را تشخیص دهد. حتی زمانی که میدانید ماشینی دخیل است، ممکن است پیچیدگی چیزی که واقعاً انجام میدهند را درک نکنید. در پسِ دستیار هوشمند آمازون بهنام «الکسا»، دستهای از شبکههای یادگیری عمیق است که درخواست شما را تشخیص میدهد، دادهها را بررسی میکند تا به سوالات شما پاسخ دهد و از طرف شما اقداماتی را انجام دهد.
یادگیری عمیق در حل مسائل تشخیص الگو بسیار موثر و کارآمد بوده است، اما برای فراتر رفتن از این، به دیگر سیستمهای مغزی نیاز است. وقتی حیوانی برای انجام کاری پاداش دریافت میکند، به احتمال زیاد در آینده هم چنین اقدامات مشابهی را انجام خواهد داد. نورونهای دوپامین در گانگلیونهای پایهی مغز، تفاوت بین پاداشهای دریافتشده و پاداشهای مورد انتظار را نشان میدهند که «خطای پیشبینی پاداش» نامیده میشود و برای تغییر تواناییهای ارتباطات در مغز که پاداشهای آینده را پیشبینی میکنند، به کار میرود.
ترکیب این رویکرد که «یادگیری تقویتی» نام دارد، با یادگیری عمیق میتواند توانایی شناسایی احتمالات غیرمنتظره را به کامپیوترها دهد. ماشینها با تشخیص الگو و سپس پاسخ به آن به طریقی که پاداش به دست آورد، به رفتارهایی در امتداد خطوطی که «خلاقیت انسان» نامیده میشود، نزدیک میشوند. این رویکرد ترکیبی شیوهای است که DeepMind به وسیلهی آن، برنامهای بهنام «AlphaGo» را توسعه داد که در سال ۲۰۱۶، استاد بزرگ «لی سدول» را شکست داد و در سال بعد از آن، قهرمان بازی Go جهان، «کی جی» را شکست داد.
بازیها به اندازهی دنیای واقعی که پر از عدم قطعیتهای درحال تغییر است، آشفته نیست. «ماسیمو ورگاسولا» از دانشگاه کالیفرنیا در سان دیگو، اخیراً از یادگیری تقویتی استفاده کرده تا هواپیمای بیموتوری در میدان پروازی را آموزش دهیم تا بتواند مانند پرندهای که در گرما متلاطم است، پرواز کند. میتوانیم حسگرها را به پرندههای واقعی متصل کنیم تا آزمایش کنیم که آیا آنها هم از همین نشانهها استفاده میکنند و به همین طریق پاسخ میدهند یا خیر؟ علیرغم این موفقیتها، محققان هنوز به طور کامل نمیدانند که یادگیری عمیق چگونه این مسائل را حل میکند. البته ما نمیدانیم که مغز هم چگونه آنها را حل میکند.
در حالی که ممکن است کارکرد داخلی مغز اغفالکننده باقی بماند، اما این مساله فقط مربوط به زمانی است که محققان نظریهی یادگیری عمیق را توسعه نداده بودند. تفاوت این است که محققان در هنگام بررسی و مطالعهی کامپیوترها، به هر ارتباط و الگوی فعالیت در شبکه دسترسی دارند. سرعت پیشرفت زیاد است و روزانه مقالات تحقیقاتی زیادی در این مورد چاپ میشود. در کنفرانس سیستمهای پردازش اطلاعات عصبی در مونترال که در عرض ۱۱ دقیقه، ۸۰۰۰ بلیط فروخته و ۹۰۰۰ ثبتکنندهی در حال انتظار دارد، مشتاقانه منتظر پیشرفتهای شگفتانگیزی هستیم.
قبل از اینکه کامپیوترها به هوش عمومی بشر دست یابند، راه طولانیای باید طی شود. امروزه بزرگترین شبکهی یادگیری عمیق، فقط توانایی قسمتی از قشر عصبی مغز انسان را دارد؛ به اندازهی یک دانه برنج! و ما هنوز نمیدانیم که مغز چگونه به طور پویایی تعاملات بین نواحی بزرگتر مغز را سازماندهی میکند. در حال حاضر، طبیعت این سطح از یکپارچگی را دارد و سیستمهای بزرگی در مقیاس مغز را ایجاد میکند که قادر هستند تمام جنبههای بدن انسان را انجام دهند و در عین حال در مورد سوالات عمیق و انجام وظایف پیچیده تعمق کنند. درنهایت، ممکن است سیستمهای خودمختار بسیار پیچیده شوند و به موجودات زندهی بیشمارِ روی سیارهی زمین ملحق شوند.
نوشته: ترنسی سنووسکی
ترجمه: زهرا جهانبانی - مجله علمی ایلیاد
ترجمه: زهرا جهانبانی - مجله علمی ایلیاد