مقاله

این روزها علوم کامپیوترى، به‌ویژه هوش مصنوعى، حسابى مى‌درخشد. روزى نمی‌گذرد مگر اینکه رسانه‌ها با اشتیاق فراوان خبر از شگفتى جدیدى درباره‌ی ماشین‌هاى هوشمند ندهند. پیشگامان این حوزه قدر دیده‌اند و ظاهراً از منزلت و جایگاهى بهره‌مندند که کمتر کسى از دانشگاهیان از آن برخوردار بوده‌ است. منابع مالى گزافى به سمت هوش مصنوعى سرازیر مى‌شود و امپراتورى‌هاى فناوری جدید در برابر دیدگان ما در حال شکل‌گیرى است. در سال ٢٠١۴ یک شرکت بریتانیایى به نام دیپ‌مایند (DeepMind) که نه محصول چشمگیری داشت، نه مشترى زیادى و نه فناوریِ خاصى با تنها حدود ۵٠ نفر کارمند توسط گوگل به قیمت ۶٠٠ میلیون دلار خریدارى شد؛ و امروز دیپ‌مایند بیش از ١٠٠٠ نفر کارمند دارد.

با این اوصاف و به‌‌رغم بحران‌هاى مالى‌ در بسیارى از حوزه‌ها، از دور به نظر می‌رسد که صنعت هوش مصنوعى در بحبوحه‌ی توفان بحران‌هاى مالى در کشتى امن و امانى آسوده‌خاطر نشسته است و در واقع از این بهتر نمى‌توان شرایطى را متصور شد. اما وقتى از نزدیک به آن نگاه کنیم متوجه مى‌شویم که اوضاع خیلى هم روبه‌راه نیست. هوش مصنوعى دین بزرگى است که مانند همه‌ى ادیان دچار انشعاب است.

موضوع شدیداً بحث‌برانگیزى که این رشته را چندپاره کرده است، شاید همان اساسى‌ترین پرسش مرتبط با هوش مصنوعى است: براى دستیابى به ماشین‌هاى هوشمند، باید از ذهن الگوبردارى کرد یا از مغز؟ رویکرد منطبق با ذهن، به هوش مصنوعىِ نمادین (symbolic) معروف است و این رویکرد بر بخش اعظمِ عمرِ بیش از ۵٠ ساله‌ى این رشته حاکم بوده است. رویکرد منطبق با مغز را شبکه‌هاى عصبى (neural networks) می‌خوانند. در بیشتر عمر این رشته، شبکه‌هاى عصبى در بهترین حالت پسرعموى بیچاره‌ى هوش مصنوعىِ نمادین محسوب مى‌شد و در بدترین حالت مسیری که به بن‌بست ختم می‌شد. اما موفقیت‌هاى اخیر هوش مصنوعى مدیون پیشرفت‌هاى فوق‌العاده در فناوریِ شبکه‌هاى عصبى است و حالا این هوش مصنوعىِ نمادین است که باید از آن پیروی کند. برخى از پژوهشگران شبکه‌هاى عصبى ادعا کرده‌اند که هوش مصنوعىِ نمادین رشته‌اى روبه‌زوال است و متخصصان هوش مصنوعىِ نمادین با ناامیدى به دنبال راهى می‌گردند تا براى ایده‌های‌شان در هوش مصنوعى نوین جایی پیدا کنند.

جان مک‌کارتى در سال ١٩۵۶ نام این رشته را هوش مصنوعى گذاشت. او که بنیان‌گذار آزمایشگاه هوش مصنوعى در دانشگاه استنفورد بود، تأثیرگذارترین مدافع این دیدگاه بود که هدف هوش مصنوعى باید ساخت ماشین‌هایى باشد که بتوانند بیندیشند. هوش مصنوعى مستلزم این است که برنامه‌هاى کامپیوترى بتوانند تشخیص دهند که در هر لحظه چه کار باید کرد. از نظر مک‌کارتى، محاسبه و تشخیص انجام کار درست، قابل تقلیل به استدلال منطقى است: از نظر او سیستم هوش مصنوعى باید مسیر اقدام را به درستى استنتاج کند.

روایت و برداشت مک‌کارتى از هوش مصنوعى همان هوش مصنوعىِ نمادین است زیرا استدلال شامل بالا و پایین کردن عباراتى است که معادل ریاضى جملات هستند. این عبارات از نمادهایى تشکیل شده‌اند که در دنیاى واقعى داراى معنا هستند. برای مثال، روباتى که بر اساس مدل مک‌کارتى ساخته شده، ممکن است از نماد «اتاق ۴۵١» براى اشاره به اتاق خواب شما استفاده کند و نماد «تمیز کن» را براى اشاره به عمل تمیز کردن به کار برد. بنابراین، وقتى که روبات تصمیم مى‌گیرد که «تمیز کن (اتاق ۴۵١)»، مى‌توانیم ببینیم که چه اتفاقى مى‌افتد: اتاق خواب شما را تمیز مى‌کند.

دلایل زیادى براى علاقه به رؤیاى مک‌کارتى وجود دارد. چون ساده و قشنگ و به لحاظ ریاضى واضح و شفاف است. اگر بخواهیم بدانیم چرا یکى از روبات‌هاى مک‌کارتى اتاق شما را تمیز کرد، مى‌توانیم به سادگى استدلال‌اش را بررسى کنیم. اگر هوش مصنوعىِ نمادین را یک طیف در نظر بگیریم، رؤیاى مک‌کارتى درباره‌ى هوش مصنوعى تقریباً در انتهاى این طیف قرار داشت ــ این رویکرد افراطى او حتى در میان متخصصان هوش مصنوعىِ نمادین هم مقبولیت زیادى نداشت و بسیارى از آنان قائل به نسخه‌ى کمى «ضعیف‌تر» (و کاربردى‌تر) آن بودند. اما ایده‌هاى اساسى او به مدت ٣٠ سال یعنى از تأسیس این رشته تا اواخر دهه‌ى ١٩٨٠، جریان رایج در حوزه‌ی هوش مصنوعى بود. و هرچند هوش مصنوعىِ نمادین در برنامه‌هاى دانشگاهى امروز دیگر جایگاهی مرکزى ندارد اما همچنان به عنوان یک حوزه‌ى تحقیق فعال باقى مانده است.

هوش مصنوعى در توسعه‌ى ایده‌های اساساً زیبا اما عملاً ناکارآمد پیشرو است و هوش مصنوعىِ نمادین شاید نمونه‌ى متداول این پدیده است. براى تبدیل تصورات مک‌کارتى به واقعیت مسائل زیادى وجود دارد اما شاید مهم‌ترین مسئله این است که هرچند بعضى از مسائل با این نسخه از هوش مصنوعى به خوبى حل مى‌شود (مانند اثبات قضایاى ریاضى) ولى به نظر نمى‌رسد که بتوان بسیارى دیگر از مسائل را حل کرد. هوش مصنوعىِ نمادین در زمینه‌ى مسائلى که نیازمند درک و فهم جهان فیزیکى است، پیشرفت بسیار محدودى داشته است. و این معلوم است که درک و فهم جهان فیزیکى براى هوش مصنوعى نوعی پیش‌نیاز همیشگى است ــ اگر روبات شما نفهمد که پیرامونش چه چیزى وجود دارد، شما در ساختن یک روبات مفید پیشرفت زیادى نخواهید داشت. دانستن اینکه شما کجا هستید و چه در پیرامون شماست، بزرگ‌ترین مانع بر سر راه رؤیاى همیشگى ماشین‌هاى بدون راننده است.

تا اواخر دهه‌ى ١٩٨٠ نسخه‌هاى خالص هوش مصنوعىِ نمادین به علت مشکلاتی که داشتند کم‌کم از چشم افتادند. (هر چند مک‌کارتى که با هر معیارى آدمی استثنائی محسوب مى‌شد، هیچ‌گاه رؤیایش را رها نکرد: او تا دم مرگ در سن ٨۴ سالگى در سال ٢٠١١ به آن پایبند ماند.)

به تدریج جایگزینى طبیعى براى هوش مصنوعىِ نمادین شروع به جلب توجه کرد: به جاى الگوسازی از فرایندهاى استدلال پیچیده، چرا خود مغز را مدل‌سازى نکنیم؟ هر چه باشد، ما با قطعیت مى‌دانیم که مغز تنها چیزى است که مى‌تواند سبب ایجاد رفتار هوشمندانه شود. پس چرا با آن شروع نکنیم؟

به جاى الگوسازی از فرایندهاى استدلال پیچیده، چرا خود مغز را مدل‌سازى نکنیم؟ هر چه باشد، ما با قطعیت مى‌دانیم که مغز تنها چیزى است که مى‌تواند سبب ایجاد رفتار هوشمندانه شود. پس چرا با آن شروع نکنیم؟

این رویکرد در هوش مصنوعى، شبکه‌هاى عصبى نام دارد. این نام برگرفته از سلول‌هاى عصبى (نورون‌ها) است. نورون‌ها ساختارهاى سلولى بسیار پیچیده و به‌هم‌پیوسته‌ای هستند که در مغز و سامانه‌های عصبى وجود دارند. هر نورون یک ابزار بسیار ساده‌ى پردازش اطلاعات است. اما وقتى تعداد عظیمى از آنها در شبکه‌هایى وسیع به یکدیگر متصل مى‌شوند، قادرند معجزه‌اى به نام هوش انسانى خلق کنند. پژوهشگران شبکه‌هاى عصبى، نسخه‌هاى نرم‌افزارى این شبکه‌ها را مى‌سازند و هرچند نمی‌خواهند از روى مغز موبه‌مو شبیه‌سازى کنند اما ایده‌ى کلى این است که این شبکه‌ها همانند انسان‌ها یاد خواهند گرفت تا رفتار هوشمندانه از خود نشان دهند.

شبکه‌هاى عصبى در واقعی ایده‌ا‌ى بسیار قدیمى است ــ سابقه‌ی آن به دهه‌ی ١٩۴٠ بر مى‌گردد، زمانى که وارن مک‌کولاچ و والتر پیتز دریافتند که شبکه‌هاى عصبى طبیعى موجود در مغز انسان‌ها و حیوانات شبیه به مدارهاى الکتریکى است. اما مک‌کولاچ و پیتز براى ساختن ساختارهایى که در ذهن خود داشتند، ابزارى نداشتند تا اینکه در دهه‌ی ١٩۶٠ این ایده به منصه‌ی ظهور رسید.

فرانک روزنبلت، استاد روان‌شناسى در دانشگاه کورنل، مدلى از شبکه‌هاى عصبى ابداع کرد که به نام پرشکوه پرسپترون (perceptron)[i] معروف است ــ این اولین مدل شبکه‌ی عصبى بود که عملاً ساخته شده بود و مدلى است که همچنان به کار می‌رود.

اما حیات این رشته‌ى نوظهور عملاً با انتشار کتابى با عنوان «پرسپترونز» (perceptrons) در سال ١٩۶٩ توسط دو استاد دانشگاه ام‌آى‌تى به نام‌هاى ماروین مینسکى و سیمور اى. پاپرت که شدیداً طرفدار رویکرد نمادین بودند، خاتمه یافت. کتاب آنها به برخى از محدودیت‌هاى نظرى مدل روزنبلت پرداخته است و به این امر اشاره می‌کند که مدل‌هاى عصبى در دستیابى به اهداف خود اساساً داراى محدودیت هستند. روزنبلت دو سال بعد در یک تصادف قایق‌سوارى درگذشت و شبکه‌هاى عصبى مهم‌ترین مدافع خود را از دست داد. تحقیقات مربوط به شبکه‌هاى عصبى نزدیک به دو دهه به حالت تعلیق درآمد.

نسبت به کتاب مینسکى و پاپرت هنوز احساس تلخىِ خاصى وجود دارد. با انتشار این کتاب دین هوش مصنوعى به دو جناح منشعب شد که هیچ‌وقت آشتى نکردند. وقتى هوش مصنوعىِ نمادین در اواخر دهه‌ى ١٩٨٠ شروع به افول کرد، شبکه‌هاى عصبى به مدت یک دهه مورد توجه قرار گرفت، به‌ویژه چون فنون جدید «آموزش» شبکه‌هاى عصبى توسعه پیدا کرد و رایانه‌ها در نهایت آن‌قدر قوى شدند تا بتوانند با شبکه‌هاى عصبىِ بسیار بزرگ کار کنند. اما این خیزش مجدد عمرى کوتاه داشت. در اواخر دهه‌ى ١٩٩٠ شبکه‌هاى عصبى به علت محدودیت‌هاى کامپیوترها در آن زمان، مجدداً رو به افول نهادند. اما یک دهه‌ى بعد دوباره ورق برگشت و این بار گرایش به سمت شبکه‌هاى عصبى بى‌سابقه بود.

در پیشبرد انقلاب نوین شبکه‌هاى عصبى، سه عامل نقش داشت. عامل اول بعضى پیشرفت‌هاى علمى بود که «یادگیرى عمیق» نام دارد (که اساساً شامل شبکه‌هاى عصبى بزرگ‌تر و عمیق‌تر است). دوم اینکه ارزان شدن پردازش‌کننده‌هاى رایانه‌ای سبب شد تا هزینه‌ى ساخت شبکه‌هاى عصبى بزرگ کاهش یابد. و عامل سوم، که به همان اندازه اهمیت دارد، در دسترس بودن داده‌هاى فراوان است: شبکه‌هاى عصبى تشنه‌ى داده‌ها هستند. و البته ما اکنون در عصر «داده‌هاى کلان» (Big Data) هستیم.

در دهه‌ى گذشته، ما به طرز بى‌سابقه‌اى شاهد موجى از موفقیت‌ها در حوزه‌ی هوش مصنوعى بودیم و همین دستاوردها است که به شور و هیجان کنونی در این عرصه انجامیده است. در سال ٢٠١۶ شرکت دیپ‌مایند برنامه‌ى بازىِ فکرىِ گو (Go) را منتشر کرد که قادر بود قهرمانان جهانى این بازى را به راحتى شکست دهد. پاییز امسال شرکت دیپ‌مایند طى پروژه‌اى به نام آلفافولد (AlphaFold) با بهبود پیش‌بینى ساختارهاى پروتئینى، گامى مؤثر در راستاى پیشبرد علم زیست‌شناسى برداشت («همه چیز را تغییر خواهد داد» عنوان مقاله‌اى است که در نشریه‌ی «نِیچِر» منتشر شده است). همچنین پیشرفت سریعى در فناوری ماشین بدون راننده حاصل شده است ــ سال گذشته وایمو (Waymo)، شرکت ساخت ماشین بدون راننده‌ى گوگل، خدمات تاکسى بدون راننده را در فینیکس در ایالت آریزونا راه‌اندازى کرد.

در سال ٢٠١٨ از پیشگامان هوش مصنوعىِ نوین تقدیر به عمل آمد. جفرى هینتون، یان لکان و یوشوا بنژیو سه تن از برجسته‌ترین مدافعان شبکه‌هاى عصبى که سال‌ها جهت پیشبرد این فناوری استقامت ورزیدند، به دریافت جایزه‌ى یک میلیون دلاریِ تورینگ ــ که به نوعی جایزه‌ى نوبل رشته‌ى کامپیوتر به شمار می‌رود ــ نائل شدند. این واضح‌ترین نشانه‌ی این است که سرانجام شبکه‌هاى عصبى به عنوان جریان اصلى پذیرفته شد.

همه‌ى این توفیقات عمدتاً معلول یادگیرى عمیق است. هوش مصنوعىِ نمادین هم در برخى از این توفیقات نقش داشته اما نقش آن صرفاً حمایتى بوده است و نه اصلى.

هرچند رسانه‌ها تمایل دارند که برچسب کلىِ «هوش مصنوعى» را براى همه‌ى پیشرفت‌هاى اخیر به کار برند اما بعضى از متخصصان یادگیرى عمیق، از آن چندان خشنود نیستند. از نظر آنها، این برچسب با بسیارى از ایده‌هاى شکست‌خورده در تاریخ هوش مصنوعى مرتبط است که برجسته‌ترین آنها پروژه‌ى هوش مصنوعىِ نمادین است.

موفقیت‌هاى یادگیرى عمیق که در این قرن به واقعیت تبدیل شده و در عین حال مهیج است، در خور تحسین است. و آن دسته از پژوهشگران شبکه‌هاى عصبى که سال‌ها به‌رغم عدم پیشرفت، با عزم و اراده و بصیرت در مقابل تحقیر و تمسخر همکاران دانشگاهى خود استقامت ورزیدند، شایسته‌ى تقدیرند. اما باید مراقب بود که پیشرفت‌هاى اخیر ما را بیش از حد دچار هیجان نکند. یادگیرى عمیق به تنهایى ما را به رؤیاى نهایىِ هوش مصنوعى رهنمون نخواهد شد. هرچند یادگیرى عمیق قطعاً یکى از عوامل کلیدى است اما عوامل بسیار دیگرى نیز وجود دارند که ممکن است برخى از آنها اکنون به ذهن ما خطور نکند. به‌رغم پیشرفت‌هایى که تا به حال حاصل شده است، به این زودى به رؤیاى مورد نظر دست نخواهیم یافت ــ اگر اصلاً این رؤیا قابل دستیابى باشد. به نظرم راه‌حل میان‌برى براى هوش مصنوعى وجود ندارد. شبکه‌هاى عصبى و هوش مصنوعىِ نمادین هر کدام در جنبه‌هاى متفاوتى از رفتار هوشمندانه، موفقیت‌آمیز عمل کرده‌اند. قبیله‌گرایى و جزم‌اندیشى سبب پیشرفت نخواهد شد: ما باید به ایده‌هاى یکدیگر توجه کنیم و از هم یاد بگیریم. و براى این کار لازم است تلخىِ رقابت‌هاى قدیمى را فراموش کنیم.

برگردان: وفا ستوده‌نیا

مایکل وولریج رئیس دپارتمان علوم رایانه‌ای در دانشگاه آکسفورد است. عنوان کتاب جدید او تاریخ مختصر هوش مصنوعی است. آنچه خواندید برگردان این نوشته با عنوان اصلیِ زیر است:

Michael Woolridge, ‘Artificial Intelligence Is a House Divided’, Chronicle, 20 January 2021.