گذشته، حال و آینده هوش مصنوعی

الگوریتم‌های ابَرهوشمند تمامی مشاغل را تصاحب نخواهند کرد، اما روند یادگیری آن‌ها سریع‌تر از هر زمان دیگری است. این الگوریتم‌ها از تشخیص بیماری گرفته تا کارهای تبلیغاتی مورد استفاده قرار می‌گیرند.
این تصور که الگوریتم‌های ابرهوشمند تمامی مشاغل را تصاحب کرده و به طور کامل جای انسان را اِشغال خواهند کرد، اشتباه است؛ اما اخیراً شاهد هوشمندتر شدنِ نرم‌افزارها هستیم. شما می‌توانید به پاس این پیشرفت، حین مکالمه تصویری با دوستان خود از شکلک‌های مختلف برای چهره خود استفاده کنید. همچنین می‌توانید از گوینده هوشمندتان بخواهید دستمال کاغذی بیشتری سفارش دهد.
سرمایه‌گذاری‌های عظیم شرکت‌های فن‌آوری در هوش مصنوعی، باعث تغییر زندگی و ابزارهای الکترونیکی ما شده است. انتظار می‌رود آینده انسان به شدت وابسته به هوش مصنوعی باشد. پیشرفت‌های حوزه «یادگیری ماشین» به رشد هوش مصنوعی کمک کرده است. در یادگیری ماشین، رایانه‌ها آموزش داده می‌شوند تا کارها را بر اساس نمونه‌ها انجام دهند؛ نَه اینکه صرفاً به برنامه‌نویسی توسط انسان مُتکی باشند.
روشِ موسوم به یادگیری عمیق باعث تقویت قابل‌توجه یادگیری عمیق شده است. شما می‌توانید از «لی سِدول» دارنده 18 عنوان بین‌المللی در بازی پیچیدۀ «Go» بخواهید تا در این خصوص با شما صحبت کند. نرم‌افزاری به نام «آلفاگو» در سال 2016 این قهرمان بین‌المللی را شکست داد.
نتیجۀ قدرتمندتر شدن هوش مصنوعی عمدتاً در تولید ابزارهای الکترونیکی جدید، تجربه‌هایی مثل گوینده‌های هوشمند و یا قابلیت باز کردن قفل گوشی‌های آیفون با فن‌آوری تشخیص چهره متبلور می‌شود. اما هوش مصنوعی سایر بخش‌های زندگی انسان را نیز تحت تاثیر قرار داده است. مراقبت‌های پزشکی یکی از این بخش‌هاست. بیمارستان‌های هند در حال آزمایشِ نرم‌افزاری هستند که عکس شبکیه افراد را به منظور یافتن علائمی از بیماری شبکیه بررسی می‌کند؛ این بیماری غالباً آنقدر دیر تشخیص داده می‌شود که فرد قدرت بینایی خود را از دست می‌دهد. یادگیری ماشین نقشی حیاتی در پروژه‌های رانندگی خودران دارد که طی آن، وسیله نقلیه اطلاعات را از محیط پیرامون خود گرفته و اقدام به تصمیم‌گیری می‌کند.
شواهد و قرائن حاکی از آن است که هوش مصنوعی می‌تواند سطح شادی و سلامتی را افزایش دهد. اما باید جانب احتیاط را نیز رعایت کرد. مواردی که الگوریتم‌ها در آن باعث افزایش تعصبات اجتماعی حول نژاد یا جنسیت شده، نشان می‌دهد که آیندۀ مبتنی بر هوش مصنوعی نمی‌تواند الزاماً بهتر باشد.

آغاز هوش مصنوعی

هوش مصنوعی کار خود را در قالب یک پروژۀ تعطیلات آغاز کرد. استاد دانشگاه دارتموث «جان مک‌کارتی» عبارت هوش مصنوعی را در تابستان سال 1956 ابداع کرد. وی از گروه کوچکی دعوت به عمل آورد تا چند هفته برای توسعه ماشین‌ها به منظور انجام کارهای پیچیده‌ای مثل استفاده از زبان، وقت بگذارند. مک‌کارتی خیلی امیدوار بود که ماشین‌هایی در حد انسان بسازد. او در جایی نوشته بود: «ما باور داریم که اگر گروهی منتخب و کاربلد از دانشمندان را گرد هم آوریم، می‌توانیم به پیشرفت‌های بزرگی در این زمینه برسیم.»

شکل‌گیری و تحول هوش مصنوعی، به ترتیب در این سال‌ها به وقوع پیوست:

سال 1956: پروژه تحقیقات تابستانی دانشگاه دارتموث با محوریت «هوش مصنوعی» باعث ابداع رشته جدیدی شد که با تولید نرم‌افزارهای هوشمند سروکار دارد.
سال 1965: «جوزف وایزنبوم» در MIT موفق به ساخت «اِلیزا» نخستین ربات مکالمه شد. این ربات نقش یک روان‌درمان را ایفا می‌کرد.
سال 1975: «مِتا-درندرال» نرم‌افزاری است که در استنفورد برای انجام تحلیل‌های شیمیایی ساخته شد. این نرم‌افزار با رایانه اکتشافاتی انجام داد که در یک مجله داوری‌شده منتشر شد.
سال 1987: یک دستگاه وَن مرسدس بنز به کمک دو دوربین و چند راننده رایانه‌ای، موفق شد مسافت 20 کیلومتری را در یکی از بزرگراه‌های آلمان با سرعت بیش از 55 مایل طی کند. مهندسی به نام «ارنست دیکمانس» سرپرستی این پروژه دانشگاهی را بر عهده داشت.
سال 1997: رایانه «Deep Blue» متعلق به «IBM» موفق به شکست گَری کاسپاروف قهرمان شطرنج جهان شد.
سال 2004: پنتاگون «چالش گرَند دارپا» را کلید زد؛ مسابقه خودروهای رباتیک در صحرای موجاوه که تحولی در صنعت اتومبیل‌های خودران پدید آورد.
سال 2012: محققان در حوزه‌ای تحت عنوان یادگیری عمیق، زمینه را برای علاقه‌مندیِ شرکت‌ها به هوش مصنوعی فراهم آوردند. آنان نشان دادند که ایده‌هایشان می‌تواند تشخیص عکس و گفتار را دقیق‌تر کند.
سال 2016: «آلفاگو» محصول شرکت گوگل موفق به شکست قهرمان جهان در بازی «Go» شد.

مک‌کارتی بعدها اذعان داشت که بیش از حد خوش‌بین بوده است. اما کارگاه تحقیقاتی به محققان کمک کرد تا به رویاپردازی در خصوص طراحی یک رشته دانشگاهی مناسب برای ماشین‌های هوشمند ادامه دهند. محققان در کارهای اولیه خود غالباً بر حل مسائل انتزاعی در ریاضی و منطق بسنده کردند، اما طولی نکشید که هوش مصنوعی نتایج امیدوارکننده‌ای در انجام کارهای انسان نشان داد.
در اواخر دهه 1950، «آرتور ساموئل» نرم‌افزارهایی را طراحی کرد که انجامِ بازی «چکر» را یاد گرفت. یکی از این نرم‌افزارها در سال 1962 موفق به شکست یکی از اساتید این بازی شد. در سال 1967، نرم‌افزاری به نام دندرال نشان داد که می‌تواند از شیوه تحلیل داده‌های جرم-طیف‌سنجیِ شیمیدان‌ها در خصوص ترکیب نمونه‌های شیمیایی تقلید کند. پیشرفت حوزه هوش مصنوعی با توسعه راهبردهای مختلف برای ساخت ماشین‌های هوشمندتر همراه بود. برخی از محققان تلاش کردند دانش انسانی را در کدنویسی به کار گرفته یا قوانینی برای کارهایی نظیر درک زبان وضع کنند.
برخی دیگر از محققان نیز از اهمیت یادگیری برای انسان و هوش حیوانات اِلهام گرفتند. آن‌ها سیستم‎هایی ایجاد کردند که با گذشت زمان، عملکرد بهتری به جا می‌گذاشتند. در این راستا، از شبیه‌سازیِ تکامل یا یادگیری از روی داده‌های نمونه کمک گرفتند. به مجرد اینکه رایانه‌ها توانستند کارهای بیشتری که قبلاً برای انجام آن‌ها به نیروی کار انسانی نیاز بود انجام دهند، هوش مصنوعی نیز به سرعت مسیر پیشرفت را طی کرد.

یادگیری عمیق سوخت اصلیِ پیشرفت هوش مصنوعی

یادگیری عمیق که سوخت اصلیِ پیشرفت هوش مصنوعی به شمار می‌آید، اِحیای یکی از قدیمی‌ترین ایده‌ها در هوش مصنوعی است. در این روش، داده‎ها از طریق تارهای ریاضی انتقال داده‌ می‌شوند. محققان از چگونگی کارکرد سلول‌های مغز در طراحی این شبکه الهام گرفته و نام آن را شبکه‌های عصبی مصنوعی نامگذاری کرده‌اند. وقتی شبکه‌ای به پردازش داده‌های آموزشی می‌پردازد، پیوندهای میان بخش‌های مختلف شبکه تنظیم شده و قابلیت تفسیر داده‌های آتی فراهم می‌شود.
مدت زیادی از تشکیل کارگاه دارتموث نگذشته بود که شبکه‌های عصبی مصنوعی به ایده‌ای متداول و پرکاربرد در هوش مصنوعی تبدیل شدند. برای مثال، «Perceptron Mark 1» محصولی از سال 1958، توانست اَشکال هندسی مختلف را از هم تفکیک کند. روزنامه نیویورک تایمز از آن با تیتر «جنین رایانه‌ای که برای خواندن و عاقل‌تر شدن طراحی شده است» یاد کرد. اما پس از اینکه «ماروین مینسکی» از MIT در سال 1969 کتاب تاثیرگذاری به چاپ رساند، شبکه‌های عصبی محبوبیت خود را از دست دادند. او در کتاب خود به این مسئله اشاره کرده بود که این شبکه‌ها فاقد قدرت کافی هستند.
این ادعا عده زیادی را متقاعد نکرده بود و محققان برای چند دهه این روش را به کار بردند. یک سری آزمایشات در سال 2012 نشان داد آن دسته از شبکه‌های عصبی که حاوی حجم بالایی از داده و تراشه‌های رایانه‌ای قدرتمند هستند، می‌توانند قدرت ادراک ماشین‌ها را تقویت کنند. محققان دانشگاه تورنتوی کانادا در نتیجه‌ای قابل‌توجه، رقبا را در یک مسابقه سالیانه شکست دادند. در این مسابقه، نرم‌افزار مسئول دسته‌بندی تصاویر بود. در یک مورد دیگر، محققانی از شرکت‌های گوگل، IBM و مایکروسافت به همکاری با یکدیگر پرداخته و نتایج تحقیق‌شان را منتشر کردند. آنان نشان دادند که یادگیری عمیق می‌تواند پیشرفت چشمگیری در دقت تشخیص گفتار به ارمغان آورد. شرکت‌های فن‌آوری هر چه در توان داشتند به کار بستند تا کارشناسان یادگیری عمیق را سریعاً استخدام کنند.

آینده هوش مصنوعی

یقیناً پیشرفت هوش مصنوعی می‌تواند جهان را تغییر دهد. شرکت‌های بزرگ فن‌آوری از قبیل گوگل، مایکروسافت و آمازون نیروهای هوش مصنوعی کاربلدی را استخدام کرده و خود را به رایانه‌های قدرتمندی مجهز کرده‌اند تا عملکرد موفق‌تری در حوزه تبلیغات داشته و خرید بعدی مشتریان را پیش‌بینی کنند. آنان همچنین با دعوت از سایر افراد برای اجرای پروژه‌های هوش مصنوعی در شبکه‌های خود در تلاش هستند تا کسب درآمد کنند. این اقدام می‌تواند زمینه‌سازِ پیشرفت در حوزه‌هایی نظیر مراقبت‌های پزشکی یا امنیت ملی شود. پیشرفت سخت‌افزارهای هوش مصنوعی، تمرکز بر دوره‌های یادگیری ماشین و پروژه‌های یادگیری ماشین منبع باز می‌تواند گسترش دامنۀ هوش مصنوعی در صنایع دیگر را سرعت بخشد.
انتظار می‌رود هوش مصنوعی بیش از پیش در خدمات و وسایل الکترونیکی به کار برده شود. شرکت‌های گوگل و آمازون ابراز امیدواری کرده‌اند که پیشرفت یادگیری ماشین باعث قوی‌تر شدنِ گوینده‌های هوشمند و دستیارهای مجازی‌شان خواهد شد. برای مثال، آمازون وسیله‌هایی مجهز به دوربین دارد که مالکان‌شان و جهان پیرامون آن‌ها را مورد نظارت قرار می‌دهند. هوش مصنوعی فرصت‌های تجاری متعددی را به ارمغان آورده و همین عامل باعث ترغیب طیف وسیعی از محققان در این حوزه شده است.
تعداد آزمایشگاه‌هایی که به تولید ماشین‌های هوشمند می‌پردازند، روند صعودی به خود گرفته است و شاهد افزایش سرمایه‌گذاری‌ها در این زمینه هستیم. کارها و پروژه‌های زیادی وجود دارد که می‌توان بر روی آن‌ها کار کرد. علی‌رغم پیشرفت‎های اخیر در هوش مصنوعی و پیش‌بینی‌های گسترده درباره آینده آن، باز هم کارهای زیادی وجود دارند که ماشین‌ها قادر به انجام‌شان نیستند؛ مثل درک فحوای کلام، استدلال با عقل سلیم و یادگیری مهارت جدید از روی یک یا دو نمونه. اگر قرار باشد نرم‌افزارهای هوش مصنوعی این کارها را انجام دهند، باید خود را به سطحی نزدیک با هوشِ چندمنظوره، وفق‌پذیر و خلاق انسان برسانند. یکی از پیشروان یادگیری عمیق به نام «گئوف هینتون» از شرکت گوگل ادعا می‌کند پیشرفت در این چالش بزرگ نیازمند تجدیدنظر درباره برخی از اصول این حوزه می‌باشد.
با قدرتمندتر شدنِ سیستم‌های هوش مصنوعی، باید شاهد انجام تحقیقات و بررسی‎‌های بیشتر بر روی آن‌ها باشیم. استفاده دولت‌ها از نرم‌افزارها در حوزه‌هایی نظیر جرم‌شناسی معمولاً با خطا و نقص همراه است. هوش مصنوعی قدرتمند قابلیت ایجاد مشکلات بدتری را هم دارد. در مواردی دیده شده که هوش مصنوعی با تعصب با زنان یا سیاه‌پوست‌ها برخورد می‌کند. گروه‌های مدنی و حتی خود صنعت فن‌آوری در حال بررسی قوانین و دستورالعمل‌هایی در خصوص ایمنی و اخلاق هوش مصنوعی هستند. ما برای اینکه از منافع ماشین‌های هوشمند بهره‌مند شویم، باید اطلاعات بیشتری درباره آن‌ها کسب کرده و عملکرد هوشمندانه‌ای در برخورد با آن‌ها داشته باشیم.

آیا ما آماده برخورد صمیمانه با اندرویدها هستیم؟

اگر ماشین‌های مصنوعیِ ساخته انسان درست مانند ما انسان‌ها رفتار کنند و شکل و شمایل‌شان هم شبیه ما باشد، چه اتفاقی خواهد افتاد؟ «هیروشی ایشی گورو» با به‌کارگیری مهندسی معکوس در نظر دارد اندرویدهایی بسازد تا چگونگی شکل‌گیری روابط را یاد بگیرد. تحقیقات او می‌تواند برای ما پیش‌نمایشی از آن دسته مسائلی را که با تکامل علم رباتیک و هوش مصنوعی با آنها روبرو خواهیم شد، فراهم کند. محدودیت‌های هوش مصنوعی می‌تواند مانند قابلیت‌هایش حائز اهمیت باشد.
علی‌رغم پیشرفت‌هایی که در سال‌های اخیر در تشخیص عکس به‌دست آمده، WIRED دریافت که شرکت گوگل به الگوریتم‌های خود برای عدم ادغام میمون‌ها و انسان سیاه‌پوست اطمینان ندارد. با توجه به اینکه شرکت‌ها و دولت‌ها با آغوش باز به استقبالِ هوش مصنوعی قدرتمند می‌روند، محققان با یک سری پرسش‌های اخلاقی در خصوص سیستم‌های هوش مصنوعی و چگونگی استفاده از آن‌ها مواجه‌اند.