انسان هوشمندتر است یا کامپیوتر؟

اگر می‌خواهیم بدانیم هوش مصنوعی از هوش بشر پیشی گرفته است یا نه، باید ساختارهای مختلف تفکر را بررسی کنیم. این یک واقعیت است که کامپیوترها و ماشین‌های امروزی، قادرند بسیاری از مشکلات را حل کنند. در واقع، ما به کمک کامپیوتر قادریم پیچیده‌ترین محاسبات را بسیار سریع‌تر از ماهرترین ریاضی‌دانان تجزیه‌وتحلیل کنیم؛ حال این سؤال مطرح می‌شود که «آیا هوش مصنوعی امروز واقعاً در نقطه‌ای قرار دارد که بتوان ادعا کرد از انسان هوشمندتر شده است؟»

تفکر همگرا در مقابل واگرا

این پرسش که «آیا هوش مصنوعی از انسان هوشمندتر است یا نه؟» تقریباً پیشینه‌ای دارد به قدمت عمر هوش مصنوعی. آلن تورینگ در دهه چهل میلادی این پرسش اساسی را مطرح کرد که «آیا می‌توان روزی ادعا کرد که ماشین هوشیار است و قادر است فکر کند؟» در حقیقت، تماشای فیلم‌ها و مطالعه کتاب‌هایی که سالیان پیش نوشته‌ شده‌اند، گویای این است که بشر مدت‌هاست نسبت به «هوشمندتر شدن» ماشین در مقایسه با خودش، حساس است، صرف‌نظر از اینکه این فکر محقق شده یا نه؛ اما برای اینکه به این پرسش، ‌پاسخ دهیم، درک فرایندهایی مفید است که ما را به سمت «تولید ایده» سوق می‌دهد.

در سال ۱۹۶۷‌، روان‌شناسی به نام جی.پی. گیلفورد (J.P. Guilford) تفکر خلاق را به دو دسته تقسیم کرد:

۱- تفکر همگرا (convergent thinking): تفکر همگرا توانایی پاسخ صحیح به پرسش‌ها بود. این نوع تفکر، به طور کل، نمایانگر حافظه و منطق بود. به‌عنوان مثال، وقتی می‌خواهیم بیندیشیم و پایتخت کره جنوبی را به یاد بیاوریم.

۲- تفکر واگرا (divergent thinking): تفکر واگرا به معنی توانایی تولید «پاسخ‌های احتمالی» به یک مسئله (یا پرسش) واحد بود. این نوع طرز تفکر، به معنی استعداد بیشتر برای کنجکاوی است؛ بنابراین تفکر واگرا به معنی توانایی برای تفکر خارج از چارچوب‌های تعریف‌شده است. به‌عنوان مثال، پاسخ به این سؤال که چطور در سئول بدون دانستن زبان کره‌ای زندگی و کار کنید.

انسان در مقابل ماشین

در واقع، کامپیوترها به طور معمول برای انجام وظایف مربوط به تفکر همگرا از انسان بهتر عمل می‌کنند. آن‌ها با توجه به ظرفیت حافظه و قدرت پردازش فوق‌العاده خود قادرند انسان را در بازی‌هایی که بر قوانین استوارند، مثل شطرنج‌ و گو، با محاسبات پیچیده شکست دهند؛ اما در خصوص حدس زدن چیزی مانند یک کلمه عبور شش رقمی چطور؟ بهتر است روش‌ها را مقایسه کنیم.

هنگامی که ما وظیفه کشف یک کلمه عبور را بر عهده داشته باشیم، اکثرمان اطلاعات کلیدی مالک حساب، مثل تاریخ تولد یا شماره تلفن آن شخص را مرور می‌کنیم. روش دیگر این است که کلمه عبور متداولی مثل کلمه عبور بسیار پرطرفدار ۱۲۳۴۵۶ را امتحان کنیم. روشی که باز هم از این روش‌‌ها پیچیده‌تر است، این است که به سراغ دستگاه‌های دیگری برویم که مالک حساب از آن‌ها استفاده می‌کرده است و امیدمان بر این باشد که از طریق حافظه موقت  آن دستگاه (Cache) متوجه کلمه عبور بشویم! همه روش‌هایی که ما استفاده می‌کنیم، تحلیلی هستند، زیرا ما سعی می‌کنیم تمام مسیرهای ممکن را برای یافتن راه‌حل بررسی کنیم. این یک مدل تفکر واگرا است.

موضوع پیشی گرفتن هوش مصنوعی از هوش انسان، همیشه موجب نگرانی آینده‌پژوهان بوده است؛ ولی روش ماشینی چگونه است؟ نرم‌افزار احتمالاً رویکرد متفاوتی را در پیش می‌گیرد. اگر کلمه عبور شش رقمی باشد، ماشین از ۰۰۰۰۰۰ شروع می‌کند و به‌صورت متوالی پیش می‌رود، تا راه‌حل را پیدا کند. با این شیوه، یک کامپیوتر مدرن می‌تواند تمام ارقام موجود را در این بازه تست کند و مسئله را در ظرف مدت کوتاهی حل کند؛ اما سیستم‌های زیادی اجازه به کارگیری این روش را نمی‌دهند، به همین علت است که اکثر سیستم‌عامل‌ها امکان ورود به سیستم را پس از چند دفعه تلاش ناموفق، موقتاً لغو می‌کنند. روش مزبور، معمولاً به‌عنوان حمله جست‌وجوی فراگیر (brute force) شناخته می‌شود که نمونه‌ای از تفکر همگرای تکراری (repetitive convergent thinking) است که بسیار سریع و در نهایت، مؤثر است.

در نهایت، کدام روش هوشمندتر است؟

مهندس نرم‌افزار باهوشی که با روان‌شناسی آشناست، قادر خواهد بود با اولویت‌بندی توالی‌ها بر اساس کاربرد احتمالی‌، روال حمله جست‌وجوی فراگیر را بهبود ببخشد. برای مثال، یک بازه از ارقام، مثلاً سال تولید 1360 تا 1380 را تعریف کند و کامپیوتر فقط همان بازه را تست کند. البته واقعاً دیگر هوش مصنوعی کامپیوتری در پس پرده قرار ندارد، در عوض‌ این مهندس نرم‌افزار است که از هوش خودش در سیستم کامپیوتری استفاده کرده است.

اگر پایگاه داده بزرگی از رمز عبورهایی را دارید که یک جمعیت استفاده می‌کنند، می‌توانید از طریق نرم‌افزار پایگاه داده را تجزیه‌ و تحلیل کنید و یک روال رایج کامپیوتری را بسازید که ترکیبات معمولی یا توالی‌های جزئی را امتحان کند، تا به نتیجه برسد. با وجود این، همچنان جای تردید وجود دارد که چقدر این مسئله را باید ناشی از هوشمندی ماشین دانست. در واقع، این رویکرد، یک مدل رایجی است که هوش مصنوعیِ عصر حاضر به کار برده است؛ به عبارت دیگر، هوش مصنوعی به دنبال الگوهایی در داده‌هاست که به بهترین الگوریتم برای حل مشکل برسد.

یادگیری ماشین: کاربردی‌ترین تکنیک هوش مصنوعی در عصر حاضر

هفتاد سال از توسعه انواع مختلف هوش مصنوعی گذشته است. یکی از رایج‌ترین آن‌ها «یادگیری ماشین» (ML) است. این تکنیک، یک جهش شگرف در پیشرفت‌های هوش مصنوعیِ یک دهه اخیر ایجاد کرده است.

یادگیری ماشین عبارت است از «مطالعه علمی الگوریتم‌ها و مدل‌های آماری که از طریق کامپیوتر برای اجرای مؤثر یک کار خاص استفاده می‌شود.» بر اساس این تکنیک، دیگر به یک مهندس نرم‌افزار نیاز نیست و شما به کامپیوتر، دستورات صریحی برای انجام کارهای خود نمی‌دهید. در عوض، کامپیوتر بر الگوها و استنباط‌ها متکی است.

در یادگیری ماشین، کامپیوتر بر آن است، تا یک مدل ریاضی بر اساس داده‌های نمونه بسازد. این داده‌ها معمولاً به‌عنوان داده‌های آموزشی (training data) شناخته می‌شود که برای پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی قبلی، استفاده می‌شوند. الگوریتم‌های یادگیری ماشین در طیف گسترده‌ای از برنامه‌ها مانند فیلترینگ ایمیل و بینایی ماشین و… به کار می‌رود.

در هر دو موردی که بیان شد، توسعه الگوریتم با دستورالعمل‌های خاص غیرممکن به نظر می‌رسد. از این نظر، یادگیری ماشین ارتباط تنگاتنگی با آمار محاسباتی دارد که بر پیش‌بینی با استفاده از کامپیوتر متمرکز است.

قبل از یادگیری ماشین، کارهای مشابه به صورت دستی از طریق تحلیل رگرسیون (RA) انجام می‌شد. تحلیل رگرسیون روش آماری قدرتمندی است که به شما امکان می‌دهد رابطه بین دو یا چند متغیر موردنظرتان را بررسی کنید. درحالی‌که چند نوع تحلیل رگرسیون وجود دارد، در اصل، کار همه آن‌ها این است که تأثیر یک یا چند متغیر مستقل (independent variables) را بر یک متغیر وابسته (dependent variable) بررسی ‌کنند.

جایی که یادگیری ماشین به‌خوبی کار می‌کند

یادگیری ماشین مانند حمله جست‌وجوی فراگیر عمل می‌کند و با استفاده از چندین بار امتحان و تلاش مجدد بر روی ترکیبات مختلف به نتیجه می‌رسد. تکنیک یادگیری ماشین در یک مورد، بسیار خوب عمل می‌کند و آن، تجزیه‌ و تحلیل مسائل پیچیده‌ای است که در آن چندین متغیر مستقل و یک متغیر وابسته داریم. در حقیقت،‌ این کار، آنقدر خوب است که حتی مجبور نیستیم مشخص کنیم متغیرهای مستقل بر متغیر وابسته چه قدر تأثیر می‌گذارند. این عمل، مشابه یک شبیه‌سازی مکرر است، تا زمانی که یک راه‌حل مناسب بر اساس روال، پیدا شود. از آنجایی که در روال یادگیری ماشین، مسائل باید هم گردآوری شوند و هم ارزیابی و تجزیه ‌و تحلیل شوند، گاهی مسائل آنقدر پیچیده‌ هستند که به منابع پردازشی و همچنین روش‌های مختلفی برای تجزیه‌ و تحلیل نیاز است و اینجاست که ما به یادگیری عمیق (deep learning) نیازمندیم.

پس از چند دهه، روش یادگیری ماشین، به هوش مصنوعی دوباره جان بخشید

پس دانستیم که یادگیری ماشین بسیار قدرتمند و مفید است؛ اما آیا هوشمند هم هست؟ آیا این تفکر واگرا است؟ روال‌های هوش مصنوعی می‌توانند تجزیه ‌و تحلیل بسیار پیچیده‌ای را با سرعتی سرسام‌آور انجام دهند، اما متأسفانه خود روال‌ها به طرز دردناکی نادان هستند! آن‌ها فقط یک کار را انجام می‌دهند، اما آن کار را به‌خوبی انجام می‌دهند.

آزمایش شبیه‌سازی روبات

آیا هوش مصنوعی از انسان هوشمندتر است؟ بیایید به صنعت روباتیک نگاهی بیندازیم، تا ببینیم عملکرد هوش مصنوعی چگونه است. در یک آزمایش حرکتی، از یک روبات انسان‌گونه خواسته شد، تا به سریع‌ترین شکل ممکن به سمت جلو حرکت کند. با شگفتی تمام، روبات به جای اینکه روش راه رفتن را برگزیند، خود را به یک نقطه بلند رساند و از آنجا به طرف جلو پرید! آیا بالا رفتن و پریدن، شباهتی به راه رفتن دارد؟ بله هر دو روش، فرد (یا روبات) به سرعت مسافتی افقی را طی می‌کنند. همان‌طور که می‌بینیم‌، هوش مصنوعی وظیفه خود را بسیار واقعی انجام داد.

هوش مصنوعی و تکاملی وهم‌آور

به نظر مهندس نرم‌افزار، هوش مصنوعی راه نرفت، زیرا صراحتاً وظیفه انجام این کار را نداشت؛ اما از نظر کامپیوتری، هوش مصنوعی کارش را درست انجام داد. چون قرار بود به سریع‌ترین شکل ممکن به طرف جلو حرکت کند؛ اما چیزی که در این میان وهم‌آور است، این موضوع است که روش روبات برای جلو رفتن، به هیچ عنوان به او تعلیم داده نشده بود. به عبارت دیگر، ما در این آزمایش شاهد این بودیم که روبات در طی این شبیه‌سازی تکامل پیدا کرد: چرا باید راه بروم، درحالی‌که فقط کافی است از یک بلندی به سمت جلو بپرم!

بنابراین، در موقعیتی که داده‌های مستقلی داریم که به داده‌های وابسته مرتبط هستند، اما از تصمیمات انسان استنتاج نشده است‌، این احتمال وجود دارد که هوش مصنوعی بتواند تصمیمات بهتری بگیرد.

اگر یک هوش مصنوعی به‌خصوص وقتی مبتنی بر یادگیری ماشین باشد، نه مانند یک انسان فکر کند و نه بر اساس آنچه که تعلیم ‌دیده عمل کند، پس شاید بهتر است بگوییم که تکامل یافته است. فرایند تکامل به معنای حقیقی کلمه، تلویحاً گویای این مفهوم است که ما با یک هوش همگرا و همچنین یک هوش واگرا سروکار داریم، زیرا در اینجا هوش مصنوعی برای حل مسئله از یک طراحی مولد استفاده کرده است.

هوش مصنوعی هر چند همچون انسان، بصیرت ندارد، اما درحال‌حاضر، نشان داده که می‌تواند تکامل را شبیه‌سازی کند و بسیاری از محاسبات را به طور مجزا تجزیه ‌و تحلیل کند.

آیا هوش مصنوعی می‌تواند بهتر از انسان تصمیم بگیرد؟

ما این موضوع را می‌دانیم که هوش مصنوعی قادر است محاسبات را به سرعت تکمیل کند و الگوریتم‌های مختص خود را تدوین نماید. الگوریتم‌هایی که مشتق ‌شده‌اند، به طور کلی بر اساس نتایجی است که از سوی انسان استنباط‌ شده‌اند. حالا بیایید از زاویه دیگری به این موضوع نگاه کنیم. آیا هوش مصنوعی جدید می‌تواند الگوریتم‌هایی تولید کند که نسبت به انسان تصمیمات بهتری بگیرد؟

آیا کامپیوتر در یادگیری ماشین به دنبال یافتن فرمول‌هایی فراتر از داده‌های ورودی انسان است؟

بدون شک، پاسخ «بله» است. در واقع، روش یادگیری ماشین می‌تواند داده‌های بیشتری را با سرعت بالاتری نسبت به مغز انسان‌ پردازش کند. این تکنیک این امکان را به هوش مصنوعی می‌دهد که الگوهایی را در داده‌ها پیدا کند که برای انسان به طور آنی، قابل‌مشاهده نیستند.

بنابراین، در جایی که ما داده‌های مستقلی در اختیار داریم که به داده‌های وابسته مرتبط هستند، اما از تصمیمات خودِ انسان استنتاج نشده‌اند، این احتمال وجود دارد که هوش مصنوعی بتواند تصمیمات بهتری بگیرد.

بررسی یک مطالعه موردی پزشکی

فرض کنید قرار است از طریق اسکن مقطع‌نگاری کامپیوتری یا سی‌تی اسکن، به دنبال علائم سرطان در یک بیمار باشیم. با همکاری مهندسان نرم‌افزار و محققان بالینی، برای این کار، یک برنامه هوش مصنوعی تولید شده است. در این روش، از تصاویری استفاده می‌شود که دقت بالایی دارند، تا پزشکان بررسی کنند که آیا افراد مبتلا به سرطان ریه خواهند شد یا خیر.

آزمایش اول این تحقیق که در مجله Nature Medicine منتشر شد، نشان داد که هوش مصنوعی در غربالگری نتایج سرطان به اندازه رادیولوژیست‌ها به طور دقیق عمل می‌کند. این نتایج، بر اساس چند سی‌تی اسکنی که از هر فرد گرفته شده بود، ارائه شد. چرا این موضوع اهمیت دارد؟ در واقع، زمانی که به انسان تنها یک تصویر سی‌تی‌ اسکن داده شد، هوش مصنوعی از رادیولوژیست‌ها و پزشکان، عملکرد بهتری داشت.

در اینجا داده‌های آموزشی، به‌نوعی ذخیره بزرگی از نتایج سی‌تی اسکن‌های قبلی بود. بنابراین هوش مصنوعی نتایج قبلی افرادی را که به سرطان مبتلا شده بودند، به دقت بررسی کرده بود و در شرایطی که داده‌های مستقل و داده‌های وابسته تشکیل شدند، الگوریتم ناشناسی که از سوی هوش مصنوعی اتخاذ شد، قادر بود تصمیمات دقیق‌تری نسبت به تصمیمات پزشکان بگیرد. اهمیت این مسئله به این دلیل است که هوش مصنوعی موفق شده است مدلی را بر اساس داده‌های بیشتر و احتمالاً متفاوت از آنچه انسان‌ها برای ارزیابی یکسان استفاده کرده‌اند، به دست آورد.

پس بار دیگر این سؤال را مطرح می‌کنیم: آیا هوش مصنوعی از انسان هوشمندتر است؟

به طور خلاصه‌، هوش مصنوعی، بسیار مفید است و قادر است به مشکلات پیچیده‌ای پاسخ دهد که انسان‌ها قادر به حل آن‌ها نیستند. همچنین هوش مصنوعی در کارهای زیادی سریع‌تر از انسان عمل می‌کند. در برخی شرایط‌ نیز هوش مصنوعی قادر است نتایج بهتری را نسبت به ماتریس‌های تصمیم‌گیری معمول ارائه کند؛ زیرا توانایی بالاتری در شناسایی الگوهای پیچیده در حجم زیادی از داده‌ها دارد. بااین‌حال‌، توانایی هوش مصنوعی برای تفکر واگرای پیچیده اما مستقل، بسیار محدود است، چراکه هنوز شواهد و قرائنی در این خصوص وجود ندارد که به ما ثابت کند هوش مصنوعی به خودآگاهی رسیده باشد. این یعنی هوش مصنوعی، هنوز هوشمندتر از انسان نیست.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید