عدم مزیت‌های تجاری و مزیت‌های علمی هوش مصنوعی

بسیاری از دولت ها به طور فزاینده ای با غیرتی تقریباً مشابه با غیرت مذهبی به هوش مصنوعی (AI) نزدیک می شوند. تا سال 2018 حداقل 22 کشور در سراسر جهان، و همچنین اتحادیه اروپا، استراتژی های کلان ملی را برای تبدیل AI به بخشی از توسعه تجارت خود آغاز کردند، در حالی که بسیاری دیگر چارچوب های اخلاقی را برای چگونگی اجازه توسعه آن اعلام کردند. اتحادیه اروپا بیش از 290 ابتکار عمل در زمینه AI را در بین کشورهای عضو اتحادیه اروپا بین سال های 2016 و 2020 مستند کرده است.
 هر چه بیشتر به کیهان نگاه می کنیم، تحقیقات ستاره شناسان به طور فزاینده ای به تکنیک های یاد گیری ماشین متکی خواهد شد.ایرلند آخرین استراتژی ملی هوش مصنوعی خود را با عنوان "AI - Here for Good" اعلام کرده است. هدف آن تبدیل شدن به "یک رهبر بین المللی در استفاده از هوش مصنوعی برای بهره مندی از اقتصاد و جامعه ما، از طریق یک رویکرد اخلاقی مردم محور برای توسعه، تصویب و استفاده از آن" است.
 
این امر باید از طریق هشت دستور العمل سیاسی، از جمله افزایش اعتماد به نفس و درک از هوش مصنوعی با استفاده از "سفیر هوش مصنوعی" - یک کشیش عالی هوش مصنوعی - برای انتشار پیام در سراسر کشور به دست آید. جنبه دیگر، ترویج پذیرش هوش مصنوعی توسط مشاغل ایرلندی و دولت در یک چارچوب اخلاقی و معنوی خاص است. کاستی های متعددی در این استراتژی وجود دارد که با تلاش مشابه سایر کشورها نیز همراه است (با کنار گذاشتن استراتژی های هوش مصنوعیِ به وضوح بدتر، مانند استراتژی نظارتی برخی از دولت ها).
 

هیاهوی تبلیغاتی بی ارزش است

چنین استراتژی هایی، بدون انتقاد، هیجان و گزافه پردازی و هیستری پیرامون AI را به اشتراک می گذارند. یک نمونه معمول، مدیر عامل مالکGoogle Alphabet ، Sundar Pichai  است که در سال 2016 ادعا می کند که "هوش مصنوعی یکی از مهمترین مواردی است که بشریت روی آن کار می کند. این عمیق تر از برق و آتش است".
یافتن این لنزها مانند یافتن یک سوزن در انبار کاه است - انبار کاهی به اندازه جهانِ قابل مشاهده.  
تصویر: تصویری از سوندار پیچایی که متعجب به نظر می رسد.Sundar Pichai ، مدافع ارشدAI . رویترز / عالمی
 
او این حرف را می زند، زیرا مدل تجاری شرکتش به شدت به هوش مصنوعی و افرادی که به این فناوری اعتماد دارند بستگی دارد. استراتژی برخی کشورها و از جمله ایرلند دقیقاً همراه با چنین هیاهویی با تکرار این ادعا است که هوش مصنوعی می تواند رشد اقتصادی ایرلند را تا سال 2035 دو برابر کند. این ادعا در مورد جزئیات رشد چه کسانی یا چگونه، توضیح نمی دهد.
 برای جستجوی این پیمایش های های نسل بعدی و برجسته سازی داده های مهم، از تکنیک های یاد گیری ماشین استفاده خواهد شد. این استراتژی از برنامه های مختلف مفید مبتنی بر هوش مصنوعی قدردانی می کند - که به عنوان مثال زیرساخت های دوچرخه سواری در دوبلین را بهبود می بخشد، ابزارهای زبان ایرلندی را تأمین می کند، انرژی را ذخیره می کند و از رنج های زوال عقل می کاهد - اما دشوار است که ببینیم چگونه بیشتر این ها می توانند رشد اقتصادی را دو برابر کند.
 
از همه قابل توجه تر این است که هوش مصنوعی برای چند شرکت پلتفرم دیجیتال مانندApple ، Facebook ، Amazon وAlibaba  ، مخفف شده به صورتGAFAA ، امری مرکزی یا محوری است. آنها به دلیل این که هوش مصنوعی فعلی به داده های زیادی احتیاج دارد، از منافع مربوط به بیشترین مزایا برای بهترین عملکرد بهره مند می شوند. هرچه افراد بیشتری از سیستم عامل شما استفاده می کنند، سود آوری داده ها به طور تصاعدی رشد می کند.
 
این یک مزیتِ بزرگِ حرکت دهنده ی اول به آن شرکت هایی داده است که این کار را درست انجام داده اند و آنها را به انحصارطلبان و دروازه بانان تبدیل کرده است. شرکت های پلتفرم دیجیتال هر بار با رقابت در کسب و کارهای موجود خلل ایجاد می کنند - یک مثال خوب این کهGoogle ، که اساساً یک موتور جستجوی آنلاین است، مدل کسب و کار تبلیغاتی روزنامه ها را مختل می کند، یا این که می بینم چگونه اپل در مقایسه با صنعت چند قرنه ساعت سازی سوئیس، ساعت های بیشتری می فروشد.
 
این سیستم عامل ها همچنین ایجاد شرکت های جدید را، به عنوان مثال با خرید تمام رقبای جدید بالقوه، بی انگیزه می کنند. این، نوآوری را خفه می کند.
 وقتی سیارات از جلوی ستارگان خود عبور می کنند، شاهد افت نور هستیم.و به گونه ای فزاینده، کارآفرینان باید در این سیستم عامل ها - به عنوان مثال، Amazon Marketplace  - به رقابت بپردازند. آنها می توانند در معرض سوء استفاده هایی قرار بگیرند مانند بررسی محصولات جعلی توسط رقبا؛ اداره کردن چنین موضوعاتی توسط دروازه بان ها که غیر قابل پیش بینی و مات هستند؛ و تغییرات ناگهانی الگوریتمی که می تواند با ایجاد وضعیت کمتر دیده شدن توسط مشتریان بالقوه، بر تجارت آنها تأثیر بگذارد. سپس پدیده کارآفرینان امرار معاش دیجیتال وجود دارد – یعنی فروشندگان آنلاینی که به سختی پول به دست آورده و امرار معاش می کنند.
 
این فضای کاملاً متفاوت (ضد) رقابت - که بعضاً با عنوان "سرمایه داری پلت فرم" شناخته می شود - سردردهایی اساسی را برای تنظیم کنندگان و مقامات ضد انحصاری ایجاد کرده است. اتحادیه اروپا اخیراً پیشنهادهایی را برای قانون بازارهای دیجیتال (DMA) (Digital Markets Act) و قانون خدمات دیجیتال (DSA) (Digital Services Act) تصویب کرده است که سعی دارد سوء استفاده های واقعی و احتمالی را در سیستم عامل های بزرگ دیجیتال مبتنی بر هوش مصنوعی مهار کند.
 
اگر هوش مصنوعی و اتوماسیون نیرویی برای محاسبه بود، شاهد رشد سرسام آور بهره وری نیروی کار و افزایش بیکاری بودیم. در عوض، شاهد رکود رشد بهره وری هستیم - به عنوان مثال، انگلیس شاهد کمترین میزان رشد بهره وری در 200 سال گذشته و یکی از کمترین نرخ های بیکاری در اقتصادهای غربی در دهه های گذشته است.
 
استراتژی هوش مصنوعی ایرلند از مشکلات فوق در مورد سرمایه داری سیستم عامل چشم پوشی می کند. نام گوگل فقط یک بار در کل سند آمده است و نام آمازون و فیس بوک اصلاً نیامده است. هیچ اشاره ای به سیستم عامل های دیجیتال، سرمایه داری بسترهای نرم افزاری، DMA ، DSA  یا اقدامات ضد انحصاری اتحادیه اروپا علیه Google وجود ندارد. این حذف ها مانند هملتِ بدون شاهزاده است.
 
استراتژی هوش مصنوعی ایرلند باید مشخص کند که چگونه و چه زمانی هوش مصنوعی به منافع اقتصادی خود اشاره می کند - و چه کسی آنها را به دست خواهد آورد. همچنین باید چشم اندازی ارائه می داد که چگونه مطمئن شویم ملت از GAFAA  رنج نمی برد یا عاملِ صرف آنها نمی شود.
جهان در حال بزرگ تر شدن است و همچنین میزان اطلاعاتی که در باره آن داریم نیز در حال زیادتر شدن است.

شرکت ها از آن استفاده نمی کنند

این استراتژی همچنین فرض می کند که عدم اعتماد به هوش مصنوعی به دلیل عدم درک کافی مردم از فناوری است. بنا بر این، راه حل، آموختن علم داده و داشتن یک سفیر هوش مصنوعی، مانند یک پیامبر امروزی، است. می توان دقیقاً نتیجه معکوس را انتظار داشت: هر چه افراد، هوش مصنوعی را بهتر درک کنند، کمتر به آن اعتماد خواهند کرد.
 
البته این واقعاً مطلوب خواهد بود. در ایالات متحده، جایی که درک از هوش مصنوعی نسبتاً پیشرفته است، میزان پذیرش هوش مصنوعی در واقع ناچیز است. بررسی اخیر اداره سر شماری ایالات متحده از بیش از 800000 شرکت آمریکایی نشان داده است که تنها 2.9٪ از یاد گیری ماشین به تازگی در سال 2018 استفاده می کنند. نظر سنجی سال 2020 توسط کمیسیون اروپا همچنین به سطح بسیار پایین پذیرش این فناوری اشاره دارد.
   
تصویر: تاجر انگشت شست بالا ، روبات انگشت شست پایین. واقعیت این است که اکثر مشاغل از هوش مصنوعی استفاده نمی کنند. Andrey_Popov
 
بسیاری از نظر سنجی ها میزان پایین پذیرش AI را تأیید می کنند. بنگاه ها آن را اتخاذ نمی کنند، نه به این دلیل که به آن اعتماد ندارند، بلکه به این دلیل است که باعث منطقی شدن تجارت های کمی می شود. این فناوری بسیار گران است، و معمولاً همراه با بازدهی ناچیز، و دارای برچسب قیمت گزاف زیست محیطی است - و همه این ها قبل از این است که شما تسلط کارمندان و متصدیان فعلی را در نظر بگیرید.
 واقعیت این است که اکثر مشاغل از هوش مصنوعی استفاده نمی کنند.به نظر می رسد  “AI - Here for Good” ایرلند، مانند بسیاری از استراتژی های مشابه ملی، به معجزه اعتقاد دارد، به عنوان مثال این که دایره های مختلف می توانند مربع باشند. این موارد شامل امکان دسترسی به حجم زیادی از داده های مربوطه برای همه شرکت هاست در حالی که از حریم خصوصی همه محافظت می کند، و تبدیل کشور به نیروگاهی برای آموزش مدل های قابل توجه یاد گیری عمیق و مراکز داده عظیم در حالی که هم زمان انتشار CO2 قطع می شود. و هیچ بده بستانی را نمی پذیرد.
 
پیام ضمنی این است که ایرلند می تواند میوه های خارق العاده ای از بیشه زاری از خارها بچیند، فقط به شرطی که به هوش مصنوعی اعتماد کند و به دستورات اخلاقی خاص خود پایبند باشد. ترانس انسان ها، GAFAA  و سایر خوب اجرا کنندگانِ برنده ی همه چیز در اقتصاد دیجیتال از صمیم قلب این مطلب را تأیید خواهند کرد!
 

اما از مزایای AI

در بالا به تحلیل برخی از غلوها و عدم مزیت های هوش مصنوعی و به ویژه نگاه کاسبکارانه به آن پرداختیم. رعایت انصاف ایجاب می کند در همین جا برخی از محاسن علمی آن نیز گفته شود.
جایی که درک از هوش مصنوعی نسبتاً پیشرفته است، میزان پذیرش هوش مصنوعی در واقع ناچیز است.  
تصویر: Todd Mason، Mason Productions Inc/LSST Corporation . نویسنده ارائه داده است (بدون حق استفاده مجدد).
 
نجوم همه چیز در مورد داده است. جهان در حال بزرگ تر شدن است و همچنین میزان اطلاعاتی که در باره آن داریم نیز در حال زیادتر شدن است. اما برخی از بزرگ ترین چالش های نسل بعدی نجوم مربوط به نحوه مطالعه همه داده های جمع آوری شده است.
 
برای مقابله با این چالش ها، ستاره شناسان به یاد گیری ماشین و هوش مصنوعی (AI) روی آورده اند تا ابزارهای جدیدی برای جستجوی سریع موفقیت های بزرگ بعدی بسازند. در این جا چهار روش AI برای کمک به منجمان آورده شده است.
 

1- شکار سیاره

چند روش برای یافتن یک سیاره وجود دارد، اما موفق ترین آنها با مطالعه عبورها بوده است. وقتی یک سیاره فراخورشیدی از مقابل ستاره اصلی خود عبور می کند، مقداری از نوری را که می توانیم از آن ستاره ببینیم مسدود می کند.
 هر چه افراد، هوش مصنوعی را بهتر درک کنند، کمتر به آن اعتماد خواهند کرد.ستاره شناسان با مشاهده بسیاری از مدارهای سیاره فراخورشیدی، تصویری از فرو رفتن ها در نور می سازند که می توانند از آنها برای شناسایی خصوصیات این سیاره - مانند جرم، اندازه و فاصله آن از ستاره آن استفاده کنند. تلسکوپ فضایی کپلر Nasa  با تماشای هم زمان هزاران ستاره، با مراقبت از چنین فرو رفتن های گویایی که سیارگان باعث آن هستند، این تکنیک را با موفقیت بزرگی به کار گرفت.
   
تصویر: نقاشی سیاره ای که از مقابل ستاره اش عبور می کند. وقتی سیارات از جلوی ستارگان خود عبور می کنند، شاهد افت نور هستیم. شاتر استوک / پابلو پرات
 
انسان ها در دیدن این فرو رفتن نسبتاً خوب هستند، اما این مهارتی است که برای پیشرفت نیاز به زمان دارد. با مأموریت های بیشترِ اختصاص یافته به یافتن سیاره های فراخورشیدی جدید، مانند مأموریت Transiting Exoplanet Survey Satellite (ماهواره بررسی سیاره فراخورشیدی عبوری) Nasa ، انسان ها به تنهایی نمی توانند این روند را ادامه دهند. این جاست که هوش مصنوعی وارد می شود.
 فضای کاملاً متفاوت (ضد) رقابت - که بعضاً با عنوان "سرمایه داری پلت فرم" شناخته می شود - سردردهایی اساسی را برای تنظیم کنندگان و مقامات ضد انحصاری ایجاد کرده است.تکنیک های تجزیه و تحلیل سری های زمانی - که داده ها را به عنوان یک توالی متوالی زمانی تجزیه و تحلیل می کنند - با یک نوع هوش مصنوعی ترکیب شده اند تا سیگنال های سیاره های فراخورشیدی را با درستی حداکثر 96٪ شناسایی کنند.
 

2- امواج گرانشی

مدل های سری زمانی، تنها برای یافتن سیارات فراخورشیدی عالی نیستند، بلکه برای یافتن سیگنال های فاجعه بارترین اتفاقات جهان - ادغام بین سیاه چاله ها و ستاره های نوترونی - نیز بسیار مناسب هستند.
 
وقتی این اجسام فوق العاده متراکم به داخل خود فرو می ریزند، در فضا-زمان موج هایی را به بیرون می فرستند که با اندازه گیری سیگنال های کم نور در زمین قابل تشخیص است. همکاری های رد یاب موج گرانشی Ligo وVirgo ، سیگنال های ده ها مورد از این رویدادها را شناسایی کرده که همگی با کمک یاد گیری ماشین صورت گرفته است.
 
با استفاده از مدل های آموزشی در مورد داده های شبیه سازی شده از ادغام سیاه چاله ها، تیم های Ligo و Virgo می توانند حوادث احتمالی را در لحظاتی از وقوع شناسایی کرده و هشدارهایی را به منجمان سراسر جهان ارسال کنند تا تلسکوپ های خود را در مسیر درست قرار دهند.
 

3- آسمانِ در حال تغییر

وقتی رصد خانه ورا روبین که در حال حاضر در شیلی در حال ساخت است، آنلاین شود، هر شب کل آسمان شب را بررسی می کند - بیش از 80 ترابایت تصویر را در یک نوبت جمع آوری، جمع می کند - تا ببیند که آیا ستارگان و کهکشان های جهان با زمان تغییر می کنند. یک ترابایت 8,000,000,000,000 بیت است.
 شرکت های پلتفرم دیجیتال هر بار با رقابت در کسب و کارهای موجود خلل ایجاد می کنند.در طی عملیات برنامه ریزی شده، برنامه بررسی میراثی مکان و زمان (Legacy Survey of Space and Time)، که توسط روبین انجام می شود، صدها پتابایت داده را جمع آوری و پردازش می کند. برای درک بهتر این عدد قابل ذکر است که 100 پتابایت حدودِ فضای ذخیره سازی تمام عکس های روی فیس بوک، یا حدود فضای ذخیره سازی 700 سال فیلم کامل با کیفیت بالا است.
 
شما قادر به ورود به سیستم سرورها و بار گیری این حجم از داده ها نخواهید بود و حتی اگر این کار را انجام دهید، نمی توانید آن چه را که می خواهید پیدا کنید.
 
برای جستجوی این پیمایش های های نسل بعدی و برجسته سازی داده های مهم، از تکنیک های یاد گیری ماشین استفاده خواهد شد. به عنوان مثال، یک الگوریتم ممکن است در حال جستجو در تصاویر برای یافتن وقایع نادری مانند ابرنواخترها باشد – که انفجارهای چشم گیر در پایان زندگی ستاره هستند - و دیگری ممکن است در جستجوی اختروش ها باشد. با آموزش رایانه ها برای تشخیص سیگنال های پدیده های خاص نجومی، تیم قادر خواهد بود داده های مناسب را به افراد مناسب برساند.
 

4- لنزهای گرانشی

با جمع آوری اطلاعات بیشتر و بیشتر در مورد جهان، گاهی اوقات حتی باید داده هایی را که مفید نیستند انتخاب کرده و دور بریزیم. بنا بر این چگونه می توانیم نادرترین اشیاء را در این مجموعه داده ها پیدا کنیم؟
 
یکی از پدیده های آسمانی که بسیاری از ستاره شناسان را به وجد می آورد، عدسی های گرانشی قوی است. این همان اتفاقی است که وقتی رخ می دهد که دو کهکشان در امتداد خط دید ما در یک خط قرار می گیرند و جاذبه نزدیکترین کهکشان به صورت یک لنز عمل می کند و جسم دورتر را بزرگ نمایی می کند، و حلقه ها و صلیب ها و تصاویری دو تایی را ایجاد می کند.
که هوش مصنوعی برای چند شرکت پلتفرم دیجیتال مانندApple ، Facebook ، Amazon وAlibaba  ، مخفف شده به صورتGAFAA ، امری مرکزی یا محوری است.   
تصویر: تصویری از کهکشانی روشن که حلقه ای آبی رنگ در اطراف آن است. حلقه آبی نور از یک کهکشان دورتر است که نور آن توسط کهکشان قرمز در مرکز،  منحرف شده است. ESA / هابل و ناسا ، CC BY
 آنها به دلیل این که هوش مصنوعی فعلی به داده های زیادی احتیاج دارد، از منافع مربوط به بیشترین مزایا برای بهترین عملکرد بهره مند می شوند.یافتن این لنزها مانند یافتن یک سوزن در انبار کاه است - انبار کاهی به اندازه جهانِ قابل مشاهده. این جستجویی است که با جمع آوری تصاویر بیشتر و بیشتر از کهکشان ها، فقط سخت تر خواهد شد.
 
در سال 2018، ستاره شناسان از سراسر جهان در چالش یافتن عدسی گرانشی قوی حضور یافتند و در آن جا به رقابت پرداختند تا ببینند چه کسی می تواند بهترین الگوریتم را برای یافتن خود کار این لنزها ایجاد کند.
 
برنده این چالش از مدلی به نام شبکه عصبی کانولوشن استفاده کرد، که می آموزد تصاویر را با استفاده از فیلترهای مختلف تجزیه کند تا زمانی که بتواند آنها را به عنوان حاوی یک لنز یا نه طبقه بندی کند. با کمال تعجب، این مدل ها حتی بهتر از افراد بودند و تفاوت های ظریفی را در تصاویر پیدا کردند که ما انسان ها در مشاهده آنها مشکل داریم.
 
در طول دهه آینده، منجمان با استفاده از ابزارهای جدید مانند رصد خانه ورا روبین، پتابایت ها داده جمع می کنند، یعنی هزاران ترابایت. هر چه بیشتر به کیهان نگاه می کنیم، تحقیقات ستاره شناسان به طور فزاینده ای به تکنیک های یاد گیری ماشین متکی خواهد شد.
 تا سال 2018 حداقل 22 کشور در سراسر جهان، و همچنین اتحادیه اروپا، استراتژی های کلان ملی را برای تبدیل AI به بخشی از توسعه تجارت خود آغاز کردند، در حالی که بسیاری دیگر چارچوب های اخلاقی را برای چگونگی اجازه توسعه آن اعلام کردند.
منبع: ویم نادو، University College Cork، آشلی اسپیندلر، University of Hertfordshire