آینده فقط توسط انسان یا ماشین ساخته نمی شود - بلکه توسط هر دو که با هم کار می کنند این آینده رقم می خورد. فناوری هایی که از چگونگی عملکرد مغز انسان الگو گرفته اند، در حال حاضر توانایی های افراد را تقویت می کنند و با عادت جامعه به این ماشین های دارای توانایی های روزافزون، تأثیرگذاری بیشتری پیدا می کنند.
خوش بینانِ فناوری، جهانی را تصور کرده اند توأم با افزایش بهره وری و کیفیت زندگی انسان، زیرا سیستم های هوش مصنوعی سخت کوشی های لازم و مدیریت زندگی را به دست می گیرند و این به نفع همه است. از طرف دیگر افراد بد بین هشدار داده اند که این پیشرفت ها با ایجاد مشاغل از دست رفته و اخلال در زندگی می تواند هزینه های زیادی برای ما داشته باشد. و ترس آوران نگرانند که ممکن است در نهایت هوش مصنوعی انسان را منسوخ کند.
با این حال، باید گفت مردم در تصور سازی آینده خیلی خوب عمل نمی کنند. نه آرمانشهر و نه روز رستاخیز محتمل نیست. هدف در کتاب جدید، "انقلاب یادگیری عمیق"، تبیین گذشته، حال و آینده این حوزه در رشد رو به جلوی علم و فناوری بوده است. نتیجه گیری این است که هوش مصنوعی شما را باهوش تر می کند، اما از راه هایی که شما را شگفت زده خواهد کرد.
شناخت الگوها
یاد گیری عمیق بخشی از هوش مصنوعی است که بیشترین پیشرفت را در حل مشکلات پیچیده ای مانند شناسایی اشیاء در تصاویر، تشخیص گفتار از میان صداهای پخش شده از چندین بلندگو، و پردازش متن به شیوه ای که مردم آن را صحبت می کنند یا می نویسند داشته است. همچنین یاد گیری عمیق برای شناسایی الگوها در میان مجموعه داده هایی که به گونه ای فزاینده از حسگرها، دستگاه های پزشکی و ابزارهای علمی تولید می شوند، مفید واقع شده است.ممکن است لازم باشد روند چگونگی تبدیل شدنمان به انسان هایی که اکنون هستیم را در فرآیند تولید همتایان دیجیتالمان بگنجانیم.هدف این رویکرد یافتن راه هایی است که رایانه بتواند پیچیدگی جهان را نشان دهد و این راه ها از تجربه های قبلی تعمیم یابد - حتی اگر آن چه در آینده اتفاق می افتد دقیقاً مشابه آن چه قبلاً اتفاق افتاده است نباشد. همان طور که مثلاً یک شخص می تواند تشخیص دهد که یک حیوان خاص که قبلاً هرگز ندیده است، در واقع یک گربه است، الگوریتم های یاد گیری عمیق می توانند جنبه هایی از آن چه می تواند "گربه گرایی" خوانده شود را شناسایی کرده و این ویژگی ها را از تصاویر جدید گربه ها استخراج و برداشت کنند.
تصویر: سیستم های یاد گیری عمیق می توانند تشخیص دهند که کدام یک از این ها گربه است. Gelpi / Shutterstock.com
روش های یاد گیری عمیق بر اساس همان اصولی است که توان بخشِ مغز انسان است. به عنوان مثال، مغز همزمان داده های مختلفی را در انواعی مختلف، در بسیاری از واحدهای پردازشی مدیریت می کند. نورون ها ارتباطات زیادی با یکدیگر دارند و این پیوندها بسته به میزان استفاده از آنها تقویت یا ضعیف می شوند و ارتباطاتی بین ورودی های حسی و خروجی های مفهومی ایجاد می کنند.
موفق ترین شبکه یاد گیری عمیق، مبتنی بر تحقیقات دهه 1960 در زمینه معماری قشر بینایی، بخشی از مغز که برای دیدن از آن استفاده می کنیم، و الگوریتم های یاد گیری که در دهه 1980 اختراع شده اند، بوده است. در آن زمان، رایانه ها هنوز به اندازه کافی سریع نبودند که بتوانند مشکلات دنیای واقعی را حل کنند. حالا اما، آنها هستند.
علاوه بر این، شبکه های یاد گیری به صورت لایه لایه روی هم قرار گرفته اند و شبکه های ارتباطی بیشتری، شبیه سلسله مراتب لایه های موجود در قشر بینایی، ایجاد می کنند. این بخشی از همگرایی بین هوش مصنوعی و زیست شناسی است.
تصویر: یک شبکه عصبیِ چهار لایه، ورودی را از سمت چپ می پذیرد، و خروجی لایه اول را به لایه بعدی، و سپس به لایه بعدی و بعدی منتقل می کند – تا زمان تحویل خروجی برسد. Sin314 / Shutterstock.com
یاد گیری عمیق در زندگی واقعی
یاد گیری عمیق، از قبل در حال افزودن به توانایی های انسان بوده است. اگر از سرویس های Google برای جستجوی وب استفاده می کنید یا از برنامه های آن برای ترجمه از یک زبان به زبان دیگر یا تبدیل گفتار به متن استفاده می کنید، شاهد هستید که این فناوری، شما را هوشمندتر یا مؤثرتر کرده است. یکی از دوستان اخیراً در سفری به چین، با تلفن اندروید خود به انگلیسی صحبت می کرد، که تلفن، آن را برای راننده تاکسی به صحبت به زبان چینی بر می گرداند - درست مثل مترجم جهانی در سریال"پیشتازان فضا".این سیستم ها و بسیاری از سیستم های دیگر در حال کار هستند، و حتی اگر از وجود آنها آگاهی نداشته باشید به شما در زندگی روزمره کمک می کنند. به عنوان مثال، یاد گیری عمیق شروع به خواندن تصاویر اشعه ایکس و عکس های ضایعات پوستی برای تشخیص سرطان کرده است. با استفاده از این فناوری، پزشک محلی شما به زودی قادر خواهد بود مشکلاتی را که امروز فقط برای بهترین متخصصان مشهود است، تشخیص دهد.
حتی وقتی می دانید یک ماشین درگیر انجام کار است، ممکن است پیچیدگی آن چه را که واقعاً انجام می دهد درک نکنید. پشت اَلکسای آمازون، گروه بزرگی از شبکه های یاد گیری عمیق وجود دارد که درخواست شما را تشخیص می دهند، داده ها را برای پاسخ گویی به سؤالات شما الک می کنید، و اقدامات لازم را از طرف شما انجام می دهند.
پیشبرد یاد گیری
یاد گیری عمیق در حل مشکلات شناخت الگو بسیار مؤثر بوده است، اما برای فراتر رفتن از این مرحله، نیاز به سیستم های مغزی دیگری نیز دارد. هنگامی که حیوانی برای انجام عملی پاداش می گیرد، احتمالاً در آینده نیز اقدامات مشابهی انجام خواهد داد. نورون های دوپامین در گانگلیون های اصلی مغز، تفاوت بین پاداش های مورد انتظار و دریافت شده را گزارش می دهند، که خطای پیش بینی پاداش نامیده می شود، که از آن برای تغییر نقاط قوت اتصالات مغز که پاداش های آینده را پیش بینی می کنند، استفاده می شود.بهبود مهارت فقط با بازی در مقابل یک رقیب بهتر امکان پذیر است. جفت کردن این رویکرد با یاد گیری عمیق، که یاد گیری تقویت نامیده می شود، می تواند به کامپیوترها قدرت شناسایی امکانات غیر منتظره را بدهد. با تشخیص یک الگو و سپس پاسخ دادن به آن به گونه ای که پاداش به بار آورد، ماشین ها ممکن است به رفتارهایی در امتداد آن چه خلاقیت انسان خوانده می شود نزدیک شوند. این رویکردِ جفت شده، همان چگونگی توسعه DeepMind به برنامه ای به نام AlphaGo است که در سال 2016 استاد بزرگ لی سدول را شکست داد و سال بعد قهرمان جهان درGo ، Ke Jie را شکست داد.
بازی ها به اندازه دنیای واقعی که پر از عدم قطعیت در حال تغییر است، کثیف نیستند. ما و ماسیمو ورگاسولا در دانشگاه کالیفرنیا، سان دیگو، اخیراً از یاد گیری تقویت استفاده کردیم تا به یک هواپیمای بی موتور در مزرعه آموزش دهیم که چگونه مانند یک پرنده در گرماهای آشفته اوج بگیرد. سنسورها می توانند به پرندگان واقعی متصل شوند تا بررسی شود که آیا آنها از همان نشانه ها استفاده می کنند و به همان روش پاسخ می دهند یا نه.
علی رغم این موفقیت ها، محققان هنوز به درستی درک نمی کنند که یاد گیری عمیق چگونه این مشکلات را حل می کند. البته، ما همچنین نمی دانیم که مغز چگونه آنها را حل می کند.
در حالی که عملکردهای داخلی مغز ممکن است دست نیافتنی باقی بماند، اما ما فقط به یک فاصله زمانی احتیاج داریم تا محققان نظریه یاد گیری عمیق را ایجاد کنند. تفاوت این است که هنگام مطالعه رایانه، محققان به هر اتصال و الگوی فعالیتی در شبکه دسترسی دارند. سرعت پیشرفت، زیاد است، و مقالات تحقیقاتی هر روز در arXiv ظاهر می شوند. پیش بینی گزارش پیشرفت های شگفت انگیزی در ماه دسامبر در کنفرانس سیستم های پردازش اطلاعات عصبی در مونترال شده بود، که طی 11 دقیقه 8000 بلیط برای آن فروخته شد و 9000 ثبت نام کننده امیدوار را در لیست انتظار قرار داد.
تا رسیدن کامپیوتر به هوش عمومی انسان، مسیری طولانی در پیش است. بزرگ ترین شبکه یاد گیری عمیق، امروزه فقط قدرت یک قطعه از قشر عصبی انسان به اندازه یک دانه برنج را دارد. و ما هنوز نمی دانیم که چگونه مغز تعاملات بین مناطق بزرگ تر مغزی را به صورت پویا سازمان می دهد.
طبیعت قبلاً از این سطح یکپارچه سازی برخوردار بوده و با استفاده از آن سیستم های مغزی گسترده ای را ایجاد می کند که قادر به کار کردن با تمام جنبه های بدن انسان هستند، ضمن این که در مورد سؤالات عمیق تأمل می کنند و کارهای پیچیده را انجام می دهند. در نهایت، سیستم های خود گردان ممکن است پیچیده شوند، و به جمع موجودات زنده‌ی بی شمارِ موجود در سیاره ما بپیوندند.
در حال تکامل راه خود به سمت هوش مصنوعی هستیم
تصویر: برای رسیدن به آن «فقط برو» (Just Go): برنامه نویسی برای کامپیوتر برای انجام یک بازی باستانی. Donar Reiskoffer / Wikimedia Commons، CC BY-SA
محقق دیوید سیلور و همکارانش یک برنامه کامپیوتری را طراحی کردند که قادر به شکست یک بازیکن سطح برتر Go است – و این یک شاهکار بزرگ فناوری و آستانه مهمی در توسعه هوش مصنوعی یا AI است. این، یک بار دیگر تأکید می کند که انسان ها در مرکز جهان نیستند و شناخت انسان اوج هوش نیست.
خوب به خاطر می آوریم که کامپیوترDeep Blue از IBM، استاد شطرنج بازی، کاسپاروف، را شکست داد. در جایی که خود ما با کامپیوترها شطرنج بازی می کردیم - و به آنها می باختیم - شکست کاسپاروف این باور شخصی ما را تقویت کرد که هوش مصنوعی، حتی احتمالاً در طول زندگیمان، به واقعیت تبدیل خواهد شد. ممکن است روزی بتوانیم با چیزهایی شبیه قهرمانان دوران کودکی مان، C-3P وR2-D2 ، صحبت کنیم. منزل آینده مان می تواند احتمالاً با برنامه ای مانند HAL از فیلم "2001" کوبریک کنترل شود.
ما نمی توانیم آن چه را که نمی توانیم تعریف کنیم مهندسی کنیم. ما به عنوان محقق در زمینه هوش مصنوعی، می فهمیم که چقدر چشمگیر است که یک کامپیوتر بازیکن برتر تیم Go را شکست دهد، این یک چالش فنی، بسیار سخت تر از پیروزی در شطرنج، است. با این حال هنوز گامی بزرگ به سمت دستیابی به نوع هوش مصنوعی مورد استفاده دستگاه های متفکری که در فیلم ها می بینیم بر داشته نشده است. برای این منظور، ما به رویکردهای جدیدی برای توسعه AI نیاز داریم.
هوش، تکامل یافته است، نه این که مهندسی شده باشد
برای درک محدودیت های نقطه عطف به دست آمده در موردGo ، باید به این فکر کنیم که هوش مصنوعی چیست - و چگونه جامعه تحقیقاتی در این زمینه پیشرفت می کند.به طور معمول، هوش مصنوعی بخشی از حوزه مهندسی و علوم کامپیوتر است، زمینه ای که در آن پیشرفت نه با مقدار یاد گیری ما در مورد طبیعت یا انسان، بلکه با دستیابی به یک هدف کاملاً مشخص اندازه گیری می شود، مثل این که در مورد موفقیت یک پل بگوییم تنها اگر پل بتواند عبور یک کامیون 120 تنی را تحمل کند، موفق است. شکست دادن یک انسان در Go دقیقاً در این گروه قرار می گیرد.
ما رویکرد دیگری داریم. وقتی در مورد هوش مصنوعی صحبت می کنیم، معمولاً در مورد یک موضوع کاملاً مشخص صحبت نمی کنیم. در عوض، ما داریم هوش مصنوعی‌ای را که دوست داریم داشته باشیم، به عنوان "ماشینی که توانایی های شناختی قابل مقایسه با انسان را دارد"، توصیف می کنیم.
باید اعتراف کرد که این یک هدف بسیار مبهم است، اما این کل ماجراست. ما نمی توانیم آن چه را که نمی توانیم تعریف کنیم مهندسی کنیم، و به همین دلیل است که فکر می کنیم رویکرد مهندسی "شناخت سطح انسانی" - یعنی نوشتن الگوریتم های هوشمند برای حل یک مسئله کاملاً مشخص - نمی تواند ما را به جایی برساند که می خواهیم برویم. اما بالاخره چه؟
ما نمی توانیم منتظر علوم شناختی و عصبی، زیست شناسی رفتاری یا روان شناسی باشیم تا بفهمیم مغز چه عملیاتی انجام می دهد و چگونه کار می کند. حتی اگر صبر کنیم، این علوم با الگوریتمی ساده در توضیح مغز انسان مواجه نخواهند شد.
آن چه ما می دانیم این است که مغز با در نظر گرفتن یک طرح ساختاری ساده مدولار مهندسی نشده است. طرح مغز با تکامل به هم پیوند خورده است - مکانیزم فرصت طلبانه حاکم بر این قانون ساده که هرکس زاد و ولدهای قابل دوام تری داشته باشد در این مسابقه برنده می شود.
این، توضیح می دهد که چرا ما روی تکامل هوش مصنوعی کار می کنیم و سعی می کنیم تکامل هوش طبیعی را درک نماییم. ما از موضوع تکامل مغزهای دیجیتال امرار معاش می کنیم.
تصویر: تکامل واگرا: این دو شکل، نقشه ای از تکامل های مختلف اتصالات بین قطعات مغز دیجیتالی را نشان می دهند، 49000 نسل پس از آن که هر دو از یک نقطه شروع کردند. آرند هینتزه ، CC BY
الگوریتم ها در مقابل بداهه سازی ها
برگردیم به الگوریتمِ Go: در زمینه بازی های رایانه ای، بهبود مهارت فقط با بازی در مقابل یک رقیب بهتر امکان پذیر است.تا رسیدن کامپیوتر به هوش عمومی انسان، مسیری طولانی در پیش است. پیروزی Go نشان می دهد که ما می توانیم الگوریتم های بهتری را برای حل مشکلاتی پیچیده تر از قبل، بسازیم. این به نوبه خود نشان می دهد که در آینده، می توانیم شاهد بازی های رایانه ای بیشتری با قوانینی پیچیده باشیم که باعث ایجاد یک AI بهتر در برابر بازیکنان انسانی شود. موفقیت رایانه های شطرنج، نحوه بازی شطرنج مدرن را تغییر داده است و ما می توانیم جلوه ای مشابه برای Go و بازیکنان آن داشته باشیم.
این الگوریتم جدید راهی برای تعریف بازی بهینه فراهم می کند، که احتمالاً خوب است در صورتی که بخواهید Go را یاد بگیرید یا مهارت خود را ارتقاء دهید. با این حال، از آن جا که این الگوریتم جدید تقریباً بهترین بازیکن ممکن Go در زمین است، بازی در برابر آن تقریبا تضمین می کند که ضرر خواهید کرد. و به این ترتیب هیچ تفریحی وجود نخواهد داشت.
خوشبختانه ضرر مداوم اتفاق نمی افتد. کنترل کننده های رایانه می توانند عملکرد (قابل رقابت) پایین تری برای الگوریتم را، با کاهش تعداد حرکاتی که فکر می کنند، یا - و این واقعاً جدید است - با استفاده از یک شبکه عصبی عمیق کمتر توسعه یافته برای ارزیابی صفحهGo ، ایجاد کنند.
اما آیا این باعث می شود الگوریتم بیشتر شبیه انسان بازی کند، و آیا این همان چیزی است که ما از یک بازیکن Go می خواهیم؟ بیایید به بازی های دیگری بپردازیم که قوانین ثابت کمتری دارند و در عوض بازیکن به بداهه سازی بیشتری نیاز دارد.
یک تیرانداز اول شخص، یا یک بازی نبرد چند نفره، یا یک بازی ماجراجویی معمولی نقش آفرین را تصور کنید. این بازی ها نه به این دلیل که مردم می توانند آنها را در برابر هوش مصنوعی بهتر بازی کنند، بلکه به این دلیل که می توان آنها را در برابر انسان های دیگر یا همراه با آنها بازی کرد، محبوبیت زیادی پیدا کرده اند.
به نظر می رسد که لزوماً به دنبال قدرت و مهارت در حریفانی که با آنها بازی می کنیم نیستیم، بلکه به دنبال ویژگی های انسانی مانند توانایی برانگیختن تعجب مان، دیدن همان شوخ طبعی و حتی شاید همدردی طبیعی با خودمان هم هستیم.
به عنوان مثال، ما اخیراً Journey را بازی کردیم، بازی ای که در آن تنها راه ارتباط بازیکنان آنلاین با یکدیگر، از طریق خواندن آهنگ خاصی است که هرکدام می توانند بشنوند و ببینند. این یک روش خلاقانه و احساسی برای یک بازیکن است که می تواند به هنر زیبای آن بازی نگاه کند و لحظات مهم داستان خود را با شخص دیگری به اشتراک بگذارد.
تصویر: بازی با احساساتتان: در بازی ویدیوییJourney ، ارتباط بین شخصیت ها از ویژگی های اصلی بازی است. Journey/That Game Company, CC BY-ND
این ارتباط عاطفی است که باعث می شود این تجربه، قابل توجه باشد، و نه مهارت بازیکن طرف مقابل.
اگر هوش مصنوعی کنترل کننده سایر بازیکنان تکامل یابد، ممکن است همان مراحل کار مغز ما را طی کند. این می تواند شامل به دست آوردن حس معادل های عاطفی ترس، هشدار در مورد تهدیدهای نامشخص و احتمالاً همدلی برای درک موجودات دیگر و نیازهای آنها باشد.
هوش مصنوعی شما را باهوش تر می کند، اما از راه هایی که شما را شگفت زده خواهد کرد.به خاطر این، و کسب توانایی برای هوش مصنوعی در انجام کارهای مختلف به جای تخصص فقط در یک حوزه خاص است که به دنبال AI هستیم. بنابراین، ممکن است لازم باشد روند چگونگی تبدیل شدنمان به انسان هایی که اکنون هستیم را در فرآیند تولید همتایان دیجیتال مان بگنجانیم. منبع: تِرِنج سِجنوفسکی، آرند هینتز، Michigan State University، University of California San Diego
