چرا نباید وعده‌های هوش مصنوعی را جدی گرفت؟
چرا نباید وعده‌های هوش مصنوعی را جدی گرفت؟

هوش مصنوعی در طول دهه‌ها فراز و فرودهای بسیاری داشته و دوران رونق و رکود متعددی را پشت سرگذاشته است.

غزال زیاری : در سال ۱۹۵۸ بود که نیویورک تایمز در یک مقاله کوتاه، یک کامپیوتر با نام ” Perceptron ” با ابعادی به اندازه اتاق، مجهز به نوع جدیدی از مدارها را به دنیا معرفی کرد.
این داستان به نقل از نیروی دریایی آمریکا به این نکته اشاره دارد که Perceptron منجر به تولید ماشین‌هایی خواهد شد که می‌توانند راه بروند، صحبت کنند، بینند، بنویسند، نمونه‌هایی مثل خودشان تولید کرده و از وجود خود آگاه باشند.
از ربات تا هوش مصنوعی
حالا و شش دهه بعد از آن زمان، ادعاهای مشابهی درباره هوش مصنوعی فعلی مطرح می‌شود. اما در این سال‌ها چه چیزهایی تغییر کرده؟ از بسیاری جهات، چیزهای محدودی.
حوزه هوش مصنوعی از روزای ابتدایی‌اش در چرخه رونق- رکود افتاد. حالا که این حوزه دوباره در آستانه رونق جدیدی قرار دارد، به نظر می‌رسد که بسیاری از طرفداران این تکنولوژی، شکست‌های قبلی و دلایل آنها را فراموش کرده‌اند؛ در شرایطی که خوشبینی باعث رشد و پیشرفت می‌شود، مروری بر تاریخ هم بسیار ارزشمند است.
با Perceptron آشنا شوید
Perceptron ماشینی بود که توسط فرانک روزنبلات اختراع شد و مسلما پایه‌های هوش مصنوعی را پایه‌ریزی کرد. این دستگاه در واقع یک کامپیوتر الکترونیکی آنالوگ بود که به ‌عنوان یک ماشین یادگیری طراحی شده بود تا پیش‌بینی کند که یک تصویر به کدام یک از دو دسته تعلق دارد. این دستگاه انقلابی مملو از سیم‌هایی بود که اجزای مختلف را به شکل فیزیکی به یکدیگر متصل می‌کردند. چیزی شبیه به شبکه‌های عصبی مصنوعی مدرن امروزی که زیربنای هوش مصنوعی مثل ChatGPT و DALL-E هستند و همه آنها نسخه‌های نرم‌افزاری مدرن Perceptron به حساب می‌آیند که امروزه فاقد لایه‌ها، گره‌ها و اتصالات بیشتر هستند.

Perceptron هم شبیه به ماشین‌های یادگیری امروزی، اگر به پاسخ اشتباه برمی‌خورد، اتصالات خود را تغییر می‌داد تا دفعات بعد بتواند بهتر پیش‌بینی کند. دقیقا مشابه با سیستم‌های هوش مصنوعی مدرن که آنها نیز به همین شیوه کار می‌کنند و با استفاده از قالبی برپایه پیش‌بینی، مدل‌های زبان بزرگ یا LLM می‌توانند پاسخهای متنی با فرمی طولانی و چشمگیر تولید کرده و تصاویر را با متن مرتبط کرده تا تصاویر جدیدی را طبق درخواست‌ها تولید کنند و جالب اینجاست که این سیستم‌ها با تعامل بیشتر با کاربران بهتر و بهتر می‌شوند.
رونق و رکود هوش مصنوعی
یک دهه بعد از آنکه روزنبلات از مارک ۱ Perceptron رونمایی کرد، متخصصانی مثل ماروین مینسکی مدعی شدند که دنیا تا اواسط دهه ۱۹۷۰، یک ماشین با هوشی معمولی مثل هوش یک انسان متوسط خواهد داشت ولی به رغم برخی موفقیت‌ها، هوش انسان هنوز برتر بود.
به سرعت مشخص شد که سیستم‌های هوش مصنوعی، چیزی درباره موضوع کارشان نمی‌دانند و بدون داشتن پیش زمینه مناسب و دانش زمینه‌ای، حل دقیق ابهامات موجود در زندگی روزمره تقریبا غیرممکن است. ولی این کاری است که انسان‌ها بدون سختی و دردسر آن را انجام می‌دهند. اولین خزان هوش مصنوعی یا دوره سرخوردگی در سال ۱۹۷۴ در پی ناکامی Perceptron دنیا را فرا گرفت.

البته در دهه ۱۹۸۰، هوش مصنوعی دوباره بازگشت و اولین رونق رسمی هوش مصنوعی به جریان افتاد. سیستم‌های خبره جدیدی ارائه شد و هوش مصنوعی برای حل مشکلات در زمینه‌های مختلف دانش طراحی گردید که می‌توانست اشیا را تشخیص داده و با بهره‌گیری از داده‌های قابل مشاهده، بیماری‌ها را تشخیص دهد.
برنامه‌هایی وجود داشتند که می‌توانستند از داستان‌های ساده، به جمع‌بندی‌های پیچیده‌ای برسند؛ اولین اتومبیل بدون راننده آماده حرکت بود و ربات‌هایی ساخته شد که می‌توانستند نت‌های موسیقی را خوانده و ساز بنوازند و به صورت زنده برای مخاطبان برنامه اجرا می‌کردند.
اما طولی نکشید که همان مشکلات یک بار دیگر، این هیجان را خفه کردند. در سال ۱۹۸۷ بود که دومین خزان هوش مصنوعی از راه رسید. سیستم‌های متخصص، شکست می‌خوردند؛ چرا که قادر به مدیریت اطلاعات جدید نبودند.

در دهه ۱۹۹۰، شیوه برخورد کارشناسان با مشکلات هوش مصنوعی تغییر کرد. گرچه این تحولات منجر به رونق رسمی هوش مصنوعی نشد، اما در این بازه زمانی هوش مصنوعی دستخوش تغییراتی اساسی گردید. محققان در تلاش برای حل مشکلات، به دنبال رویکردهای داده محوری برای یادگیری ماشین بودند که این نحوه کسب دانش را تغییر داد.
این زمان، نشان‌دهنده بازگشت به سبک شبکه عصبی perceptron بود؛ اما این نسخه بسیار پیچیده‌تر، پویاتر و دیجیتال بود. بازگشت به شبکه عصبی، اختراع مرورگر وب و افزایش قدرت محاسباتی، جمع‌آوری تصاویر، استخراج داده‌ها و توزیع مجموعه‌های داده، کار را برای یادگیری ماشین‌ها ساده‌تر کرد.
سفر به زمان حال
حالا با سرعت، به زمان حال می‌آئیم. دوره‌ای که بار دیگر اعتماد به پیشرفت هوش مصنوعی بازگشته و تکرار وعده‌های تقریبا شصت سال پیش را شاهد هستیم. عبارت ” هوش مصنوعی عمومی” برای توصیف فعالیت‌های LLM مثل کاری که چت‌ربات‌های هوش مصنوعی مثل ChatGPT انجام می‌دهند، استفاده می‌شود. هوش مصنوعی عمومی یا AGI، ماشینی را توصیف می‌کند که هوشی برابر با هوش انسان دارد؛ یک ماشین خودآگاه است و می‌تواند مشکلات را حل کرده و قدرت یادگیری و برنامه‌ریزی برای آینده دارد و احتمالا هوشیار است.
همانطور که روزنبلات فکر می‌کرد، Perceptron او پایه‌ای برای یک ماشین هوشیار و شبیه به انسان است. این دقیقا همان دیدگاهی است که برخی نظریه‌پردازان معاصر هوشی مصنوعی درباره شبکه‌های عصبی مصنوعی امروزی دارند. در سال ۲۰۲۳، مایکروسافت مقاله‌ای را منتشر کرد که در آن به این نکته اشاره شده بود که عملکرد GPT-۴ به شکل چشمگیری به سطح عملکرد انسانی نزدیک است.
اما قبل از آنکه ادعا کنیم که LLM ها، هوشی در سطح انسان را دارا هستند، ممکن است به بررسی ماهیت چرخه‌ای پیشرفت هوش مصنوعی کمک زیادی کنند. بسیاری از مشکلاتی که در ادوار قبلی هوش مصنوعی وجود داشت، هنوز هم وجود دارند و تفاوت در اینجاست که این مشکلات چگونه ظاهر می‌شوند.
به عنوان مثال، مشکل دانش تا به امروز ادامه دارد. ChatGPT به شکلی مداوم در تلاش است تا به اصطلاحات، استعاره‌ها، سوالات بلاغی و اشکال منحصر به فرد زبان که فراتر از پیوندهای دستوری است، پاسخ دهد.
شبکه‌های عصبی مصنوعی می‌توانند با دقتی بالا ، اشیا را در صحنه‌های پیچیده تشخیص دهند ولی اگر تصویری از یک اتوبوس مدرسه که چپه شده را به هوش مصنوعی نشان دهید، هوش مصنوعی با اطمینان بالا و در ۹۷% مواقع می‌گوید که این یک ماشین برف روب است.

درس‌های مهم
در حقیقت، مشخص شده که هوش مصنوعی را به راحتی می‌توان با راهکارهایی که به سرعت برای انسان‌ها قابل شناسایی است،گول زد. فکر می‌کنم که باید با درنظر داشتن اینکه اوضاع در گذشته چطور پیش رفته، این موضوع را مدنظر داشت.
هوش مصنوعی امروزه، متفاوت با هوش مصنوعی در گذشته است؛ اما مشکلات آن همچنان پابرجاست؛ همانطور که گفته می‌شود: تاریخ ممکن است تکرار نشود، اما قافیه تکرار می‌شود.
منبع: popsci
۵۸۵۸

✅ آیا این خبر اقتصادی برای شما مفید بود؟ امتیاز خود را ثبت کنید.
[کل: 0 میانگین: 0]