هوش مصنوعی مثل هميشه پيچيده‌ است

در سال 1996، چند تن از پژوهش‌گران دانشگاه ام‌آی‌تی فکر کردند می‌توانند بينایی کامپيوتری را در خلال يک پروژه تابستانی (موسوم به Summer of Vision) به نتيجه برسانند و اصلاً شايد کامل کردن اين پروژه را به چند دانشجوی باهوش بسپارند. از آن سال تاکنون همه دنيا روی اين مسئله کار می‌کند. بينایی کامپيوتری حيطه‌ای است که در آن کامپيوترها نيز می‌توانند اشيا را همان‌گونه تشخيص دهند که انسان‌ها شناسایی می‌کنند. مثلاً «آن يک درخت است.»، «او کارلوس است.» و مانند اين‌ها. اين يکی از چند کاری است که انتظار داريم هوش مصنوعی تعميم‌يافته (Generalized Artificial Intelligence) از پس‌ آن برآيد تا درنتيجه، ماشين‌ها بتوانند مانند انسان‌ها کار و استدلال کنند. 

ما در حيطه بينایی کامپيوتری، به‌ويژه در چند سال اخير، پيش‌رفت‌های قابل ‌توجهی هم داشته‌ايم که البته اين پيش‌رفت‌ها 50 سال ديرتر از آن‌چه پيش‌بينی شده ‌بود به‌دست‌ آمد و همين موضوع نشان می‌دهد چرا هوش مصنوعی هدفی چنين سخت و پيچيده است. بو کرونن (Beau Cronin)، از مديران بخش محصولات سايت سيلزفورس که در راستای اهداف شرکت خود، روی فناوری‌های متأثر از هوش مصنوعی کار می‌کند، چندی پيش در کنفرانس O'Reilly Strata + Hadoop World در نيويورک گفته ‌بود: «سخت بتوان پی برد که در حيطه هوش مصنوعی چقدر پيش‌رفت حاصل شده ‌است.» بن‌مايه اصلی اين کنفرانس بزرگ‌داده‌ها(Big Data) بود. نياز به تحليل‌های بزرگ‌داده يا بیگ دیتا به پژوهش‌های هوش مصنوعی شتاب بخشيده ‌است. امروزه بزرگان صنعت اينترنت از جمله اپل، گوگل، فيس‌بوک، مايکروسافت و آی‌بی‌ام، تحقيقات هوش مصنوعی را در اولويت کارهای‌شان قرار می‌دهند و روند رو‌به‌ پيش‌رفت آن‌ در کارهای کم‌وبيش روزمره‌ای همچون آگهی‌های هدف‌مند و دستياری شخصی را ادامه می‌دهند. کارنن بر اين باور است که ما از بسياری ابعاد، به هوش مصنوعی فراگير که در آن کامپيوتر بتواند مانند انسان رفتار کند، نزديک‌تر نشده‌ايم. سامانه‌هایی مانند يادگيری ماشينی که از فناوری‌های هوش مصنوعی بهره می‌برند، به‌گونه‌ای تعريف شده‌اند که فقط کارهای بسيار مشخصی را انجام دهند. کارنن می‌گويد: «برآورد وضعيت هوش مصنوعی هميشه دشوار بوده ‌است. ارزيابی سامانه‌های هوش مصنوعی سخت است و ممکن است آن‌ها در يک حيطه پيش بروند، ولی در حيطه‌‌ای ديگر موفقيتی به‌دست نياورند. بسياری از پروژه‌ها، گاهی حتی آن‌ها که خيلی خوب برای‌شان سرمايه‌گذاری شده ‌است، به جایی نمی‌رسند.» 

حتی تعريف‌های ابتدایی از هوش مصنوعی نيز هنوز ابهام‌زدایی نشده‌اند. هنگامی ‌که دو نفر درباره هوش مصنوعی سخن می‌گويند، ممکن است منظور يکی از آن‌ها يک الگوريتم خاص در يادگيری ماشينی باشد، درحالي‌که ديگری دارد درباره روبات‌های خودکار حرف می‌زند. هوش مصنوعی هنوز هم برای آدم‌های عجيب و غريب و گوشه‌گيری که اميدوارند هر هفته با ده ساعت کار در زيرزمين‌ خانه‌شان مسئله هوش مصنوعی را يک‌بار برای همه حل کنند، جذاب است. 
پروژه جاه‌طلبانه Summer of Vision ام‌‌آی‌تی در دهه 1960 يکی از موانع بزرگ در پژوهش‌های هوش مصنوعی را آشکار کرد که از آن به «تناقض موراوک» يا Moravec’s Paradox ياد می‌شود. تناقض موراوک ادعا می‌کند کارهایی مانند شناسایی اشيا و استنباط که انجام آن‌ها برای انسان‌ها آسان است، برای کامپيوترها بسيار سخت است و برعکس، آن‌چه انجام آن برای کامپيوترها آسان است، مانند اثبات تئوری‌های پيچيده برای انسان‌ها، اگر ناممکن نباشد، بسيار دشوار است. 

موج‌های اغراق‌آميز درباره يادگيری ماشين‌ها و سپس توهم‌زدایی از چنين اغراق‌هایی نتيجه چندانی در پی نداشت و اين گستره علمی را به‌ دوره‌هایی سوق داد که از آن‌ها به‌عنوان «زمستان‌های هوش مصنوعی» ياد می‌شود. دوره‌هایی که در آن‌ها سرمايه‌گذاری‌های پژوهشی در اين حيطه قطع و پيش‌رفت‌ها کند شدند. کارنن می‌گويد، شايد از اين پس زمستان ديگری را برای هوش مصنوعی شاهد نباشيم؛ زيرا شرکت‌های بزرگ بسيار زيادی، به‌ويژه گوگل و فيس‌بوک، مدل‌های کسب‌وکار خود را بر اساس بهره‌گيری از محاسبه‌های هوشمند بنيان نهاده‌اند تا بهتر دريابند کاربران‌ آن‌ها به ‌دنبال چه چيزی هستند. شرکت‌های ديگری هم هستند که در سرويس‌ها و ابزارهای‌شان از هوش‌ مصنوعی بهره می‌برند؛ دستيار صوتی Siri اپل و ابرکامپيوتر واتسون آی‌بی‌ام از آن جمله‌اند. از بسياری ابعاد، سامانه‌های هوش مصنوعی امروزی ادامه نسل نخستين سامانه‌های هوش مصنوعی دهه 1960 به‌شمار می‌آيند که اليزا يکی از آن‌ها بود. اليزا برنامه‌ای بود که نسخه‌های روان‌پزشکی می‌پیچید و تا همين امروز هم برخی از توييتربات‌ها از آن استفاده می‌کنند. يکی ديگر از آن برنامه‌ها نيز Perceptron نام داشت که از نخستين پيشگامان شبکه‌های عصبی يادگيری عميق به‌شمار می‌رفت. 

به گفته کارنن، نخستین برنامه‌های هوش مصنوعی «عميقاً ناقص و محدود» بودند و توان‌مندی‌های‌ آن‌ها خيلی ابتدایی بود. با اين‌ همه، «می‌توانيد از آن سامانه‌های نخست تا آن‌چه امروز داريم در حيطه هوش مصنوعی انجام می‌دهيم خط مستقيمی بکشيد.» واتسون همان ‌چيزی است که آرزو داشتيم اليزا باشد. البته پس از سال‌ها پيش‌رفت بسيار کم، اينک در گونه‌های شگفت‌آورتری از دستياری‌ «هوشمندوار» برای انجام کارهای خاص شناور می‌شويم. شتاب پيش‌رفت به‌گونه‌ای است که: «حتی آن‌هایی را هم که مدت زيادی در اين حيطه حضور داشته‌اند» به شگفتی واداشته‌ است. تا همين ده سال پيش تصور می‌شد خودروهای خودران که اينک در آستانه عرضه تجاری هستند، يک فناوری تقريباً دسترس‌ناپذیر باشند. شايد علت آن تغيير در سرمايه‌گذاری برای پژوهش‌های هوش مصنوعی است. دولت‌ها با پولی که می‌توانند برای تحقيق بپردازند، هميشه در پژوهش‌های بسيار جاه‌طلبانه‌ای سرمايه‌گذاری کرده‌اند. برای سال‌ها، سازمان‌های تحقيقاتی تجاری کوچک مانند SRI International و Cycorp اين پيش‌رفت‌ها را ‌پيش برده‌اند.

اين روزها پژوهش‌های هوش مصنوعی در بيش‌تر شرکت‌های بزرگ آی‌تی و اينترنتی همچون گوگل، فيس‌بوک و مايکروسافت پشتيبان‌های قدرت‌مندی دارد. بسياری از استارت‌آپ‌های کوچک‌تر نيز با سرمايه‌گذاری‌های مخاطره‌پذير در اين حرکت سهيم هستند. کارنن می‌گويد، اين‌ روند به‌ طور فزاينده بيش‌تر به‌سوی پروژه‌های تجاری متمايل شده‌ است تا پروژه‌های دانشگاهی. درنتيجه، فناوری‌های هوش مصنوعی اينک در مقايسه با روزهایی که به حيطه دانشگاه‌ها محدود بودند، در گستره‌های بزرگ‌تری به‌کار گرفته می‌شوند. تأثير يادگيری عميق که در اصل در دانشگاه‌ها پا گرفت با زمانی که به گوگل راه پيدا می‌کند و در يک محصول جديد به‌کار گرفته می‌شود، يکی نيست. درنتيجه، شیوه‌های هوش مصنوعی مانند يادگيری ماشينی، اينک با شتابی بيش‌تر از پيش در سرويس‌ها و کالاهای تجاری تلفيق می‌شوند. کارنن به ‌اين موضوع اشاره می‌کند که اهمیت واتسون و سيری بيش‌تر به ‌اين دلیل است که «پروژه‌های بزرگ يکپارچه‌سازی»، نه به علت پیشگامی‌شان در گونه‌های جدید هوش. هستند تا پيشگام بودن آن‌ها در گونه‌های جديد هوش. همچنين، هجوم رو به‌ رشد بزرگ‌داده‌ها به ‌اين شاخه کمک کرده ‌است تا شیوه‌های نتيجه‌گيری‌ و ديگر شیوه‌های آماری را معرفی کند که کم‌تر کسی تصور می‌کرد در فناوری چنين نقش بزرگی بازی کنند. در روزهای کهن پژوهش‌های دانشگاهی هوش مصنوعی، مقدار داده‌هایی که می‌شد برای استدلال مخالف از آن‌ها استفاده‌ کرد، در مقايسه با کوه‌های داده امروزی تقريباً کم بود. گوگل بانکی از مجموعه داده‌های انبوه خود را درباره کاربرانش پديد آورده ‌است؛ بانکی که نخست آن‌ را پديد آورد و سپس تصميم گرفت چگونه از آن پول دربياورد. اين شرکت در روزهای نخست درگير اين نبود که ساختارهای بسياری را در مدل خود جای دهد. مهندسان گوگل اين ‌را تأثير فوق‌العاده داده‌ها (Unreasonable Effectiveness of Data)ناميده‌اند. کارنن می‌گويد: «ولی در تغيير جهتی درازمدت، بايد در آينده بيش از اکنون به تکنيک‌های يادگيری عميق‌تر بيانديشيم.» شیوه‌های امروزی ما را به‌ هوش مصنوعی کامل نمی‌رسانند. «ما به مدل‌های پربارتر و پيش‌بينی‌پذيرتری نياز داريم»؛ مدل‌هایی که بتوانند به طور معمول درباره آن‌چه روی خواهد داد پيش‌بينی کنند. ژوان پابلو ولِز، يکی از حاضران در کنفرانس يادشده که از تحليل‌گران شرکت مشاوره علوم داده Polynumeral در نيويورک است، با برآوردهای کارنن درباره هوش مصنوعی موافق است. او می‌گويد، نوآوری‌های جديد بسياری درخصوص يادگيری عميق روی داده‌ که در گستره‌‌ای همچون جست‌وجوی تصاوير گوگل به‌اجرا درآمده ‌است.

 اين پژوهش‌ها بسیار به دستورکار شرکت‌های بزرگ وابستگی دارند و الزاماً معنی آن اين نيست که به هوش ماشينی تعميم‌ يافته نزديک‌تر شده‌ايم. از بسياری ابعاد، ما هنوز در همان نقطه پژوهش‌های هوش مصنوعی که هميشه بوده‌ايم قرار داريم: حرکت سريع به جلو در برخی ابعاد، درحالي‌که ظاهراً هنوز در راستای آن هدف بزرگ، يعنی هوش مصنوعی تعميم‌ يافته ‌حرکت نکرده‌ايم. آن‌گونه که يان لوکان مدير پژوهش‌های هوش مصنوعی فيس‌بوک گفته ‌است، پژوهش‌های هوش مصنوعی مانند رانندگی سريع در هوای مه‌آلود است که شما نمی‌توانيد مانع بعدی در جاده را که به‌ آن خواهيد خورد، ببينيد. تا روزی که خودرویی بسازيم که بتواند به‌جای ما درون مه پيش‌ رو را ببيند، آينده هوش مصنوعی تا مدتی نامشخص باقی خواهد ماند.