چرا سیستم‌های هوش مصنوعی امروزی واقعاً هوشمند نیستند؟

جردن که استاد دانشکده مهندسی برق و علوم کامپیوتر دانشگاه کالیفرنیا است، خاطر نشان می‌کند که تقلید از تفکر انسان تنها هدف یادگیری ماشین یا بهترین  هدف آن نیست. یادگیری ماشین می‌تواند از طریق تجزیه و تحلیل دقیق مجموعه داده‌های بزرگ، به تقویت هوش انسان کمک کند، همان‌گونه که یک موتور جست‌وجو با سازمان‌دهی وب، دانش انسان را افزایش می‌دهد. یادگیری ماشین می‌تواند با کنار هم قرار دادن اطلاعات موجود در مجموعه داده‌های متعدد، یافتن الگوها و پیشنهاد دوره‌های عملیاتی جدید، خدمات نوینی در حوزه‌های مراقبت‌های بهداشتی، تجارت و حمل‌و‌نقل به انسان‌ها ارائه دهد.

او می‌گوید: «مردم در مورد معنای هوش مصنوعی در بحث‌های مرتبط با روندهای فناوری، دچار سردرگمی می‌شوند. آن‌ها تصور می‌کنند که نوعی تفکر هوشمندانه و پنهانی در کامپیوتر‌ها وجود دارد که عامل پیشرفت‌ آن‌ها است و به آن‌ها اجازه می‌دهد در رقابت با انسان‌ها باشند. ما چنین چیزی نداریم، اما مردم به گونه‌ای صحبت می‌کنند که گویا ما چنین کاری را انجام می‌دهیم.»

مجله ساینس در سال 2016، در یک برنامه که نشریات تحقیقاتی را تجزیه و تحلیل می‌کرد، جردن را در رتبه تاثیرگذارترین دانشمند کامپیوتر قرار داد. وب‌سایت Engineering and Technology History Wiki توضیح می‌دهد که جردن به تغییر یادگیری ماشین بدون ناظر کمک کرد. رویکردی که می‌تواند ساختارها و الگوها را از داده‌های فاقد برچسب‌‌گذاری قبلی پیدا کند. تلاش‌های مستمر جردن در عینیت بخشیدن به مفهوم یادگیری ماشین بدون ناظر، جوایز زیادی برای او به ارمغان آورده که از آن جمله باید به جایزه اولف گرناندر (Ulf Grenander) سال 2021 در خصوص نظریه تصادفی  و مدل‌سازی (Stochastic Theory and Modeling) از انجمن ریاضی آمریکا اشاره کرد. او سال گذشته مدال IEEE John von Neumann را به دلیل کمک‌هایش به یادگیری ماشین و علم داده دریافت کرد. در سال‌های اخیر، او ماموریت یافته تا به دانشمندان، مهندسان و دیگر افراد کمک کند تا گستره کامل یادگیری ماشین را درک کنند. او متعقد است پیشرفت‌‌های صورت گرفته در یادگیری ماشین، زمینه‌ساز ظهور رشته جدیدی در مهندسی شود. او به تشابهات میان یادگیری ماشین و ظهور مهندسی شیمی در اوایل دهه 1900 اشاره می‌کند و می‌گوید: «یادگیری ماشین ماحصل چندین دهه تلاش در حوزه علوم کامپیوتر، آمار و تئوری کنترل است.  این اولین رشته مهندسی است که انسان محور و با تمرکز بر تعاملات میان انسان و فناوری است. بااین‎‌که بحث‌های علمی تخیلی در مورد هوش مصنوعی و فراهوش جالب و سرگرم‌کننده هستند، اما باعث حواس پرتی می‌شوند، زیرا تمرکز کافی روی مشکل واقعی ندارند که در واقع ساختن سیستم‌های مبتنی بر یادگیری ماشین در مقیاس کلان و کاربردی است. نیمی از فیلم‌های ساخته شده در این زمینه بیشتر مفهوم نابرابری‌ها را تشدید می‌کنند.»

پیوستن به یک جنبش

جردن به عنوان یک دانشمند پیشگام در این حوزه به دیدگاه‌های فلسفی و فرهنگی در مورد نحوه عملکرد ذهن، علاقمند است. او پس از خواندن زندگینامه منطق‌شناس بریتانیایی، برتراند راسل (Bertrand Russel) از او الهام گرفت تا به مطالعه آمار و روان‌شناسی بپردازد. راسل اندیشه را به عنوان یک فرایند منطقی ریاضی، مورد واکاوی قرار داد.

جردن می‌گوید: «وقتی به اندیشه به عنوان یک فرایند منطقی نگاه کردم، فهمیدم که کامپیوترها از پیاده‌سازی نرم‌افزاری و سخت‌افزاری منطق به وجود آمده‌اند و شباهتی را بین ذهن و مغز یافتم. احساس کردم فلسفه می‌تواند از بحث‌های مبهم درباره ذهن به چیزی ملموس‌تر، الگوریتمی و منطقی‌تر تغییر کند. این موضوع مرا جذب کرد.»

جردن در دانشگاه ایالتی لوئیزیانا در رشته روانشناسی تحصیل کرد و در سال 1978 مدرک لیسانس خود را در این زمینه گرفت. او در سال 1980 مدرک کارشناسی ارشد ریاضیات را از دانشگاه ایالتی آریزونا و در سال 1985 دکترای علوم شناختی را از دانشگاه کالیفرنیا دریافت کرد. وقتی وارد دانشگاه شد، رشته یادگیری ماشین وجود نداشت. زمانی که فارغ‌التحصیل شد، این رشته تازه وارد دانشگاه شده بود. او می‌گوید: «در حالی که من شیفته یادگیری ماشین بودم در آن زمان احساس می‌کردم که برای درک یادگیری آمار، نظریه اطلاعات و نظریه کنترل، به اصول عمیق‌تری نیاز دارم و به همین دلیل خود را محقق یادگیری ماشین نمی‌دانستم، اما در نهایت به سراغ یادگیری ماشین رفتم، زیرا افراد تاثیرگذاری در این حوزه وجود داشتند که کارهای خلاقانه‌ای انجام داده بودند.»

در سال 2003، او و دانشجویانش تخصیص پنهان دیریکله (latent Dirichlet allocation) را توسعه دادند، یک چارچوب احتمالی برای یادگیری ساختار احتمالی اسناد و سایر مجموعه داده‌ها به شیوه‌ بدون نظارت. این تکنیک به کامپیوتر و نه کاربر اجازه می‌دهد تا الگوها و اطلاعات را به‌تنهایی از اسناد کشف کند. این چارچوب یکی از محبوب‌ترین روش‌های مدل‌سازی موضوع است که برای کشف مضامین پنهان و طبقه‌بندی اسناد در گروه‌ها استفاده می‌شود.

پروژه‌های فعلی جردن، ایده‌هایی از علم اقتصاد است که ترکیبی از علوم کامپیوتر و آمار است. او استدلال می‌کند که هدف سیستم‌های یادگیری در واقع تصمیم‌گیری یا حمایت از تصمیم‌گیری انسانی است و تصمیم‌گیرندگان به ندرت به صورت مجزا عمل می‌کنند. آن‌ها با تصمیم‌گیرندگان دیگر تعامل دارند که هرکدام ممکن است نیازها و ارزش‌های متفاوتی داشته باشند. جردن در حال کار روی یک پروژه تحقیقاتی است که در آن عامل‌ها درباره اولویت‌هایشان از آزمایش‌های واقعی می‌آموزند، به‌طوری که همزمان با جمع‌آوری داده‌ها شروع به یادگیری می‌کنند. این تحقیق با هدف ساخت سیستم‌های واقعی در حال انجام است تا تولیدکنندگان و مصرف‌کنندگان در بازارهای مبتنی بر یادگیری که به رفاه اجتماعی توجه دارند، گرد هم آیند. 

شفاف‌سازی در مورد هوش مصنوعی

در سال 2019، جردن کتاب «هوش مصنوعی- انقلابی که هنوز رخ نداده است» را نوشت که در نشریه هاروارد دیتا ساینس ریویو منتشر شد. او در یک مقاله توضیح می‌دهد که عبارت هوش مصنوعی نه تنها از سوی عموم مردم، بلکه از سوی فن‌شناسان هم اشتباه درک شده است. او می‌نویسد در دهه 1950، وقتی عبارت هوش مصنوعی ابداع شد، مردم آرزو داشتند ماشین‌های محاسباتی بسازند که دارای هوشی در سطح انسان باشند. او می‌گوید: «این آرزو هنوز وجود دارد، اما آنچه در دهه‌های میانی اتفاق افتاده، چیز دیگری است.» او می‌نویسد که کامپیوترها فی‌نفسه هوشمند نشده‌اند، اما قابلیت‌هایی را ارائه کرده‌اند که هوش انسانی را تقویت می‌کنند. به‌علاوه، کامپیوترها در قابلیت‌های تشخیص الگو در سطح پایین که می‌توانستند اصولاً توسط انسان‌ها اما با هزینه‌های گزاف انجام شوند، سرآمد بوده‌اند. برای مثال سیستم‌های مبتنی بر یادگیری ماشین می‌توانند تقلب در تراکنش‌های مالی در مقیاس وسیع را تشخیص دهند و باعث رونق گرفتن تجارت الکترونیک شوند. کامپیوترها در مدل‌سازی و کنترل زنجیره‌های تامین در تولید و مراقبت‌های بهداشتی ضروری هستند. آن‌ها به نمایندگان بیمه، پزشکان، مربیان و فیلم‌سازان کمک می‌کنند.

 او می‌نویسد، با وجود آن‌که چنین پیشرفت‌هایی با عنوان فناوری هوش مصنوعی نامیده می‌شوند، سیستم‌های بنیادین شامل استدلال یا تفکر سطح بالا نیستند. این سیستم‌ها انواع بازنمایی‌ها و استنباط‌های معنایی که انسان‌ها قادر به انجام آن هستند را شکل نمی‌دهند. آن‌ها اهداف بلند مدت را تدوین و دنبال نمی‌کنند.

او می‌نویسد: «به نظر نمی‌رسد در آینده نزدیک کامپیوترها بتوانند در زمینه استدلال در موقعیت‌های واقعی حریف انسان‌ها شوند. ما نیازمند الگوریتم‌های هوشمندی هستیم که بتوانند با انسان‌ها در ارتباط با مشکلات فوری تعامل واقعی داشته باشند. باید درک کنیم رفتار هوشمندانه سیستم‌ها در مقیاس بزرگ بیشتر از تعاملات میان عامل‌ها ناشی می‌شوند. به بیان دقیق‌تر، آن‌ها سعی می‌کنند ارتباطی میان عامل‌ها را برای ارائه پاسخ پیدا کنند. در حالی که هوش انسانی بر مبنای تجربیات قبلی و شباهت‌های رخدادها به یکدیگر به دنبال پاسخ می‌رود.»

جردن می‌گوید: «فکر می‌کنم که ما اجازه‌ داده‌ایم اصطلاح مهندسی در حوزه فکری کمرنگ جلوه داده شود.» زمانی که مردم می‌خواهند به یک تحقیق رویایی اشاره کنند از واژه علم به جای مهندسی استفاده می‌کنند. عباراتی مانند مهندسی به تنهایی کمکی نمی‌کنند. من فکر می‌کنم که یادآوری این نکته مهم است که علیرغم همه کارهای شگفت‌انگیزی که علم برای بشر انجام داده، این مهندسی عمران، برق، شیمی و دیگر زمینه‌های مهندسی است که عمیق‌ترین و بهترین تجربه‌های انسان را رقم زده‌اند.»

ساختن یک جامعه

جردن می‌گوید IEEE یکی از تاثیرگذارترین موسسات تحقیقاتی در جهان است که سرمایه‌گذاری آن‌ها روی مباحث مهم علمی باعث شده تا انجمن‌های مهم با یکدیگر در ارتباط باشند. او همچنین از سیاست‌های اندیشمندانه انتشارات IEEE قدردانی می‌کند. بسیاری از مقالات وی در کتابخانه دیجیتالی IEEE Xplore موجود هستند. او می‌گوید: «فکر می‌کنم ناشران تجاری مدلی از کسب‌و‌کار را ساخته‌اند که در حال حاضر اثرگذاری کمی دارد و در واقع جریان اطلاعات را مسدود می‌کند.»