داســــــــــتان هوش مصنــــــــــــوعی

در مغز

این موجود غیر قابل تجربه

رازهایی ست برای کشف نشدن

 در این مقاله، برخلاف باور عموم که هوش مصنوعی را یک کپی نزدیک به اصل از هوش انسانی قلمداد می‌کند بر تفاوت‌های بنیادین عملکرد مغز انسان و هوش مصنوعی تأکید شده است. برای تبیین این موضوع مروری کوتاه بر مسیر توسعه‌ی هوش مصنوعی طی دهه‌های گذشته ارائه شده و به برخی پروژه‌های بزرگ و تعیین کننده در این زمینه اشاره گردیده است. در ادامه چالش‌ها و تهدیدات استفاده‌‌ی غیرهوشمندانه از هوش مصنوعی چه در کاربردهای عمومی و چه در حوزه‌ی صنعتی مطرح شده و بر لزوم حذر از نگاه سطحی به مقوله‌ی هوش مصنوعی تأکید گردیده است.

در اولین شماره از دوره‌ی جدید صنعت هوشمند در فروردین 1404، به سه نسل هوش مصنوعی اشاره شد و عنوان گردید که دنیا هم اکنون چند سالی ست که در نسل سوم یا موج سوم هوش مصنوعی قرار گرفته است و این نسل سوم از لحاظ الگوریتم‌های ارائه شده، اختلافات بنیادینی با الگوریتم‌های نسل دوم ندارد. نقطه‌ی ضعف یادگیری ماشین نسل دو، عدم پاسخگویی سخت‌افزار، متناسب با انتظار ایجاد شده توسط نرم‌افزار بود که باعث فروکش کردن رشد روش‌های مبتنی بر سامانه‌های هوشمند به مدت دو دهه شد.

اما ناکامی حل مسائل با استفاده از سخت‌افزارهایی که در آن زمان، یعنی 30 سال پیش نیز، میلیاردها برابر سرعت مغز انسان بود، در برابر سرعت بی‌مانند مغزِ در حل آن مسائل، پژوهشگران و طراحان الگوریتم‌های نسل دو را به سمت دیگری روانه کرد و آن، کشف معمای مغز در حل مسائل پیچیده با سرعتی خیره کننده است و این در حالی ست که عملکرد مغز مبتنی بر نقل و انتقال یون‌های عناصر مختلف در آن است که اصولاً فرآیندهایی بسیار کند به حساب می آیند.

به عبارت دیگر، تقریباً تمامی طراحان الگوریتم‌های یادگیری نسل دو، در برابر این پارادوکس بزرگ مغز، یا به کلی کار بر روی هوش مصنوعی نسل دو را کنار گذاشتند و یا در مسیر کشف رازهای حاکم بر مغز قرار گرفتند و بدین ترتیب هم اکنون نزدیک به 30 سال است که بر پژوهشگران و طراحان الگوریتم‌های شبکه‌های عصبی نسل دو ثابت شده است که آن الگوریتم‌های یادگیری، اصولاً ارتباطی با مکانیزم‌های پردازشی حاکم بر مغز ندارد.

اما آن دسته از پایه‌گذاران نسل دو که در مسیر کشف رازهای مغز قرار گرفتند، خود به دو دسته تقسیم شدند، دسته‌ی اول پس از مدتی به دلیل تناقضات فراوانی که در مسیر کشف مغز با آن برخورد می کنیم، ادامه‌ی این مسیر را  کنار گذاشتند و دسته‌ی دوم، آنها که اهداف بلند پروازانه‌ای تعریف کرده و بر اساس آن، بودجه‌های قابل ملاحظه‌ای نیز دریافت کردند.

نمونه‌ی بارز این دسته‌ی دوم، پروژه‌ای با نام Blue Brain است که اولین بار، بیست سال پیش در دانشگاه EPFL سوئیس تعریف شد و سپس در ادامه‌ی مسیر، با اهداف بلند پروازانه‌ای که توسط هنری مارکرام به عنوان یکی از مدیران اصلی این پروژه در یک سخنرانی اظهار شد، توانست بودجه‌ی یک و سه دهم میلیارد یورویی اتحادیه‌ی اروپا را به‌دست آورد.

ادعای مارکرام این بود:

 در طول ۱۰ سال، به یک مغز شبیه‌سازی شده‌ی کامل از انسان دست خواهیم یافت.

ادعای مارکرام این بود:

 در طول ۱۰ سال، به یک مغز شبیه‌سازی شده‌ی کامل از انسان دست خواهیم یافت.

اکنون که ۲۰ سال از شروع پروژه‌ی Blue Brain می گذرد، نه تنها به هدف غیرممکن شبیه‌سازی مغز، نزدیک نشده است بلکه در طول مسیر، هنری مارکرام از مدیریت پروژه کنار گذاشته شد و این پروژه در سال ۲۰۲۴ و با صرف بودجه‌های فراوان، تنها به عنوان ابزاری برای تحقیقات علوم اعصاب به کار گرفته شد. از این نوع پروژه‌ها در مقیاس کوچک و بزرگ و در کشورهای مختلف نظیر آمریکا، چین، ژاپن، استرالیا و دیگر مراکز تحقیقاتی جهان بسیار تعریف شده است.

نکته‌ی قابل توجه در این زمینه‌ی بسیار حساس پژوهشی یعنی مغز، آن است که هر چه پروژه بزرگ‌تر تعریف شود، دست نیافتنی‌تر می‌شود.

در مغز

این موجود غیر قابل تجربه

رازهایی ست برای کشف نشدن

در مغز

این موجود غیر قابل تجربه

رازهایی ست برای کشف نشدن

اما از سرنوشت پیشگامان توسعه دهنده‌ی الگوریتم‌های یادگیری و طراحان شبکه‌های عصبی نسل دو که پایه‌های هوش مصنوعی نسل سه است، می‌گذریم و به دنیای کاربران هوش مصنوعی نسل 3 باز می‌گردیم.

بدین ترتیب تاریخ در مسیری قرار گرفت که در غیاب الگوریتم‌های مبتنی بر پردازش مغز، سرعت سخت‌افزارهای جدید به‌گونه‌ای بالا رفت، که همان الگوریتم‌های نسل دو با تغییراتی غیربنیادین، مبنای حل مسائلی شد که این بار به دلیل همین سرعت بالا، در زمانی کوتاه به جواب‌های قابل قبول می‌رسید و در همین دوران ده ساله‌ی اخیر بود که پردازش زبان طبیعی[i] یا NLP  نیز دقیقاً به دلیل همین پردازش‌های سریع سخت‌افزاری، در سر فصل مسائل هوش مصنوعی عمومی قرار گرفت.

چنانکه قبلاً گفته شد، آنچه که هم اکنون به عنوان هوش مصنوعی شناخته می‌شود، اصولاً هیچ ارتباطی با فرآیندهای پردازشی مغز ندارد

آنچه که هم اکنون به عنوان هوش مصنوعی شناخته می‌شود، اصولاً هیچ ارتباطی با فرآیندهای پردازشی مغز ندارد

و صرفا ساختارها یا فیلترهایی وفقی ست که متناسب با ورود اطلاعات به آنها، تغییراتی در اتصالات آنها ایجاد شده و با این تغییرات، به تدریج پاسخ‌های آنها به سؤالات یا ورودی‌های آموزشی، قابل قبول‌تر می‌گردد تا جایی که شبکه‌ای به دست می‌آید که یاد گرفته است تا نه تنها بهترین پاسخ‌ها را به ورودی‌های قبلی بدهد بلکه خاصیت تعمیم نیز در آن شکل گرفته و پاسخ‌هایی قابل قبول برای ورودی‌های جدید نیز خواهد داشت.  

آنچه که اقبال به هوش مصنوعی نسل 3 را در سال‌های اخیر، بسیار زیاد نموده است، ظهور پدیده‌ی ChatGPT در سال 2022 بود که به دنبال آن، ظهورِ رشته‌ای از اپلیکیشن‌های زیرمجموعه‌ی NLP یا چت بات‌ها را به‌عنوان نمادی از هوش مصنوعی عمومی به همراه داشت، اما استفاده از این چت بات‌ها چالش‌هایی اساسی به همراه دارد:

• چالش اول به کاربر ارتباطی ندارد و متوجه سازنده‌ی چت بات است. این ساختارهای هوش مصنوعی مصارف انرژی بالایی دارند و هسته‌های پردازشگر آنها باید به روش‌های مختلف خنک شوند به عبارت دیگر به ازای هر سؤال یا پرامپت ساده‌ی کاربر، انرژی قابل توجهی به کار گرفته می‌شود. ریشه‌ی اصلی چنین مقادیر بالایی از انرژی به همان اختلاف بنیادین این ساختارهای هوش مصنوعی و ساختارهای درون مغز برمی‌گردد. لازم به ذکر است که بسیاری از عملیات پردازشی در مغز با ماهیت محاسباتی بسیار پیچیده‌تر، با صرف انرژی‌های ناچیز در فیزیولوژی بدن انسان انجام می‌پذیرد در حالی که اگر پردازش‌های مغز و هوش مصنوعی از یک جنس بود، برای انجام هر فرآیند ساده‌ای در مغز، به یک نیروگاه بزرگ جهت تأمین انرژی نیاز بود.

که این نیز نشان دهنده‌ی فاصله‌ی عمیق میان مغز و هوش مصنوعی ست.

• چالش دوم به کاربر و نحوه‌ی استفاده از هوش مصنوعی بر می‌گردد. در زمان‌های قدیم کتاب‌هایی بود به نام حل‌المسائل و افرادی که تکالیف خود را از روی حل‌المسائل می نوشتند از قدرت تحلیل و تعمیم فاصله می‌گرفتند. به عبارت دیگر این افراد در بهترین حالت، تنها قادر به حل مسائلی بودند که نمونه‌ی آن را در حل‌المسائل دیده بودند. بدین ترتیب قدرت بی‌مانند مغز در یادگیری، بدون استفاده می‌ماند و چنین مغزهایی تا پایان عمر در حد حل یا انجام فعالیت‌هایی تکراری کارایی داشت. همان چیزی که امروزه توسط ماشین با قدرت و سرعت بسیار بالاتری قابل انجام است. اینها همان افرادی هستند که تنها توانایی انجام کارهای تکراری را دارند و در دنیای امروز، توسط ماشین به راحتی و به سرعت حذف می‌شوند.

یکی از قسمت‌های تاریک هوش مصنوعی عمومی در این نقطه قرار گرفته است که استفاده‌ی هوشمندانه از چت بات‌ها به استفاده‌ی همیشگی از آنها تبدیل می‌گردد و این اتفاقی شایع، در همه جای دنیاست.

یکی از قسمت‌های تاریک هوش مصنوعی عمومی در این نقطه قرار گرفته است که استفاده‌ی هوشمندانه از چت بات‌ها به استفاده‌ی همیشگی از آنها تبدیل می‌گردد و این اتفاقی شایع، در همه جای دنیاست.

در این نوع استفاده، قدرت تحلیل و استنتاج و بالاتر از آن، خلاقیت که صفت متمایز کننده‌ی انسان از حیوان و ماشین است به تدریج از انسان گرفته شده و انسان به سرعت از مدیریت و رهبری هوش مصنوعی به بردگی هوش مصنوعی تبدیل می‌شود، اتفاقی که با سرعت در حال انجام است.

و این سیاه‌ترین نقطه‌ی هوش مصنوعی در استفاده‌های عمومی آن است.  

برای رهایی از این نقطه‌ی سیاه و قرارگیری در نقطه‌ی روشن هوش مصنوعی لازم است مسیر استفاده‌ی هوشمندانه به‌سرعت ریل گذاری شود.

از چت بات‌ها که بگذریم، به جنبه‌های صنعتی استفاده از هوش مصنوعی یا هوش مصنوعی صنعتی می‌رسیم  که مشخصاً با ظهور نسل دو هوش مصنوعی به‌صورت پراکنده از مدل‌های نسل دو در حل مسائل صنعتی استفاده شد. اما چنانچه گفته شد به دلیل جوابگو نبودن سرعت سخت‌افزار متناسب با نیازهای نرم‌افزار، به مدت دو دهه، هوش مصنوعی صنعتی نیز کنار گذاشته شد تا اینکه در دهه‌ی دوم قرن بیست و یک در قالب مفهومی به نام انقلاب صنعتی 4 یا صنعت 4 مجددا و این بار به‌صورت منسجم، مدل‌های هوش مصنوعی در پکیج‌های صنعت 4 با تکیه بر سخت‌افزارهای قدرتمند ولی عمدتاً با همان الگوریتم‌های نسل دو با قدرت ارائه گردید.

از معدود الگوریتم‌های به ظاهر جدید در هوش مصنوعی نسل 3 که در صنعت 4 و در حل مسائل صنعتی مختلف، به وفور به کار گرفته می‌شود، می‌توان از «یادگیری عمیق» نام برد که چیزی غیر از پیچیدگی ظاهری همان الگوریتم‌های نسل دو نیست. نکته‌ی متفاوت یاد گیری عمیق به عنوان الگوریتم یادگیری ظاهراً متفاوت نسل 3 نسبت به نسل گذشته، نه در تحولاتی بنیادین در ساختار الگوریم، که در تعداد بسیار زیاد داده‌های ورودی به منظور آموزش شبکه نهفته است که این نیز به دلیل ظهور همان سخت‌افزارهای پر قدرت نسل 3 هوش مصنوعی ست.

در استفاده از نسل سوم هوش مصنوعی در صنعت و یا در استفاده از هوش صنعتی در صنعت 4، مجدداً همان چالش‌های عمومی هوش مصنوعی وجود دارد:

• چالش اول مشابه چالش اول فوق‌الذکر، به استفاده‌ی گسترده از انرژی در حل مسائل بر می‌گردد که همانگونه که گفته شد، به دلیل ماهیت کاملاً متفاوت الگوریت‌های مغز با الگوریتم‌های هوش مصنوعی ست که متأسفانه هر روز این فاصله بیشتر می‌گردد و شیفتگی سرعت بالای سخت‌افزار، هوش مصنوعی صنعتی را نیز به ورطه‌ی تاریک هوش مصنوعی عمومی انداخته است.
• چالش دوم نیز تا حدودی به چالش دوم عمومی که در بالا گفته شد نزدیک است.

سمپوزیوم فولاد کیش با موضوع نقش انقلاب صنعتی 4 و 5 و هوش مصنوعی در تولید فولاد سبز در تاریخ 6 تا 8 آبان 1404 برگزار شد و چنانچه از موضوع همایش نیز مشخص است، انتظار می‌رفت که بخش عمده‌ای از مقالات، پیرامون موضوع هوش مصنوعی باشد و اینگونه نیز بود و بیش از نیمی از مقالات در همین زمینه ارائه گردید.

این علاقمندی به هوش مصنوعی تنها در ارائه دهندگان مقالات نبود و داخل سالن‌های جلسات هوش مصنوعی و حتی بیرون آن، پر از مشتاقان این زمینه‌ی وایرال شده از فناوری بود، اما محتوای ارائه شده در مقالات چه بود؟

اکثریت قریب به اتفاق مقالات به تعریف و حل یک مسئله‌ی بهره‌برداری و یا تعمیر و نگهداری در زنجیره‌ی فولاد می‌پرداخت که با استفاده از یکی از شبکه‌های عصبی و یا به بیان کلی‌تر، یکی از الگوریتم‌های یادگیری ماشین به حل آن مسئله پرداخته شده بود و در این میان، روش‌های یادگیری عمیق و ساختارهای مرتبط با آن ، بیشتر مورد توجه قرار گرفته بود.

طلایی‌ترین نکته‌ها در استفاده از الگوریتم‌های هوش مصنوعی صنعتی، دو مورد زیر است:

• مسئله‌ای که قرار است حل شود باید به‌طور کامل توسط حل کننده، شناخته شده و روش‌های کلاسیک حل آن برای وی مشخص باشد، پس از آن است که، آن مسئله‌ی بزرگ و معمولاً پیچیده، به چندین مسئله‌ی کوچک تقسیم شده و برخی از این مسائل کوچک در صورت برقراری شرط 2، توسط الگوریتم هوشمند مناسب حل می‌گردد.
• هیچ الگوریتم هوشمند یا شبکه‌ی عصبی کاندیدی جهت حل آن مسائل کوچک قابل استفاده نیست مگر آنکه جزییات الگوریتم یادگیری آن، توسط حل کننده‌ی مسئله به دقت شناخته شود. به عبارت دیگر یکی از نکات تاریک دنیای هوش مصنوعی صنعتی، عدم شناخت ماهیت شبکه‌های عصبی و افتادن در دام ساختارهای به ظاهر همه کاره، مانند یادگیری عمیق است که در عمل به نتیجه‌ی مطلوب نمی‌رسد.

در نظر داشته باشید که هر مسئله‌ای که صرفاً با در دست داشتن مجموعه‌ی الگوهای آموزشی ورودی – خروجی، بدون آشنایی با فیزیک مسئله و بدون آشنایی با الگوریتم‌های یادگیری، توسط یک ساختار هوش مصنوعی حل شود ، در آینده‌ی نزدیک توسط ماشین با بهترین عملکرد، مدل‌سازی خواهد شد.

سمپوزیوم فولاد کیش تنها یک نمونه از ده‌ها رویداد مرتبط با هوش مصنوعی ست که امروزه به وفور در گوشه و کنار کشور هم در بخش خصوصی و هم در بخش دولتی برگزار می‌شود و در اکثریت قریب به اتفاق آنها، تنها پوسته‌ای شکننده از هوش مصنوعی به کار گرفته شده است.

در بخش دوم از داستان هوش مصنوعی، به سردرگمی نظام حکمرانی ایران و راه حل‌های انجمن اتوماسیون صنعتی در سامان‌دهی این ابزار وسوسه انگیز، پرداخته خواهد شد.

در گذشته

یک راه سخت بود و ده بی راه

هوش مصنوعی آمد

یک راه سخت را آسان کرد

و هزار بی راه آفرید

تا گم شویم

در این هزار

خلیل سجاد
آبان 1404

[i] Natural Language Processing