امروزه افراد بسیاری در مورد هوش مصنوعی صحبت میکنند. اما آیا منظور ما دستیاران هوشمندی مانند سیری، آلکسا و سایر مواردی که در گوشیهای هوشمند یافت می شوند، است که تنها به صورت خودکار دستورات موجود را اجرا میکنند؟ در حقیقت ما هوش مصنوعی عمومی برای استفاده همگانی ایجاد نکردهایم. ما تاکنون تنها توانستهایم برنامههایی را تولید کنیم که وظایفی محدود و از پیش تعیین شده را به اجرا میگذارند.
کامپیوترها نمیتوانند فکر کنند
هر زمان که یک شرکت اعلام مینماید محصولش با یک ویژگی هوش مصنوعی یا همان AI عرضه میشود. منظور بهرهگیری آن از یک سیستم یادگیری ماشینی و ایجاد یک شبکه عصبی است. به عبارت دیگر یادگیری ماشینی تنها یک تکنیک است که به ماشین آموزش میدهد یک کار خاص را چگونه بهتر انجام دهد. البته در این مطلب قصد نداریم علیه یادگیری ماشینی موضع بگیریم یا آن را بیدلیل به چالش بکشیم. یادگیری ماشینی یک فناوری فوقالعاده خوب با کاربردهای بسیار است.
با این حال درک دلیل عدم گسترش و عمومیت هوش مصنوعی، به طور مستقیم به یادگیری ماشینی مرتبط است. دانستن محدودیتهای یادگیری ماشینی به ما کمک میکند تا بدانیم چرا فناوری هوش مصنوعی تا این میزان محدود و مهجور باقی مانده است.
رویای همیشگی مهندسان از هوش مصنوعی، ساخت نوعی کامپیوتر یا ربات دارای مغز (نوعی ساختار شبیه مغز) است که قادر به تفکر بوده و مانند انسان بتواند درک نماید. یک چنین محصولی را میتوان به عنوان هوش مصنوعی عمومی یا AGI به رسمیت شناخت. به این معنا که میتواند در مورد موضوعات مختلف فکر کند و براساس هوش خود در زمینههای مختلف عمل نماید. یک تعریف مفهومی در این رابطه، هوش مصنوعی عمومی را محصولی میداند که قادر است حس و آگاهی انسانی را تجربه نماید و آن را به عنوان هوش مصنوعی قدرتمند خطاب میکند.
در حقیقت ما این نوع از هوش مصنوعی را نداریم و به دنبال آن هستیم. متاسفانه باید اعتراف کنیم حتی با وجود رشد خیرهکننده علم طی سالهای اخیر، ما هنوز حتی به این تعریف خاص از هوش مصنوعی نزدیک هم نیستیم. نرمافزارهای کامپیوتری مانند الکسا، سیری یا کورتانا هرگز نمیتواند مانند یک انسان درک کنند و فکر و عمل نمایند.
در یک جمله باید گفت آنها اصلا هیچ چیز را اصلا و ابدا درک نمیکنند. هوش مصنوعی که ما امروزه با آن سروکار داریم تنها به درد انجام برخی کارهای خاص و از پیش مشخص شده میخورند. که صدالبته باید به خوبی نیز به آنها، این وظایف خاص را آموزش داده باشیم. به علاوه فرض بر این است که اطلاعات مورد نیاز را نیز انسان در اختیار آنها قرار داده باشد، ولی با این وجود هم هنوز آنها قادر به درک و فهم هیچ یک از این دادهها نیستند.
کامپیوترها درک و فهم ندارند
جیمیل دارای یک ویژگی جدید به اسم پاسخگویی هوشمند (Smart Reply) است که برخی پاسخهای معمول را برای جوابگویی به ایمیلهای دریافتی پیشنهاد میدهد. اما وقتی با برخی پیشنهادات نامعقول و احمقانه پاسخگوی هوشمند روبهرو میشویم، آنگاه بیش از پیش باید به عدم وجود درک و شعور در کامپیوترها ایمان بیاوریم. برای نمونه پاسخگویی هوشمند، عبارت Sent from my iPhone را به عنوان یکی از پاسخهای معمول خود برگزیده است. در نمونه دیگر عبارت I love you را به عنوان پاسخی برای ارسال به انواع ایمیلهای کاری، تجاری و … به شما پیشنهاد میدهد.
علت بسیار ساده است. مشکل خود یادگیری ماشینی است! زیرا کامپیوتر متوجه واکنشها و معنای پاسخها نمیشود. آن فقط آموخته است که افراد بسیاری از این عبارتها در ایمیلهایشان استفاده میکنند ولی نمیتواند درک نماید هیچ کس در پاسخ ایمیل کاری رییس شرکت از عبارت دوستت دارم (I love you) استفاده نمیکند!
در نمونهای دیگر به سراغ سرویس Google Photos میرویم. این سرویس یک مجموعه از تصاویر نامرتب ولی شبیه از لحاظ رنگ و ظاهر را در یک دستهبندی برای ما به نمایش گذاشته است. زیرا در اینجا این سرویس، شباهت اتفاقی بین تصاویر را تشخیص داده بود ولی در حقیقت، قادر به درک و فهم بیارتباط بودن سوژههای موجود در تصاویر با یکدیگر نبود!
ماشینها اغلب تنها روش کلی کار را یاد میگیرند
یادگیری ماشینی اصولا در مورد یک وظیفه خاص و فراگیری روشهای انجام آن و تصمیمگیری در مورد بهترین روش انجام آن کار است. بنابراین از آنجایی که کامپیوتر قادر به درک نیست، برای آن بسیار دشوار خواهد بود تا در نهایت تصمیمی بگیرد که مطابق با خواسته مورد نظر کاربر باشد. در ادامه برای شما لیستی جالب از مواردی که توسط هوشمصنوعی به منظور انجام هوشمندانه بازی (از دید هوش مصنوعی) برنامهریزی کرده است، آوردهام. قسمت فان ماجرا نحوه انجام بازی توسط ماشینی است که تنها روش تئوریک و کلیات بازی را آموخته است. البته تعداد این موارد بسیار زیاد است که شما میتوانید در صورت علاقه لیست کامل را از این لینک مشاهده نمایید.
- در انتهای اولین مرحله بازی هوش مصنوعی عمدا شخصیت بازی را میکشد تا مبدا در مرحله دوم شکست بخورد!
- هوش مصنوعی بازی را متوقف میکند (Pauses) تا از باخت جلوگیری نماید!
- در یک بازی دیگر که چرخه حیات مصنوعی نوعی موجود شبیهسازی شده بود، زنده ماندن نیاز به صرف انرژی داشت ولی تولیدمثل در بازی نیازی به مصرف انرژی نداشت بنابراین هوش مصنوعی اقدام به ایجاد یک زندگی نباتی و بدون تحرک برای موجودات حاضر در بازی نمود تا تنها اقدام به تولیدمثل کرده و از بچهها به عنوان منبع غذایی استفاده نمایند یا آنها نیز برای افزایش تولیدمثل و تولید بچههای خوراکی بیشتر مورد استفاده قرار دهند!
- از آنجاییکه اغلب هوشهای مصنوعی، مردن را به باختن ترجیح میدادند، عمدا سبب هنگ کردن بازی میشدند. به همین علت برخی از این هوشهای مصنوعی شروع به گسترش روشهای مختلف برای هنگ دادن سیستم کردند!
- در موردی دیگری شبکه عصبی برای تقسیمبندی قارچهای خوراکی و سمی براساس دادهها و تصاویر مربوط به آنها مورد آزمایش قرار گرفت ولی عملا سیستم قادر به درک و یادگیری ویژگیها و مشخصات هیچکدام از گونههای قارچ براساس تصاویری دریافتی نشد!
شاید به نظر برسد برخی از این راهحلها هوشمندانه است ولی واقعیت این است که در عمل آنها قادر به انجام هیچ کار درستی نبود و تنها به دنبال خرابکاری، تقلب، دور زدن مسیر و متوقف کردن پیشرفت بودند. در نهایت نیز موفق به انجام صحیح هیچ یک از وظایفی که بر عهده آنها گذاشته شده بود، نشدند. به آنها یک هدف مشخص داده شده بود و امکاناتی برای آموختن روش انجام آن وظیفه. هدف شکست نخوردن بود ولی برای هوش مصنوعی، راحتترین و سریعترین راهحل به منظور شکست نخوردن، عدم انجام بازی و متوقف کردن آن بود!
یادگیری ماشینی و شبکههای عصبی
باید دقت داشت با یادگیری ماشینی، یک کامپیوتر برای انجام یک وظیفه خاص در بهترین شکل ممکن، برنامهریزی نشده است. در واقع آنها تنها بر روی دادههای دریافتی نظارت داشته و عملکرد را در کار مورد ارزیابی قرار میدهد. یک نمونه ابتدایی از یادگیری ماشینی، توانایی تشخیص تصاویر است. برای مثال ما میخواهیم ماشینی را آموزش دهیم تا تصاویری که عکس یک سگ نیز در آنها وجود دارد پیدا کند.
در اینجا ما میتوانیم یک میلیون عکس به کامپیوتر بدهیم که در برخی از آنها نیز تصویر سگ وجود دارد. به علاوه بر روی تصاویری که دارای تصویر سگ هستند برچسبی مبنی بر وجود سگ خواهد بود. اکنون کامپیوتر باید با کمک این راهنمایی، خود را آموزش دهد که اصولا یک سگ به چه شکل است.
یادگیری ماشینی کار آموزش خود را با استفاده از شبکه عصبی آغاز میکند که شامل یک برنامه کامپیوتری با لایههای مختلف است. هر دادهای که به آن وارد میشود در هر لایه به صورت مجزا مورد بررسی قرار میگیرد. وظیفه اختصاصی هر لایه مشخص است و با دیگر لایهها از لحاظ نحوه تصمیمگیری، شدت و درصد احتمالات متفاوت و منحصر به فرد است. این مدل کاری براساس نحوه احتمالی کار مغز انسان شبیهسازی شده است. یعنی لایههای مختلف نورونی که وظیفه سنجش و تفکر بر روی انجام یک کار مشخص را دارند. در اینجا در صورتی که بین دادههای ورودی و خروجی، تعداد لایهها بسیار زیاد باشد، با اصطلاحی با نام آموزش عمیق (Deep learning) مواجه میشویم.
از آنجاییکه ما میدانیم در مجموعه تصاویر، کدام عکسها دربردارنده تصویر سگ هستند پس میتوانیم نتیجه کار شبکه عصبی را مورد بررسی دقیق قرار دهیم و صحت دستهبندی تصاویر را بازبینی نماییم. در شرایط برای مثال اگر شبکه عصبی یک تصویر که فاقد عکس سگ است را به اشتباه دستهبندی کند و دارای سگ تشخیص دهد و سیستمی برای آموزش به شبکه عصبی وجود داشته باشد تا آن را از اشتباه خودش مطلع نماید، شبکه عصبی میتواند با تغییر و تنظیم برخی پیشفرضهای خود، مجددا با دقت بیشتر تلاش خود را از سر بگیرد.
بنابراین در این حالت میتوانیم بگوییم کامپیوتر در شناسایی تصویر سگ، بهتر شده است. حالا اگر تمام این کارها به صورت خودکار روی دهد و کامپیوتر ضمن بررسی ساختار دادهها، خود را آموزش دهد و اشتباهات شبکه عصبی را اصلاح نماید و بار دیگر پیشفرضهای کار را تنظیم نماید، ما این مجموعه را روی هم به عنوان هوش مصنوعی (AI) مینامیم.
ولی هرچقدر هم ماشین خود را به خوبی آموزش دهد و کار را به بهترین نحوه ممکن انجام دهد باز هم در پایان روز یک برنامه کامپیوتری دارید که هیچ درکی از سگ واقعی ندارد! شما یک کامپیوتر دارید که تشخیص میدهد در این تصویر سگ وجود دارد یا خیر. با اینکه این موفقیت بسیار چشمگیر است ولی این تمام کاری است که میتواند انجام دهد و از عهده هیچ وظیفه دیگری برنمیآید. در اینجا شبکه عصبی نسبت به دادههایی که در اختیارش قرار دادهاید، خیلی هم هوشمند به نظر نمیرسد.
برای مثال اگر در مجموعه دادههایی که در اختیار آن قرار دادهاید هیچ توضیح در مورد گربهها داده نشده باشد، به احتمال زیاد شبکه عصبی هیچ تفاوتی بین سگها و گربهها قائل نشود و همه گربهها را نیز به عنوان سگ دستهبندی نماید و به همین سادگی تصاویر گربه را به عنوان عکسهایی از سگ در دسترس کاربران قرار دهد!
کاربرد یادگیری ماشینی چیست؟
یادگیری ماشینی در انجام بسیاری از کارها از جمله قابلیت تشخیص صدا مورد استفاده قرار میگیرد. دستیارهای صوتی چون سیری، الکسا و گوگل به لطف یادگیری ماشینی به خوبی قادر به درک صدای انسان هستند. زیرا آنها را برای تشخیص صدای صحبت کردن انسان آموزش دادهاند. برای این کار آنها با مجموعههای عظیمی از گفتار و صحبتهای انسان مورد آموزش قرار گرفتهاند تا بتوانند علاوه بر تشخیص صدا و لهجه، کلمات را به خوبی بشنوند و آنها را از یکدیگر تفکیک نمایند.
ماشینهای هوشمند خودران، از روشهای یادگیری ماشینی بهره میبرند تا قادر به شناسایی اشیا در جاده و موانع مسیر باشند و بهترین عکسالعمل را نسبت به آنها انجام دهند. در سرویس Google Photos یادگیری ماشینی در همه جا به چشم میخورد از جمله در قسمت Live Albums که به صورت خودکار وظیفه تشخیص افراد و حیوانات را در تصاویر انجام میدهد.
شرکت DeepMind که از شرکتهای تابعه شرکت مادر Alphabet گوگل است، با استفاده از یادگیری ماشینی موفق به خلق AlphaGo شد. این برنامه کامپیوتری قادر به انجام بازیهای پیچیده تختهایست و توانسته است بهترین اساتید در بازیهای مختلف در سطح جهان را شکست دهد. به علاوه یادگیری ماشینی در ساخت کامپیوترهای که میتواند به خوبی اقدام به انجام بازیهایی مانند شطرنج و بازیهای آنلاینی مانند DOTA 2 نمایند، مورد استفاده قرار گرفته است.
یادگیری ماشینی حتی به منظور تشخیص چهره در آخرین مدلهای گوشی آیفون به کار گرفته شده است. آیفون خود یک شبکه عصبی ایجاد میکند تا جزییات چهره شما را بیاموزد، برای این کار مهندسان شرکت اپل از یک موتور عصبی سود جستهاند که برخی از وظایف اصلی آن بر عهده فناوری یادگیری ماشینی است.
به علاوه یادگیری ماشینی در بسیاری موارد دیگر نیز مورد استفاده قرار میگیرد. از شناسایی و تشخیص کارتهای شناسایی جعلی تا پیشنهاد محصولات شخصیسازی شده در وبسایتهای فروشگاهی آنلاین. با این حال هنوز هم هیچ شبکه عصبی ایجاد شده توسط یادگیری ماشینی قادر به درک و فهم نیست. آنها تنها برنامههای مفیدی هستند که میتوانند برخی وظایف ساده را بیاموزند و آن را انجام دهند، همین!