چالشهاي بنيادين هوشمصنوعي
البته امروزه هوش مصنوعي به واقعيت نزديك شده است و تقريباً ميتوان گفت وجود دارد، اما دلايل اساسي متعددي وجود دارند كه نشان ميدهند چرا هنوز شكل تكامل يافته هوشي كه تورينگ تصور ميكرد، به وقوع نپيوسته است. به طور كلي خود نظريه تورينگ مخالفاني جدي دارد. بعضي از اين منتقدان اصلاً هوش ماشيني را قبول ندارند و برخي ديگر صرفاً كارآمدي آزمون تورينگ را براي اثبات هوشمندي زير سؤال ميبرند. يكي از مهمترين مباحث مطرح در اين زمينه، موضوع شبيهسازي است. غالباً پرسيده ميشود آيا صرف اينكه ماشيني بتواند نحوه صحبت كردن انسان را شبيهسازي كند، به معني آن است كه هوشمند است؟ به عنوان مثال، شايد شما هم درباره روباتهاي نرمافزاري كه ميتوانند چت كنند (Chatter Bots) چيزهايي شنيده باشيد.(1) اين روباتها از روشهاي تقليدي استفاده ميكنند و به تعبيري، نمونه مدرن و اينترنتي آزمون تورينگ هستند.
مثلاً روبات ELIZA يكي از اينهاست. اين روبات را ژوزف وايزن بام، يكي ديگر از پژوهشگران نامدار اين حوزه اختراع كرد. اليزا در برخي مكالمات ساده ميتواند طرف مقابل خود را به اشتباه بيندازد. طوري كه مخاطب ممكن است فكر كند درحال گپ زدن با يك انسان است. البته اليزا هنوز نتوانسته است آزمون تورينگ را با موفقيت پشت سر بگذارد. با اين حال تكنيكهاي شبيهسازي مورد انتقاد گروهي از دانشمندان است. يكي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام جان سيرل (John Searle) مطرح كرده است. او معتقد است بحث هوشمندي ماشينهاي غيربيولوژيك اساساً بيربط است و براي اثبات ادعاي خود مثالي ميآورد كه در مباحث تئوريك هوش مصنوعي <بحث اتاق چيني> ناميده ميشود. سيرل ابتدا نقد خود درباره هوش ماشيني را در 1980 مطرح كرد و سپس آن در مقاله كاملتري كه در 1990 منتشر كرد، بسط داد.
ماجراي اتاق چيني به اين صورت است: فرض كنيد داخل اتاقي يك نفر نشسته است و كتابي از قواعد سمبولهاي زبان چيني در اختيار دارد. براي اين فرد عبارات - سمبولهاي - چيني روي كاغذ نوشته ميشود و از زير درِ اتاق به داخل فرستاده ميشود. او بايد با مراجعه به كتاب قواعد پاسخ مناسب را تهيه كند و روي كاغذ پس بفرستد. اگر فرض كنيم كتاب مرجع مورد نظر به اندازه كافي كامل است، اين فرد ميتواند بدون اينكه حتي معني يك نماد از سمبولهاي زبان چيني را بفهمد، به پرسشها پاسخ دهد. آيا ميتوان به اين ترتيب نتيجه گرفت كه پاسخ دهنده هوشمند است؟
استدلال اصلي اين منتقد و ديگر منتقدان موضوع شبيهسازي اين است كه ميتوان ماشيني ساخت (مثلاً يك نرمافزار لغتنامه) كه عبارات و اصطلاحات را ترجمه كند. يعني ماشيني كه كلمات و سمبولهاي ورودي را دريافت و سمبولها و كلمات خروجي را توليد كند؛ بدون اينكه خود ماشين معني و مفهوم اين سمبولها را درك كند. بنابراين آزمون تورينگ حتي در صورت موفقيت نيز نميتواند ثابت كند كه يك ماشين هوشمند است.
در مقابل اين انتقاد دو نظر وجود دارد: يك دسته از دانشمندان كه بيشتر به نظريه تورينگ معتقدند، ميگويند اساساً چه دليلي وجود دارد كه باور نكنيم (دستكم) بخش بزرگي از آنچه را كه هوشمندي انسان تلقي ميكنيم، معلومات تقليدي تشكيل داده باشد؟ در واقع تمام سندي كه ما درباره متفكر بودن انسان داريم رفتاري است كه انديشه او پديد ميآورد، ولي درباره ماهيت و ساختار اين انديشه چيز زيادي نميدانيم. دسته دوم، كساني هستند كه معتقدند اگر ماشينها بتوانند با دنياي پيرامون خود كنش و واكنش داشته باشند، آنگاه ميتوانند فكر كنند. منظور اين است كه كامپيوترها نيز مانند ما داراي حس بينايي، شنوايي، لامسه و حسهاي ديگر باشند. در اين صورت، تركيب همزمان <پاسخهاي تقليدي> با <واكنش مناسب به محيط> يعني همان <هوشمندي>. اتفاقاً كسي مانند جان سيرل نيز تفكرات مشابهي دارد؛ با اين تفاوت كه به طور خاص او شكل ايدهآل كنش و واكنش مورد نياز را همان تعامل بيولوژيكي ميداند.
انتقادات ديگري نيز به آزمون تورينگ وارد ميشود. ازجمله اينكه ممكن است يك ماشين هوشمند باشد، ولي نتواند همچون انسان ارتباط برقرار كند. ديگر اينكه، در آزمون تورينگ فرض ميشود كه انسان مورد آزمايش - يكي از دو نفري كه داخل اتاق در بسته به سؤالات پاسخ ميدهد - به اندازه كافي هوشمند است. در حالي كه با استناد به استدلال خود تورينگ ميتوان نتيجه گرفت كه خيلي از افراد مانند بچهها و افراد بيسواد در اين آزمون مردود ميشوند؛ نه به دليل هوشمندي ماشين، بلكه به دليل نداشتن مهارت كافي در ارتباطگيري از طريق مكاتبه.
مسئله ديگري كه در بحث هوش مصنوعي اهميت دارد، موضوع <قالب و محتوا> است. منظور از قالب يا Context در اينجا، ظرفي است كه محتوا داخل آن قرار ميگيرد.
يكي از پايههاي هوشمندي انسان توجهي است كه او به قالب محتوا - و نه صرفاً خود محتوا - دارد. به عنوان مثال، وقتي ميگوييم <شير>، اين كلمه به تنهايي معاني متفاوتي دارد، ولي هنگامي كه همين واژه داخل يك جمله قرار ميگيرد، فقط يك معني صحيح دارد. انسان ميتواند معاني كلمات را نه فقط به صورت مجرد، بلكه با دنبال كردن نحوه وابستگيشان به جمله تشخيص دهد. مشابه همين هوشمندي، در تمام حسهاي پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمي ثابت شده است كه گوش انسان ميتواند هنگام توجه به صحبتهاي يك انسان ديگر در محيطي شلوغ، كلمات و عباراتي را كه نميشنود، خودش تكميل كند يا چشم انسان ميتواند هنگام مشاهده يك تصوير، قسمتهاي ناواضح آن را با استفاده از دانستههاي بصري قبلي خود تكميل كند.
از اين رو كارشناسان معتقدند، دانش پيشزمينه يا <آرشيو ذهني> يك موجود هوشمند نقش مؤثري در هوشمندي او بازي ميكند. در حقيقت منشأ پيدايش برخي از شاخههاي مدرن و جديد دانش هوش مصنوعي همچون <سيستمهاي خبره> و <شبكههاي عصبي> همين موضوع است و اساسا با اين هدف پديد آمدهاند كه بتوانند به ماشين قدرت آموختن و فراگيري بدهند؛ هرچند كه هر يك از اين شاخهها، از پارادايم متفاوتي براي آموزش به ماشين استفاده ميكنند و همين تفاوتها مبنا و اساس دو جريان فكري عمده در محافل علمي مرتبط با هوش مصنوعي را پديد آوردهاند.
شاخههاي علم هوش مصنوعي
امروزه دانش مدرن هوش مصنوعي به دو دسته اصلي تقسيم ميشود: يكي <هوش مصنوعي سمبوليك يا نمادين> (Symbolic AI) و ديگري هوش غيرسمبوليك كه پيوندگرا (Connection AI) نيز ناميده ميشود.
هوش مصنوعي سمبوليك از رهيافتي مبتني بر محاسبات آماري پيروي ميكند و اغلب تحت عنوان <يادگيري ماشين> يا (Machine Learning) طبقهبندي ميشود. هوش سمبوليك ميكوشد سيستم و قواعد آن را در قالب سمبولها بيان كند و با نگاشت اطلاعات به سمبولها و قوانين به حل مسئله بپردازد. در ميان معروفترين شاخههاي هوش مصنوعي سمبوليك ميتوان به سيستمهاي خبره (Expert Systems) و شبكههاي Bayesian اشاره كرد.
يك سيستم خبره ميتواند حجم عظيمي از دادهها را پردازش نمايد و بر اساس تكنيكهاي آماري، نتايج دقيقي را تهيه كند. شبكههاي Bayesian يك تكنيك محاسباتي براي ايجاد ساختارهاي اطلاعاتي و تهيه استنتاجهاي منطقي از روي اطلاعاتي است كه به كمك روشهاي آمار و احتمال به دست آمدهاند. بنابراين در هوش سمبوليك، منظور از <يادگيري ماشين> استفاده از الگوريتمهاي تشخيص الگوها، تحليل و طبقهبندي اطلاعات است.
اما هوش پيوندگرا متكي بر يك منطق استقرايي است و از رهيافت <آموزش/ بهبود سيستم از طريق تكرار> بهره ميگيرد. اين آموزشها نه بر اساس نتايج و تحليلهاي دقيق آماري، بلكه مبتني بر شيوه آزمون و خطا و <يادگيري از راه تجربه> است. در هوش مصنوعي پيوندگرا، قواعد از ابتدا در اختيار سيستم قرار نميگيرد، بلكه سيستم از طريق تجربه، خودش قوانين را استخراج ميكند. متدهاي ايجاد شبكههاي عصبي (Neural Networks) و نيز بهكارگيري منطق فازي (Fuzzy Logic) در اين دسته قرار ميگيرند.
براي درك بهتر تفاوت ميان اين دو شيوه به يك مثال توجه كنيد. فرض كنيد ميخواهيم يك سيستم OCR بسازيم. سيستم OCR نرمافزاري است كه پس از اسكن كردن يك تكه نوشته روي كاغذ ميتواند متن روي آن را استخراج كند و به كاراكترهاي متني تبديل نمايد.
بديهي است كه چنين نرمافزاري به نوعي هوشمندي نياز دارد. اين هوشمندي را با دو رهيافت متفاوت ميتوان فراهم كرد. اگر از روش سمبوليك استفاده كنيم، قاعدتاً بايد الگوي هندسي تمام حروف و اعداد را در حالتهاي مختلف در بانك اطلاعاتي سيستم تعريف كنيم و سپس متن اسكن شده را با اين الگوها مقايسه كنيم تا بتوانيم متن را استخراج نماييم. در اينجا الگوهاي حرفي-عددي يا همان سمبولها پايه و اساس هوشمندي سيستم را تشكيل ميدهند. روش دوم يا متد <پيوندگرا> اين است كه يك سيستم هوشمند غيرسمبوليك درست كنيم و متنهاي متعددي را يك به يك به آن بدهيم تا آرام آرام آموزش ببيند و سيستم را بهينه كند. در اينجا سيستم هوشمند ميتواند مثلاً يك شبكه عصبي يا مدل مخفي ماركوف باشد. در اين شيوه سمبولها پايه هوشمندي نيستند، بلكه فعاليتهاي سلسله اعصاب يك شبكه و چگونگي پيوند ميان آنها مبناي هوشمندي را تشكيل ميدهند.
در طول دهههاي 1960 و 1970 به دنبال ابداع اولين برنامه نرمافزاري موفق در گروه سيستمهاي مبتني بر دانش
(Knowledge-based) توسط جوئل موزس، سيستمهاي هوش سمبوليك به يك جريان مهم تبديل شد. ايده و مدل شبكههاي عصبي ابتدا در دهه 1940 توسط Warren McCulloch و Walter Pitts معرفي شد. سپس در دهه 1950 كارهاي روزنبالت (Rosenblatt) درمورد شبكههاي دولايه مورد توجه قرارگرفت. در 1974 الگوريتم back propagation توسط Paul Werbos معرفي شد، ولي متدولوژي شبكههاي عصبي عمدتاً از دهه 1980 به اين سو رشد زيادي پيدا كرد و مورد استقبال دانشمندان قرار گرفت. منطق فازي ابتدا توسط پروفسور لطفي زاده، در 1965 معرفي شد و از آن زمان به بعد توسط خود او و ديگر دانشمندان دنبال شد.
در دهه 1980 تلاشهاي دانشمندان ژاپني براي كاربردي كردن منطق فازي به ترويج و معرفي منطق فازي كمك زيادي كرد. مثلاً طراحي و شبيه سازي سيستم كنترل فازي براي راهآهن Sendai توسط دو دانشمند به نامهايYasunobu و Miyamoto در 1985، نمايش كاربرد سيستمهاي كنترل فازي از طريق چند تراشه مبتني بر منطق فازي در آزمون <پاندول معكوس> توسط Takeshi Yamakawa در همايش بينالمللي پژوهشگران منطق فازي در توكيو در 1987 و نيز استفاده از سيستمهاي فازي در شبكه مونو ريل توكيو و نيز و معرفي سيستم ترمز ABS مبتني بر كنترلرهاي فازي توسط اتومبيلسازي هوندا در همين دهه تاثير زيادي در توجه مجدد دانشمندان جهان به اين حوزه از علم داشت.
فراتر از هوشمندي ماشين
چنانكه گفتيم، هوش مصنوعي دانش و مهندسي ساختن ماشينهاي هوشمند، به ويژه كامپيوترهاي هوشمند است. اما براستي هوشمندي چيست؟ در واقع هنوز دانشمندان نتوانستهاند تعريف واحدي از هوشمندي ارائه دهند كه مستقل از <هوش انساني> باشد. ما ميدانيم كه برخي از ماشينها يا جانداران ميتوانند هوشمند باشند، اما بشر هنوز نميداند كه مايل است كدام دسته از فرآيندهاي محاسباتي يا پردازشي را هوشمندي بنامد. بنابراين براي پاسخ دادن به اين پرسش كه <آيا فلان ماشين هوشمند است؟> هنوز فرمول مشخصي وجود ندارد. در واقع هوشمندي، خود يك مفهوم فازي و نادقيق است. هوشمندي را ميتوان يك فرآيند تلقي كرد كه دانشمندان هنوز در حال شبيهسازي، تحليل و حتي تعريف مشخصههاي آن هستند.
موضوع مهم ديگري كه در ارتباط با هوش مصنوعي مطرح است، هدف دانشمندان از بهكارگيري آن است. روشن است كه هدف اوليه بشر از ورود به اين موضوع، شبيهسازي هوش انسان در كالبد ماشين بودهاست. ولي امروزه ديگر چنين نيست و اين تصور كه هدف علم هوشمصنوعي تنها شبيهسازي هوش انساني است، تصوري نادرست است. در حقيقت موضوع شبيهسازي هوش انساني عاملي پيشبرنده در اين حوزه از علم است كه به دانشمندان انگيزه ميدهد تا آن را توسعه دهند، اما در خلال روند توسعه، بشر ميتواند به دستاوردهايي برسد كه در تمام زمينهها كاربرد دارد. سيستمهاي خبره و مبتني بر دانش نمونهاي از اين دستاوردهاست. بسياري از نرمافزارهاي موسوم به سيستمهاي تصميمسازي (Decision Making Systems) در شاخه اقتصاد و يا سيستمهايي كه در تجزيه و تحليل دادههاي علم پزشكي به كار ميروند از اين دستاورد بهره ميگيرند. هوش منصوعي همچنين بستري براي توسعه علومي كه مانند تئوري بازيها يا منطق فازي خود شاخه مستقلي هستند پديد ميآورد تا در سايه همان عوامل انگيزشي، بتوانند رشد و توسعه پيدا كنند.
در عين حال برخي از دستاوردهاي اين علم فراتر از بحث هوشمندي است. به عنوان مثال، افزايش قدرت محاسباتي و پردازشي كامپيوتر همواره به پيشرفت اين علم كمك كردهاست. بنابراين ميزان موفقيت هوش مصنوعي در آينده نه فقط به خبرگي الگوريتمها و متدولوژيها، بلكه به سرعت پردازشها و محاسبات كامپيوتري نيز بستگي دارد. اين دو لازم و ملزوم يكديگرند و به رشد هم كمك ميكنند. شايد پيروزي كامپيوتر Deep Blue بر كاسپاروف، قهرمان شطرنج، تأثير محسوسي بر زندگي روزانه ما نگذاشته باشد. اما همين مسابقه و تلاشهاي ديگري از اين دست، به صنعت كامپيوتر امكان ميدهند، توانايي خود را براي توليد سيستمهاي كارآمدتر و سودمندتري كه در زندگي روزانه بشر كاربرد دارند، افزايش دهد.