هوش مصنوعی رؤیای دیرینه انسان که جنون به همراه دارد، ما همیشه به دنبال ساختن موجودی همانند خود بوده‌ایم و از دیرباز به دنبال پیدا کردن موجودات هوشمند در دیگر سیارات گشته‌ایم این را درون تمام کتیبه‌های باستانی نیز می‌توان یافت؛ اما آیا تاکنون به این موضوع فکر کرده‌اید که توسعه بی حد و مرز هوش مصنوعی ممکن است به خلق موجودات رباتیک جدیدی شود که روزی زندگی انسان‌ها را با خطرات جدی مواجه کند؟

هوش مصنوعی AutoML که توسط گوگل طراحی شده و مجهز به فناوری یادگیری ماشینی است و به تازگی توانست کدهایی را طراحی کند که عملکرد بهتری نسبت به کدهای نوشته شده از سوی طراحان این ربات نرم‌افزاری دارد. یکی از مهندسین شرکت گوگل به تام Jeff Dean، در تازه ترین سخنرانی خود در میان محققین چینی و اهالی سیلکون ولی از AutoML به عنوان یک الگوریتم ساده یادگیری یاد کرد که به لطف هوش مصنوعی، می‌تواند خالق کدهای جدید باشد!

قطعا این آخرین اتفاق نادری نیست که دنیای ربات‌ها و هوش مصنوعی به خود دیده و بشر روز به روز در حال نزدیک‌تر شدن به ساخت ماشین‌های خودآگاه است. AutoML می‌تواند پایه گذار استفاده از هوش مصنوعی مبتنی بر رباتیک در تولید سخت افزار و نرم افزارهایی شود که خود می‌توانند تصمیم گیری کرده و حتی بسیاری از امور را از خلق کنندگان خود بهتر انجام دهند. بیشترین تمرکز بادگیری ماشینی تقلید از شبکه عصبی انسان و تلاش برای گنجاندن داده‌های بیشتر و بیشتر درون این شبکه‌ها است و این کاری است که ماشین‌ها در صورتی که آموزش کافی ببینند به خوبی از پس آن برمی‌آیند؛ بخش دشوار آن تقلید از ساختار مغز انسان است.

گوگل در نهایت قصد دارد تا زمانی که این سیستم عملکردی بی‌نقص داشته باشد روی تکمیل کردن آن کار کند تا پس از تکمیل مهندسان بتوانند از این سیستم برای کاربرد‌های عملی استفاده کنند. توسعه خودکار سامانه‌های هوش مصنوعی اهمیت زیادی دارد چون تعداد افرادی که در زمینه طراحی سیستم‌های هوش مصنوعی تخصص داشته باشند بسیار کم است. به عنوان مثال تخمین زده می‌شود که در حال حاضر تنها 10 هزار نفر قادر به ایجاد الگوریتم‌های فوق پیشرفته و گاهی گنگ به منظور خلق یک هوش مصنوعی هستند. این موضوع به خودی خود نشان می‌دهد که یادگیری ماشینی به چه میزان می‌تواند بر توسعه هوش مصنوعی که پایه گذار خود یادگیری ماشینی است تاثیر گذارد باشد. طراحی لایه‌های مختلف هوش مصنوعی به هزینه‌های سنگین و صرف زمانی طولانی نیاز دارد، اما توسعه سیستم‌هایی که بتوانند خود را تکثیر کرده و سیستم‌های دیگری به وجود بیاورند می‌تواند سرعت پیشرفت در این زمینه را به مراتب افزایش دهد.

شاید این موضوع در نگاه اول کمی گیج کننده باشد، اما چندین سال پیش در سری فیلم‌های ترمیناتور شاهد ربات‌هایی بوده‌ایم که قابلت خود تعمیری داشته و می‌توانند نسل به نسل پیشرفت کنند. در سوی دیگر به یاد داشته باشید که گوگل تنها شرکتی نیست که بر روی هوش مصنوعی و یادگیری ماشینی سرمایه گذاری کرده، به طوری که فیس‌بوک، مایکروسافت، آمازون و سایر غول‌های چینی و کره‌ای نیز سالانه ده‌ها و بلکه صدها میلیون دلار در بخش توسعه هوش مصنوعی خود سرمایه گذاری می‌کنند.

الگوریتم‌های شبکه عصبی برای تحلیل عکس‌ها نیز استفاده می‌شوند. مثلاً با پیدا کردن ساختارهای کوچک درون پیکسل‌ها، مانند یک لبه در عکس. سپس این ساختارها از لایه‌ای می‌گذرند که چنین ساختارهایی را می‌شناسند. بعد از آن لایه دیگری است که ساختارهای سازنده یک لبه را شناسایی می‌کنند مانند گوشه‌ها. به همین ترتیب لایه‌ها ادامه پیدا می‌کنند. گوگل در حال حاضر در چندین محصول خود از این سیستم به صورت آزمایشی و غیرآزمایشی استفاده می‌کند. می‌توان کاربردهای مختلف این سیستم را در هر حوزه و هر جایی که نیاز به پیش‌بینی باشد تصور کرد.

البته توجه داشته باشید که شیوه عملکرد این فناوری در حوزه‌های مختلف با یکدیگر فرق دارد و هوش مصنوعی به کار رفته در نرم افزار تشخیص صدا، با نمونه به کار رفته در سیستم آنالیز ترافیک یک وب‌سایت فرق دارد. ایجاد شبکه‌های عصبی که پایه فناوری یادگیری ماشینی هستند، مستلزم کد نویسی های فوق سنگین که کوچک‌ترین خطاها با فرمول‌های ریاضی در آن‌ها پیش‌بینی شده است و همان‌طور که گفته شد میزان تعداد افرادی که قادر به انجام این امور هستند، نسبت به جمعیت کل جهان بسیار ناچیز است.

خطرات هوش مصنوعی

هیچ فردی در جهان نمی‌تواند مدعی شود که هوش مصنوعی برای زندگی انسان‌ها مفید نیست؛ اما سوال اصلی این است که توسعه بدون مرز این فناوری می‌تواند خطر ساز باشد؟

در حال حاضر بحثی وجود دارد در مورد این‌که قادر بودن به تحقیق در مورد یک سیستم هوش مصنوعی و چگونگی دستیابی آن به نتایج مطلوبش، یک حق قانونی پایه‌ای است. اتحادیه‌ی اروپا ممکن است از تابستان سال ۲۰۱۸ درخواست کند که شرکت‌ها بتوانند به تصمیم‌گیری‌های مربوط به سیستم‌های خودکار دست پیدا کنند. البته این کار ممکن است غیر ممکن باشد؛ حتی برای سیستم‌هایی که در سطحی نسبتا ساده به نظر می‌رسند؛ سیستم‌هایی مانند برنامه‌ها و وب‌سایت‌هایی که از یادگیری عمیق برای ارائه‌ی تبلیغات یا آهنگ‌های درخواستی استفاده می‌کنند. کامپیوترهایی که این سرویس‌ها را اجرا می‌کنند، به‌نوعی خودشان کار برنامه‌ریزی خود را صورت داده‌اند و این کار را هم به شیوه‌ای انجام داده‌اند که نمی‌توانیم درک کنیم. حتی مهندسانی که این برنامه‌ها را می‌سازند نیز نمی‌توانند رفتار آن‌ها را به‌طور کامل توضیح دهند.

هوش مصنوعی همیشه هم به شکل فعلی نبوده است. از همان ابتدا، دو فرضیه کلی در مورد چگونگی قابل فهم بودن یا قابل توضیح بودن هوش مصنوعی وجود داشت. بسیاری فکر می‌کردند که ساختن ماشین‌هایی منطبق بر قواعد و منطق کار معقول‌تری است و می‌توانند با بررسی در کدهای آن‌ها به روند کار آن‌ها دست یابند. دسته‌ی دیگر احساس می‌کردند که اگر ماشین‌ها از دنیای زیست‌شناسی الهام بگیرند و بر مبنای مشاهده و تجربه کار کنند، هوشمندی آن‌ها بیشتر پدیدار می‌شود. این برداشت مستلزم این بود که آن‌ها مرحله‌ی برنامه‌نویسی کامپیوتری را در مغز آن سیستم جای دهند تا به‌جای اینکه یک برنامه‌نویس دستورات را برای حل یک مسئله بنویسد، خود برنامه، الگوریتم مختص خود را بر اساس داده‌های نمونه و خروجی مورد نظر تولید کند.

با فرض اینکه سیستم‌های بهره‌مند از هوش مصنوعی نیرومند می‌توانند درست مانند یک انسان به همان سطح از هوش کلی برسند و با در نظر داشتن اینکه قادرند نمونه‌های دیگری از خود ساخته و خودشان را از نو برنامه ریزی کنند، آنگاه این تصور ایجاد می‌شود که عاقبت می‌توانند به صورت ناخواسته به ایجاد ابر نبوغ مصنوعی بی انجامند. البته آن چیزی که فعلا با آن رو به رو هستیم، صرفا به تشخیص گفتار انسان و یا تحلیل ابر داده‌ها محدود شده است، با این حال محتمل است که هوش مصنوعی سازگار با فناوری یادگیری ماشینی، در صورت نبود ساز کار مناسب می‌تواند برای آینده بشریت خطر ساز باشد.

برای اینکه از تمامی اخبار در اولین فرصت مطلع شوید با کانال تلگرام ما با آی دی faceitmag@ همراه باشید.