آیا هوش مصنوعی میتواند با ناشناختهها کنار بیاید؟
در سالهای اخیر، هوش مصنوعی (AI) به یکی از داغترین موضوعات تبدیل شده است. از ساخت تصاویر خیرهکننده تا وعدهی ماشینهایی که میتوانند به جای ما تصمیم بگیرند، این فناوری همه جا صحبت از خود به میان آورده. با این حال، یک سوال اساسی در این میان وجود دارد: چرا با وجود تمام این پیشرفتها، ماشینها در مواجهه با شرایط جدید و غیرمنتظره به راحتی شکست میخورند، در حالی که انسانها به سرعت خود را با ناشناختهها وفق میدهند؟
به گفتهی گروهی از پژوهشگران اروپایی، پاسخ این پرسش در یک مفهوم کلیدی نهفته است: «تعمیمپذیری». یعنی توانایی به کارگیری دانش آموخته شده در یک موقعیت برای حل مشکل در موقعیتی کاملاً متفاوت.
انسان: استاد انتزاع و مفهومسازی
وقتی یک کودک یاد میگیرد سگ چه شکلی است، نیازی نیست که تمام نژادهای سگ را دیده باشد تا بعداً بتواند در خیابان یک سگ ناشناس را تشخیص دهد. او با درک مفهوم «سگ بودن» میتواند به سرعت یک حیوان جدید را شناسایی کرده و به آن واکنش نشان دهد. این همان قدرت انتزاع و مفهومسازی است که در قلب فرایند تعمیمپذیری قرار دارد.انسانها جهان را نه فقط با دادههای خام، بلکه از طریق چارچوبها و دستهبندیهای ذهنی درک میکنند. همین چارچوبها هستند که به ما اجازه میدهند در شرایط جدید و غیرقابل پیشبینی، انتخابهای منطقی داشته باشیم.
اما ماشینها به گونهی دیگری کار میکنند. الگوریتمهای یادگیری ماشینی به شدت به داده وابسته هستند. برای مثال، اگر یک مدل برای تشخیص تصویر گربه آموزش داده شده باشد، ممکن است با دیدن گربهای که در زاویهی متفاوتی نشسته یا در پسزمینهای غیرعادی قرار دارد، به کلی گیج شود.
در هوش مصنوعی نمادین هم، سیستمها بر اساس قوانین از پیش تعریف شده عمل میکنند. چنین سیستمی تا زمانی که در چارچوب قوانین خود حرکت میکند درست کار میکند، اما به محض مواجهه با مشکلی خارج از آن چارچوب، ناتوانیاش آشکار میشود.
پژوهشگران در این حوزه، از اصطلاح «تعمیمپذیری» متفاوت از روانشناسی شناختی استفاده میکنند. گاهی به معنای تعمیم الگوهای آماری فراتر از دادههای آموزش، و گاهی به معنای به کارگیری قوانین صوری در موقعیتهای جدید. همین تفاوت در معنا یکی از مشکلات اصلی در گفتوگوی بین علوم شناختی و هوش مصنوعی است.
تلاش برای یک زبان مشترک
گروهی از محققان از دانشگاههای بیلفلد، بامبرگ، آمستردام و آکسفورد برای حل این مشکل دست به کار شدند. آنها در مقالهای که در نشریهی Nature Machine Intelligence منتشر شد، تلاش کردند یک چارچوب مشترک برای درک تعمیمپذیری ارائه دهند.
به گفتهی باربارا هامر، استاد یادگیری ماشینی در دانشگاه بیلفلد: «اگر هوش مصنوعی قرار است بخشی از زندگی روزمرهی ما شود—چه در پزشکی، چه در حملونقل، چه در تصمیمگیری—باید بفهمیم این سیستمها چگونه با ناشناختهها روبرو میشوند. و اینجاست که تفاوت میان انسان و ماشین خودش را نشان میدهد.»
بنیامین پآسن، یکی دیگر از نویسندگان مقاله، نیز تاکید میکند: «مشکل این است که وقتی از generalization صحبت میکنیم، دانشمندان علوم شناختی و محققان هوش مصنوعی معمولاً در مورد دو چیز متفاوت حرف میزنند. بنابراین لازم بود چارچوبی فراهم کنیم تا این دو دیدگاه را به هم نزدیک کند: اینکه تعمیمپذیری دقیقاً چه معنایی دارد، چه فرایندهایی آن را ممکن میسازد و چگونه میتوان موفقیت یا شکست آن را اندازه گرفت.»
این پژوهش بخشی از یک پروژهی بزرگتر به نام SAIL است. هدف این طرح این است که بررسی کند چگونه میتوان سامانههای هوش مصنوعی را در تمام چرخهی عمرشان—از طراحی و آموزش تا استفاده و از رده خارج شدن—انسانمحور، شفاف و پایدار نگه داشت. دغدغهی اصلی این پروژه فقط دقت فنی نیست، بلکه مسائلی مانند اخلاق، اعتماد اجتماعی و سازگاری فرهنگی را نیز در بر میگیرد.
در واقع، این پژوهشگران میخواهند نشان دهند که آیندهی هوش مصنوعی فقط به کد و داده بستگی ندارد، بلکه به توانایی ما در همراستا کردن این فناوری با ارزشها و الگوهای انسانی گره خورده است.
ساخت هوش مصنوعیِ شبیهتر به ما
اگر قرار است هوش مصنوعی در کنار ما کار کند، کافی نیست که فقط محاسبات دقیق انجام دهد. آنچه واقعاً اهمیت دارد، توانایی آن در سازگاری با جهان پیچیده و پر از ناشناخته است؛ جهانی که هر روز با مشکلی جدید ما را غافلگیر میکند.
پیشرفتهای هوش مصنوعی چشمگیر است، اما اگر بخواهیم از ماشینها همکارانی واقعی بسازیم، باید بفهمیم که چرا آنها هنوز در سازگاری با ناشناختهها از ما عقبترند. پاسخ این سوال در یک واژهی ساده و در عین حال عمیق نهفته است: تعمیمپذیری.
انسان با مفهومسازی و انتزاع میتواند یک دنیای کاملاً جدید را درک کند. اما ماشین هنوز به چارچوبهایی نیاز دارد که توسط پژوهشگران برایش طراحی شوند. آیندهی هوش مصنوعی در گروی آن است که این دو مسیر به هم برسند؛ جایی بین داده و معنا، و میان الگوریتم و تجربهی انسانی.
منبع:
https://neurosciencenews.com/human-ai-adaption-neuroscience-29689/
نظرات