درآمدی بر زمستان‌های هوش مصنوعی؛ آیا زمستان دیگری پیش‌روی هوش مصنوعی است؟

برای پاسخ به پرسش بالا به گفت‌وگو با «مهندس علی عظیمی» نشستیم. در این گفت‌وگو ابتدا مروری بر زمستان‌های قبلی هوش مصنوعی می‌شود و پس از آن این پرسش به میان می‌آید که « آیا زمستان دیگری پیش‌روی بهار کنونی هوش‌مصنوعی است؟» در انتها از محدودیت‌های بنیادی که هوش مصنوعی با آن رو به رو است سخن به میان می‌آید، همان محدودیت‌هایی که شاید بهار هوش مصنوعی را به زمستان تبدیل کنند.

 خوش آمد عرض می کنم خدمت آقای مهندس عظیمی. موضوع بحث زمستان‌های هوش مصنوعی است. اینطور سوالمان را شروع کنیم که دقیقا این زمستان‌های هوش مصنوعی به نظر شما به چه معناست و چه پارامترهایی می‌تواند داشته باشد و وقتی ما می‌گوییم زمستان‌های هوش مصنوعی دقیقا منظورمان چه چیزی است؟

به نام خدا، سلام عرض می‌کنم خدمت شما و همه‌ی دوستان. عرض شود که من فکر می‌کنم که برای توضیح اینکه زمستان هوش مصنوعی چه چیزی است ما باید یک مفهوم پیشینی را روی آن بحث کنیم و آن اساسا مسئله‌ی حباب است. حالا انواع حباب وجود دارد. یکی از انواع حباب، تکنولوژی و یا علمی است که یکی از مصداق‌های حباب‌های تکنولوژیک در تاریخ قرن بیستم و حالا کلا تاریخ بشر همین زمستان‌های هوش مصنوعی است.

به صورت خیلی مشخص تعریف حباب در اقتصاد  به موقعیتی اطلاق می‌شود که دارایی‌ها از جهت قیمتی بالاتر از آن ارزش بنیادی که دارند قیمت می‌خورند یا ارزش پیدا می‌کنند این  تعریف کلاسیک حباب است.

مثلا در مورد سکه‌ی بهار آزادی هم این گفته می‌شود که این دارای حباب است درست است؟

بله در مورد دلار، درمورد سکه، درمورد زمین و مسکن و این‌ها  در اقتصاد اساسا یکی از وضعیت‌هایی که دولت‌ها سعی می‌کنند به آن ورود پیدا نکنند یا اساسا اتفاق نیفتد همین بحث حباب است البته بعضی موقع‌ها هم حالا از عمدی می‌خواهند که این حباب تشکیل بشود.

ما نمونه‌های تاریخی داریم، سال ۱۷۰۰ بحث هجوم به دریای جنوب و می‌سی‌سی‌پی را داشتیم که یک حبابی است در مباحث کلاسیک در فرانسه قرن هجدهم اتفاق می‌افتد و حالا من وارد جزئیاتش نمی‌شوم. در بازار سهام آمریکا ۱۹۲۹ مثلا ما این حباب را داشتیم. یکی از نمونه‌های معروف حباب تکنولوژی بحث شیدایی راه آهن است که در انگلیس قرن نوزدهم اتفاق می‌افتد حالا من این را به عنوان نمونه می‌خواهم توضیح بدهم که آن مسئله حباب تکنولوژی برایمان روشن بشود. نمونه‌های دیگر بحث سقوط دادکام همین بحران مالی مسکن ۲۰۰۸ و نمونه‌های دیگر است. من به عنوان نمونه از این‌ها بحث راه آهن در قرن نوزدهم را نگاه خیلی کوتاهی دارم. شرایطی که در قرن نوزدهم وجود داشت  بریتانیا در دوران افول اقتصادی‌اش بود و بانک‌های انگلستان نرخ بهره را کاهش دادند، اوراق قرضه دولتی برای سرمایه‌گذاری جذاب شده بود و از طرف دیگر راه آهن اولین خط آهن بین بندر منچستر و لیورپول احداث شده بود که خود این قضیه راه‌آهن هم جابه‌جایی و حمل و نقل را ساده کرد و هم ارزان کرده بود در نتیجه‌ی ما مجموعه‌ی زیادی سرمایه گذاری اتفاق افتاد.   دولت می‌آید و تسهیل می‌کند سرمایه‌گذاری در صنعت راه آهن را و شرکت‌های زیادی تشکیل می‌شود و سعی می‌کنند این راه آهن را تا جای ممکن توسعه‌اش بدهند و دیگر به جایی می‌رسد که ما شرکت‌هایی داریم که تاسیس می‌شوند هیچ خط آهنی را هم نمی‌کشند اما  این سرمایه‌گذارهای خرد می‌آیند در آن سرمایه‌گذاری می‌کنند که از یک جایی به بعد دیگر  آن حباب می‌ترکد و همان تاثیری که در بحث حباب‌های تکنولوژی داشتیم تا الان یعنی یک سرخوردگی شدیدی یک سرمایه‌گذاری حداقلی در بازه‌ی زمانی کوتاه بعد از این ترکیدن حباب اتفاق می‌افتد، مثلا از دلایلی که می‌توانم درمورد شیوه‌های راه آهن بگوییم یکی بحث خطاهای قانون گذاری است که این در همه‌ی حباب‌های تکنولوژی است. قانون‌گذار چون نیاز دارد که سرمایه‌گذاری بیشتر بشود قوانین و شاخص‌ها را مدام تسهیل می‌کند و این باعث هجوم سرمایه‌های خرد می‌شود و از طرف دیگر معمولا در حباب‌های تکنولوژی یک امید به وجود می آید چون یک تکنولوژی جدید است یک فضای جدید است هیچ شاخصی برای آن وجود ندارد و یک نوید یک آینده‌ی  خیلی یکتا را می‌دهد؛ آینده‌ای که امروز نمی‌توانیم ببینیم.

این سوداگری و این تصویر رویایی زیاد می‌شود و این چرخه‌ی معیوب چون شاخص سنجشی برای آن وجود ندارد باعث تشکیل حباب می‌شود.  پس اگر این نمونه‌های تاریخی را از آن بگذریم خود زمستان هوش مصنوعی هم یک حباب مشخص است.

یعنی «نوید غیرواقعی» یا «خطاهای قانون‌گذاری» یا «سرمایه‌گذاری‌های حداکثری بدون داشتن آینده‌ای مشخص» و همه‌ی این‌هایی که برای راه‌آهن مثال زدید ممکن است که برای هوش مصنوعی رقم خورده باشد و الان ما در آن دوران به سر ببریم؟

ما دو تا زمستان پیش از این را طی کردیم یعنی خود حوزه‌ی هوش مصنوعی تا الان دو زمستان گذرانده است. زمستان اولی که ۱۹۷۴-۱۹۸۰ است زمستان دوم ۱۹۸۷-۱۹۹۳ است. اساسا اصطلاح زمستان هوش مصنوعی یک اصطلاح جنگ سردی است. از همان ایده‌ی زمستان هسته‌ای الهام گرفته شده و به دوره‌هایی کلا اطلاق می‌شود که ما یک کاهش بودجه شدیدی در حوزه تحقیقات در این حوزه داشتیم و در ذهنیت سیاست گذارها و دست‌اندر کاران یک بازنگری و در عموم جامعه یک ناامیدی از دستیابی به نتیجه به وجود می آید. این سه بخش  از تعریف زمستان هوش مصنوعی است. روندهایی که  بعد از این زمستان ایجاد می‌شود معمولا آنطور است که جامعه به هوش مصنوعی بدبین می‌شود. نظرات مطبوعات منفی‌تر می‌شود و این باعث می‌شود که درنهایت یک‌سری از بودجه‌ها قطع شود یا کاسته بشود. باعث می شود نهایتا بعضی از تحقیقات هم کاملا خاتمه بیابد.

آغاز هوش مصنوعی

از لحاظ تاریخی می‌شود یک روند کلی گفت که هوش مصنوعی در دهه‌ی پنجاه شروع می‌شود. اول از همه ما باید بگوییم که هوش مصنوعی در کانتکس جنگ جهانی دوم است که شروع می‌شود. نیازهایی که در جنگ بوده است کل این فضای هوش و فضای سایبرنتیک به‌ صورت عام، باعث ترغیب دولت آمریکا برای سرمایه‌گذاری در این حوزه می شود. پروژه‌هایی که شروع می‌شود حالا پروژه‌های متعددی است از ترجمه‌ی ماشینی که در جنگ سرد برای ترجمه متون روسی خیلی می‌خواستند استفاده کنند و همچنین بحث‌های رباتیک که به نحوی ایجاد جنگ افزارهای هوشمند و خودکار بوده.

آغاز زمستان اول هوش مصنوعی

زمستان اول آن نقطه‌ی اصلی که  نقطه‌ی شروعش می‌دانند شکست پروژه ترجمه ماشینی است.

شکست پروژه‌ی ترجمه‌ی ماشینی؟

بله، ترجمه ماشینی در طول جنگ سرد تکنولوژی مهم تلقی می‌شد. به خاطر این‌که یک نیاز بود. اسناد روسی باید به صورت سریع و فوری ترجمه بشود. از ۱۹۵۴ این پروژه شروع شد. نظریات کلی که در آن زمان مطرح بود این بود که ما ظرف چند سال آینده حالا با توجه به آن نظریات نوآم چامسکی که در دهه‌ی پنجاه و چهل مطرح می‌شود نظریه گشتاری زایشی چامسکی این احساس بود که چندساله کلا پروژه ترجمه ماشینی انجام می‌شود. اما این‌ها هر چقدر رفتند جلو به ابهامات خیلی بیشتری رسیدند و نهایتا یک کمیته‌ای تشکیل شد که نظرشان را راجع به این پروژه اعلام کنند. ۱۹۶۶ این‌ها نظرشان را اعلام کردند و گفتند که ترجمه‌ی ماشینی نسبت به ترجمه انسانی هم گران‌تر است هم کم دقت‌تر است هم کندتر است در نتیجه این پروژه ۱۹۶۶ قطع شد و از اینجا  زمستان هوش مصنوعی اول رقم خورد.

اگر بخواهم توضیحی بدهم می‌توانم بگویم که  سیر گفتارهایی که ما در سال‌های اول ایجاد این بحث یعنی روی حوزه هوش مصنوعی می‌توانیم ببینیم یک رویاهای دست‌یافتنی خیلی سریعی بود. مثالی بزنم. مثلا شما احتمالا اگر فیلم «ادیسه فضایی» کوبریک را دیده باشید؛ فیلم راجع به یک ایستگاه فرعی است و در آن یک کامپیوتری است که می‌تواند با انسان صحبت کند، می‌تواند امور روزمره‌ی او را مدیریت کند و چهره را تشخیص بدهد، همه‌ی کارهایی که یک انسان می‌تواند حتی بیشتر از انسان را انجام می دهد. بعد مسئله این است؛ هنگامی که عنوان فیلم ۲۰۰۱ است معمولا نمی‌دانند که این ۲۰۰۱ از کجا آمده است.  این ۲۰۰۱ تخمین واقعی بود که آن پدران هوش مصنوعی واقعا به این ایده اعتقاد داشتند که ما در ۲۰۰۱  در آغاز قرن بیست و یکم به چنین هوش مصنوعی دست پیدا می‌کنیم و  ما هنوز الان بیست و دو یا بیست و سه  هنوز به آن هوش دست پیدا نکردیم.

مسئله دقیقا همین است. یعنی شما اگر گفتارها، متن‌ها و تبلیغات تلویزیونی را ببینید ریشه در یک رویاهایی دارد. که هم ادبیات و هم سینمای ساینس-فیکشن در مورد آن داشتیم؛ و هم خیلی از تئاترها وجود داشتند که در آن هوشمندی و موجودات هوشمند در آن وجود داشته است.

بحث دیگر هم اساسا همان «نو ظهور بودن هوش مصنوعی» بوده است. در آن زمان به ناگهان یک نمونه‌هایی از ماموریت‌های خاصی را می‌بینیم که موفق می‌شود. مثلا نمونه‌اش را من بخواهم بگویم در دهه‌ی پنجاه در یک بازی بُرد گیمی مثل چکرز سیستم کامیپیوتری می‌تواند انسان را شکست بدهد. این به عنوان یک نمونه خیلی حذابی بود. این برداشت مطرح شد که این‌جا شکست داد چند سال دیگر مثلا احتمالا در شطرنج انسان را شکست می‌دهد، چند سال دیگر اصلا می‌آید کل انسان را شکست می‌دهد. می‌خواهم بگویم که  خود خصلت تکنولوژی است چون لب مرز است. ما از آینده‌ش ری نداریم. من می‌توانم حالا بحث‌های دیگری پیرامون خود همین بحث زمستان اول بگویم خیلی مفصل است بحث‌هایی است که خود مثل مثلا فرض کنید خود دارپا که مجموعه‌ی وزارت دفاع آمریکا بوده اساسا در بین سال‌های ۱۹۷۱-۱۹۷۵ یک پروژه‌ای داشتند «دستیار صوتی خلبان» به نام «اس یو آر» که این قرار بوده فرامین خلبان را در یک زمان خیلی کوتاه چند ثانیه حتی زیر یک ثانیه یا چند ثانیه تشخیص بدهد و آن فرامین را اجرا کند به جای اینکه خلبان خودش مثلا دکمه را بفشارد. در سال ۱۹۷۴ به این نتیجه می‌رسند که بسیار کند است و اساسا ما نمی‌توانیم دست پیدا کنیم. اما همین تلاش ها بعدا مبنایی برای سیستم‌های بازشناسی گفتار تبدیل می شود. گزارش لایت هیل است در بریتانیا ۱۹۷۳ که آن هم دوباره شکست کامل هوش مصنوعی در دستیابی به اهداف بزرگش را توضیح می‌دهد.

موج دوم هوش مصنوعی و زمستان دوم

در دهه‌ی هفتاد است که این‌ها اتفاق می‌افتد، دوباره ما یک چند سالی شاهد وقفه هستیم تا اینکه در دهه‌ی هشتاد تقریبا از اواسط هشتاد دوباره بازار هوش مصنوعی با یک‌سری ماشین به نام ماشین‌های لیسپ [که یک زبان برنامه‌نویسی است جزء اولین زبان‌های برنامه‌نویسی هوش مصنوعی است] دوباره داغ می شود.

این ماشین‌ها یک‌طور دستیار هوشمند بودند، دستیار هوشمند از چه نظر؟ شما انگار که یک دستیاری دارید از همین دستیاری که الان هستند مثل سیری، مثل کورتان‌ها، این‌ها  نمونه‌‌های تکامل پیدا کرده‌ی همون ماشین‌های لیسپ هستند، یعنی ماشین‌های ره‌اند منتهی آن موقع هنوز ما داریم در مورد دوره‌ای صحبت می‌کنیم که اساسا هنوز کامپیوتر شخصی درست نشده بوده یعنی این ماشین‌ها به صورت مشخص می‌توانستند دستیار هوشمند باشند. این بازار تا ۱۹۸۰-۱۹۸۵ یک بازار بین یک تا دو میلیارد دلار فروش بوده است. شرکت‌هایی که از آن دوره ما می‌شناسیم فرض کنید زیراکس مثلا شرکتی است که با همین سیستم ماشین‌های ره شروع کرده یا تگزاس اینستورمنت که بعدا می‌شود یکی از شرکت‌های تولید‌کننده‌ چیپست‌های خیلی تخصصی، باز از این دوره شروع کرده است.

این یک توهمی را ایجاد کرد. ماشین‌های که می‌توانند در بالاترین سطح  هوشمندی عمل کنند و در نتیجه در این بازار یک حبابی ایجاد شد. که نهایتا با آمدن کامپیوترهای شخصی آن حباب ترکید. هم میزان کارایی آن سیستم‌ها کم بود، هم هزینه‌ی آن‌ها گران‌تر بود. کامیپوترهای شخصی ساده‌تر و محبوب‌تر بودند. این‌هم تقریبا اوایل دهه‌ی نود می‌شود گفت که این پروژه‌ی ماشین‌های ره هم شکست خورد و یک زیان خیلی زیادی ایجاد شد. وقتی زیان هم ایجاد می‌شد یک دافعه‌ای ایجاد می‌کرد برای سرمایه گذاری. و پیامدهای دیگر آن این بود که  به صورت خیلی مشخص خیلی از پروژه کلان‌های در آمریکا متوقف شد و  تمرکز رفت روی پروژه‌های مشخص‌تر و ملموس‌تر. مثلا دارپا روی سیستم هشدار تهدید فناوری شناختی یا دستگاه‌های عصبی کمک‌یار انسان آغاز به کار کرد. یعنی از آن کلیت هوش مصنوعی این‌ها فاصله گرفتند و رفتند داخل پروژه‌های زمینی‌تر.

تا اینجا هم زمستان هوش مصنوعی و هم حباب تکنولوژیک و هم تاریخچه‌ی آن و دوتا زمستانی که ما داشتیم بحث شد. اما حالا چیزی که برای ما جذاب‌ است بدانیم این است که آیا ما در آستانه‌ی زمستان سوم هوش مصنوعی قرار داریم یا اصلا آیا نشانه‌ای بر این هست یا دقیقا نشانه‌هایی برخلاف آن یعنی در زمانی که ما با یک بلندپروازی‌های خیلی واقعی می‌توانیم مواجه باشیم؟

من می‌توانم اول برای جواب دادن به این سوال بیایم ببینیم که اساسا علل وقوع چنین اتفاقاتی یا یک چنین فضایی چیست؟ علت های زیادی برای چنین فضایی می تواند وجود داشته باشد اما من در اینجا می خواهم به چند علت اصلی بپردازم:

ببینید حباب‌های اقتصادی معمولا دو علت برای آن ذکر می‌شود یکی بحث روانشناختی انسان است و یکی در عوامل نهادی است. یعنی می‌گویند این بازار حباب‌ساز است یعنی چه؟ یعنی قوانین طوری تسهیل شده که ظرفیت حباب را دارد یعنی نقدینگی را مثلا زیاد می‌کند. بازاری که نقدینگی زیاد بشود در آن حباب‌ساز می‌شود اما چگونه حباب‌ساز می‌شود؟ شما در بازاری پول را زیاد می‌کنید یعنی نقدینگی دست مردم زیاد می‌شود اینجا عامل دوم وارد می‌شود. عامل دوم  خصوصیت روان‌شناختی انسان است. وقتی که شما مثلا ده‌ سهم دارید تقاضا کنندگانی  می‌آیند که باید این سهام را بخرند در یک حالت ایده‌آل شما می‌گویید که این ده‌تا تقسیم می‌شود مثلا به n نفر. به صورت خیلی فلت و صاف یک توزیع خیلی نرمال اینجا وجود دارد. یعنی  مشخص است هر سهمی تقریبا برابر است با آن مقدار. حالا رفتار گله‌ای ویژگی‌های روان‌شناختی انسان معمولا این‌گونه است که مثلا اگر از ده‌نفری که این ده‌تا سهم را می‌خرند سه‌تای آن‌ها یک سهم را بخرند آن هفت نفر دیگر به آن سه نفر فکر می‌کنند که چرا این‌ها این را خریدند احتمالا این سهم بهتری است ما هم برویم آن را بخریم.

این باعث می شود که اتفاقا کل آن نقدینگی روی یک سهام‌های خاصی متمرکز بشود آن سهام‌ها حباب بشود. یعنی بیشتر از آن ارزشی که دارد قیمت گذاری شود.

این‌جا هم همین است یعنی شما وقتی که سرمایه‌گذار‌ی انجام می‌دهید و این سرمایه‌گذاری، سرمایه‌گذاران متعددی پیدا می‌کند معمولا متمرکز می‌شود بر یک حوزه‌ی خاص. نکته‌ای که اثرگذار است همان بحث گزافه‌گویی است. بحث انتظارات بیش از حد متورم است. تازه بودن، جدید بودن تکنولوژی و اینکه نمی دانیم پس از آن چه اتفاقی خواهد افتاد این احتمال را می دهیم می‌دهیم که ممکن است سود کلانی پشت این فضا وجود داشته باشد. این باعث آن گزافه‌گویی و آن انتظارات متورم می‌شود. بحث نهادی چون مفصل است فعلا به کنار می نهیم و به همان بحث حباب علمی می پردازیم.

ببینید حباب علمی با حباب تکنولوژیک سنخیت دارد. وقتی ما داریم از حباب علمی صحبت می‌کنیم انگار داریم می‌گوییم برخی موضوعات، برخی عناوین، برخی چیزهای خاص است که بیش از آن که ارزش یا وزن علمی یا وزن تکنولوژی داشته باشد روی آن تاکید می‌کنند و کار می‌کنند. بیشتر از آن که در واقعیت قابلیت داشته باشد به آن توجه می‌شود. مثلا یک نمونه‌ی خیلی معروف بحث علوم اعصاب است. در علوم‌شناختی ما اگر نگاه کنیم در چند سال گذشته عناوین زیاد از موضوعات را می‌بینیم مثلا مثل اقتصاد عصبی، بازاریابی عصبی، روان‌شناسی عصبی‌، اخلاق عصبی، جرم‌شناسی عصبی می‌بینید.

یک حالتی ایجاد می‌شود که انگار یک چرخه‌ی معیوب ایجاد می‌شود. سرمایه‌گذار [که حالا دولت است یا بخش خصوصی] از آن حوزه شناختی ندارد، وقتی یک حوزه‌ای مطرح می‌شود سرمایه‌گذار  توجیه می شود که بیاید روی فلان موضوع سرمایه‌گذاری کند [که معمولا این مثل عملکرد فروشنده‌ها و تبلیغاتی‌هاست یعنی باید خوب پرزنت بشود که حالا این هم باز بحث است که در ژورنال‌ها  شما یک طورهایی مقاله‌ای اگر خلاف جریان آن موضوعات روز مطرح بدهید احتمال پذیرشش کم‌تر است. در نتیجه آن کسی که دارد تولید علم می‌کند ترجیحش این است که یک موضوع بی‌خطر را  تحقیق کند که راحت‌تر مقاله بشود تا در آن سیستم آکادمیک رشد بکند]

سرمایه‌گذار می‌گوید که شما باید مقالات بیشتری داشته باشید. شما برای اینکه مقالات بیشتری داشته باشید باید تاییدکننده موضوعات عمده باشید که این باعث می‌شود که یک حبابی در اطراف این موضوعات شکل بگیرد. این حباب‌ها عملا خیلی سخت‌تر از حباب اقتصادی است. یعنی خودش به این راحتی نمی‌ترکد که مشخص بشود. گاهی موضوعات به نحوی است که انگار همه باور می‌کنیم یک تعبدی حولش ایجاد می‌شود.

کلیت آن این است؛ یک چرخه‌ای ایجاد می‌شود که نهایتا ما حفره‌ها آن موضوع خاص را هیچ وقت نمی‌بینیم برای اینکه همه در تایید آن باید حدس بزنند تا  آن پله‌های ترقی را طی کنیم. من اگر بخواهم این را مشخص‌تر بگوییم ببینید ما دو دسته قواعد در فضای آکادمیک داریم:

یکی قواعد خود علم است که همان پیدا کردن حقیقت است که حالا در ایده‌آل‌ترین حالت آن،  شما می‌روید به سمت تزهای مختلف، نظریات مختلف، آزمایشات مختلف‌ تا به یک حقیقتی برسید. دیگری قواعد اداره‌کننده‌ی فضای آکادمیک است. حباب زمانی ایجاد می شود که قواعد دسته دوم بر قواعد دسته اول برتری بیابد. برای اینکه اساسا برای آن کسی که دارد کار آکادمیک می‌کند دیگر مسئله رسیدن به حقیقت خاص نیست چون می‌خواهد در این سیستم آکادمیک برود بالا و سیستم از آن می‌خواهد مثلا مقالاتش بیشتر باشد این باعث می‌شود که همان نظریات مطرح چیزی که مجلات و ناشرین می‌پسندند را  اکو بدهد. و نهایتا ما در یک فضای یک اتاق اکویی گیر کنیم و نمی توانیم از آن خارج شویم.

حالا اگر برگردیم به خود بحث اینکه ما چرا داریم در این زمان خاص راجع به زمستان هوش مصنوعی صحبت می‌کنیم؟

دلیلش این است که ما در چند سال گذشته “شبکه‌های عصبی” ، “یادگیری عمیق” ، “سیستم‌های جنریتیو مثل گن” ، “اپلیکیشن‌های مختلف” که ما داریم اطرافمان می‌بینیم که یک‌سری از ماموریت‌های خاص را دارند؛ همه این‌ها‌ یک ذهنیتی یک انتظاری را ایجاد کردند که ما در چند سال آینده یک “انفجار” “یک تحول بزرگی” در حوزه‌ی هوش را شاهد خواهیم بود،  این باعث می‌شود که ما بگوییم  آیا داخل یک فضای حبابی هستیم یا واقعی هستیم؟  اتفاقا من فکر می‌کنم بحث مهمی است بخاطر اینکه می‌تواند دانستن همین قضیه بخش بزرگی از سرمایه‌هایی که می‌تواند مصرف شود را ممانعت از هدر رفت آن کند. یک دید درست‌تری نسبت به فضا به ما می‌دهد.

چرا ممکن است در آغاز یک زمستان دیگری برای هوش مصنوعی باشیم؟

می‌توانم بگویم که دلایل امکان حوزه‌ی زمستان هوش مصنوعی در حال حاضر چه چیز‌هایی می‌تواند باشد. من شاید سه تا سطح را بتوانم تفکیک کنم از هم. یکی سطح بنیادین ‌و نظری قضیه است، یکی در سطح اجرا و پیاده‌سازی و یکی سطح انتظارات.

در سطح نظری ما در روش‌های فعلی هوش مصنوعی و پارادایم‌های فعلی یک ایرادات و یک حفره‌هایی داریم که این‌ها بنیادین است. این حفره ها قاعدتا از یک جایی به بعد ما را به نتایجی که می‌خواهیم نخواهد رساند. شاید بزرگ‌ترین فقدان در سیستم‌های فعلی فقدان بدن‌مندی باشد. این بدن‌مندی به معنای آن است که هوش «هیچ بدنی» ندارد. هیچ «جهان بودگی» ندارد. این یعنی چی؟ ببینید ما خودمان را در ارتباط با جهان است که هوشمند می‌دانیم. یعنی ما  اگر یک گیاه را از یک جایی جدا کنیم ببریم یک جای دیگر کل آن هوشی که حالا مثلا در یک گیاه می‌شود ریشه‌اش که به منابع مختلف دست پیدا می‌کند، کل آن هوش در آن کانتکس و در آن فضایی که بوده معنی پیدا می‌کند؛ از بین می رود. ما به عنوان انسان در یک فرهنگ خاص، در یک زبان خاص، در یک جامعه‌ی خاص، در یک خانواده‌ی خاص و در یک تاریخ خاص هست که هوشمند تلقی می‌شویم. این وقتی تغییر کند بدن‌مندی را ندارد. وقتی بدن‌مندی را ندارد یک تبعاتی دارد، تبعاتش می‌توانیم بگوییم که هوش نمی‌تواند [تعمیم دهی کند]. [دوباره تکرار کنم. من عرض کردم فقدان بدن مندی تبعاتی دارد] اولین نتیجه آن مسئله تعمیم دهی است. در مسئله تعمیم‌دهی گفتم که انسان هوشمند هر موضوعی را تجربه نمی‌کند بلکه چیزهایی را به هم تعمیم می‌دهد یعنی فرض کنید برای اینکه مثلا من بفهمم یک حیوان وحشی مثل شیر درنده است و خطرناک است الزاما نباید مواجه فیزیکی باهاش داشته باشم. من تعمیم می‌دهم و این را انتزاع می‌کنم که ،  این انتزاع باعث می‌شود که من با آن خطر مواجه نشوم.

اما سیستم‌های هوشمند فعلی حتما باید تجربه کنند. حتما آن دیتای خاص را باید تجربه کنند. این یک مسئله است. دومین نتیجه  فقدان بدن‌مندی، «فقدان عقل سلیم» است. فقدان عقل سلیم یعنی چی؟ یعنی فقدان عقل سلیم  باعث می‌شود که شما نتوانید  یک دانش یا یک فهم عمومی مشترک را ایجاد کنید. یک عقل متعارفه، یک چیزی که بین من و ماشین مشترک باشد. وقتی بدن‌مند نباشد نمی‌تواند چنین چیزی را ایجاد نماید. نکته‌ی مهم‌تر از آن یا در همان حد مهم این است که سیستم‌های فعلی نمی‌توانند توصیفی از فرایند رسیدن به آن نتیجه‌ی خاص به شما بدهند. این بسیار مهم است فرض کنید شما یک سیستم هوشمند را می‌گذارید برای پیشنهاد دادن فرض کنید خرید سهام. یک سرمایه‌گذار نیاز دارد که بفهمد این مشاوری که دارد می‌گوید این سهم را بخر با چه روشی و چطوری رسیده به این با چه منطقی دارد این را می‌گوید این را باید توصیف کند. سیستم فعلی این را نمی‌تواند توصیف کند.

نکته‌ی دیگر  هویت دوگانه‌ی ماشین و یعنی سخت‌افزار و نرم‌افزار است. ما در انسان نمی‌توانیم مغز را و بدن را از هوشمندی و آن بحث نرم‌افزاری تفکیک کنیم. یعنی شما نمی‌توانید بگویید که از اینجا به پایین دیگر در آن هوشمندی نیست. هوشمندی یک پروسه‌ی کاملا یگانه است. بدن و هوش یگانه است. الان در ماشین‌های فعلی در سیستم‌های هوشمند شما یک سخت‌افزار دارید و یک نرم‌افزار دارید و این نرم افزار هیچ تاثیری روی آن سخت افزار نمی‌تواند بگذارد. در نتیجه این باعث می‌شود که عملا آن سیستم نتواند بقای خودش را تضمین کند. این هم یک مسئله ای است که در سیستم‌های فعلی وجود دارد.

و شاید آخرین مورد که در بحث نظری می‌توانم بگویم بنیان خطی است که در سیستم‌های خصوصا عصبی فعلی یادگیری‌های عمیق وجود دارد. اساسا ما در طبیعت چیزبه صورت خطی نداریم ما تمام چیزهایی که داریم بنیان حلقوی دارند و هیچ وقت شما نمی‌توانید بگویید که این ورودی من فقط ورودی است و خروجی نیست. خروجی شما می‌تواند به ورودیتان وصل باشد با یک سری ایده‌های خیلی تقلیل‌گرایانه‌ای مثل شبکه‌های ریکارنت با سیستم‌های جنریتو، ما این حلقه‌ها را سعی کردیم ایجاد کنیم اما این در مبنای این سیستم‌ها نیست یعنی کاملا مصنوعی است نمی‌تواند جای آن را بگیرند.

در سطح اجرا و پیاده‌سازی دو تا مسئله است که هوش مصنوعی فعلی با آن مواجه است. نخست مسئله داده و دوم مسئله رایانش. ما از بسیاری حوزه‌ها اساسا هیچگونه داده‌ای نداریم تا بتوانیم آن شبکه را با توجه به آن داده ها آموزش بدهیم. این یک مسئله جدی است. یعنی درست است برای تصویر، برای صدا، برای این‌طور چیزها داده داریم اما برای خیلی از چیزهای دیگر هیچ داده‌ای نداریم و در آن‌جاها اساسا سیستم نمی‌تواند آموزش ببیند. مضاف بر آن برای همان چیزهایی هم که داده داریم برای تمام حالات آن نداریم. سیستم نمی‌تواند یک جامعیتی را داشته باشد. چون جامعیت خود را از داده می‌گیرد و نمی‌تواند انتزاع کند پس دچار خلأ است.

و مسئله‌ی رایانش هم جدی است. ببینید من یک نمونه بگویم. تا الان داده‌ای که تولید می‌شده عامل انسانی تولید می‌کرده است. وقتی می‌رویم به سمت اینترنت اشیاء و یعنی اشیاء اطراف ما هم می‌توانند داده تولید کنند چنین تصور می شود که به این نحو انگار بخشی از آن گپ و آن حفره‌ی داده‌ای مان را حل کرده ایم. اما این اضافه شدن دیتاها خودش یک بار پردازشی و یک بار رایانشی دارد. خودش تبدیل به یک مسئله‌ی عمده می شود که این سیستم‌ها با آن مواجه هستند. در صورتی که یک مغز انسانی یا حیوانی اساسا به این سطح از داده و این سطح از پردازش اصلا نیاز نداشته و ندارد.

در سطح انتظارات هم به نظرم مشخص است. انتظارات عموم و مردم وقتی بالا می‌رود ممکن است شما با همین سیستم‌های فعلی مثلا بیست سال دیگر به آن نقطه ایده‌آلتان برسید اما انتظارات افراد این باشد که ظرف پنج سال دیگر می‌رسید. خود این قضیه باعث می‌شود پنج سال بعد ما دچار یک سرخوردگی عمومی بشویم و این خودش یک فضایی ایجاد می‌کند که نهایتا می‌تواند به یک زمستان سومی برای هوش مصنوعی منجر بشود.

و اصلا باعث بشود که اگر به طور طبیعی در بیست سال دیگر می‌رسیدیم شاید آن بشود بیست و پنج سال و شاید بشود سی سال.

دقیقا همینطوری است. یعنی در نمونه‌های تاریخی ما همین را داریم. در شیدایی راه‌آهن اساسا یکی از تزهایی که مطرح است این است که شیدایی راه‌آهن توسعه خطوط ریلی را عقب انداخت..

خیلی متشکر آقای عظیمی، خیلی لطف کردید که وقتتان را در اختیار ما قرار دادید.