هوش مصنوعی واقعاً آنقدرها هم هوشمند نیست

برنامه های کاربردی باریک هوش مصنوعی مانند جستجوی گوگل و آمازون الکسا در حل مشکلات خاص عالی هستند، اما فقط تا زمانی که به اسکریپت پایبند باشید.

از ماشین‌های خودران گرفته تا روبات‌های رقصنده در تبلیغات Super Bowl، هوش مصنوعی (AI) همه جا وجود دارد. با این حال، مشکل همه این نمونه‌های هوش مصنوعی این است که آنها واقعاً هوشمند نیستند. در عوض، آنها نشان دهنده هوش مصنوعی محدود هستند – برنامه ای که می تواند یک مشکل خاص را با استفاده از تکنیک های هوش مصنوعی حل کند. و این با آنچه من و شما داریم بسیار متفاوت است.

انسانها (امیدوارم) هوش عمومی را نشان می دهند. ما می‌توانیم طیف وسیعی از مشکلات را حل کنیم و یاد بگیریم مشکلاتی را که قبلاً با آن‌ها مواجه نشده‌ایم حل کنیم. ما قادر به یادگیری موقعیت های جدید و چیزهای جدید هستیم. ما درک می کنیم که اشیاء فیزیکی در یک محیط سه بعدی وجود دارند و تابع ویژگی های فیزیکی مختلفی از جمله گذشت زمان هستند. توانایی تکثیر مصنوعی توانایی‌های تفکر در سطح انسان، یا هوش عمومی مصنوعی (AGI)، به سادگی در چیزی که امروزه به عنوان AI فکر می‌کنیم وجود ندارد.

این چیزی نیست که چیزی را از موفقیت چشمگیری که هوش مصنوعی تا به امروز داشته است کم کند. جستجوی گوگل نمونه برجسته ای از هوش مصنوعی است که اکثر مردم به طور مرتب از آن استفاده می کنند. Google قادر است حجم اطلاعات را با سرعتی باورنکردنی جستجو کند تا (معمولاً) نتایجی را که کاربر می‌خواهد نزدیک به بالای لیست ارائه دهد.

به طور مشابه، جستجوی صوتی Google به کاربران اجازه می دهد تا درخواست های جستجو را بیان کنند. کاربران می‌توانند چیزی بگویند که مبهم به نظر می‌رسد و نتیجه‌ای را دریافت کنند که به درستی املا، با حروف بزرگ، نقطه‌گذاری شده باشد، و در نهایت، معمولاً منظور کاربر است.

چگونه اینقدر خوب کار می کند؟ گوگل داده های تاریخی تریلیون ها جستجو را در اختیار دارد و کاربر کدام نتایج را انتخاب کرده است. از این رو، می تواند پیش بینی کند که کدام جستجوها محتمل است و کدام نتایج سیستم را مفید می کند. اما هیچ انتظاری وجود ندارد که سیستم بفهمد چه کاری انجام می دهد یا هر یک از نتایجی که ارائه می دهد.

این امر نیاز به حجم عظیمی از داده های تاریخی را برجسته می کند. این در جستجو بسیار خوب عمل می کند زیرا هر تعامل کاربر می تواند یک آیتم داده مجموعه آموزشی ایجاد کند. اما اگر داده های آموزشی باید به صورت دستی برچسب گذاری شوند، این یک کار دشوار است. علاوه بر این، هرگونه سوگیری در مجموعه آموزشی مستقیماً به نتیجه جریان می یابد. برای مثال، اگر سیستمی برای پیش‌بینی رفتار مجرمانه توسعه داده شود، و با داده‌های تاریخی که شامل سوگیری نژادی است، آموزش داده شود، برنامه به‌دست‌آمده یک سوگیری نژادی نیز خواهد داشت.

دستیارهای شخصی مانند الکسا یا سیری اسکریپت‌هایی را با متغیرهای متعدد دنبال می‌کنند و بنابراین می‌توانند این تصور را ایجاد کنند که توانمندتر از آنچه واقعا هستند هستند. اما همانطور که همه کاربران می‌دانند، هر چیزی که شما بگویید که در اسکریپت نباشد نتایج غیرقابل پیش‌بینی به همراه خواهد داشت.

به عنوان یک مثال ساده، می توانید از یک دستیار شخصی بپرسید: “کوپر کوپ کیست؟” عبارت “Who is” یک جستجوی وب را در متغیر باقیمانده عبارت آغاز می کند و احتمالاً یک نتیجه مرتبط ایجاد می کند. با بسیاری از محرک‌ها و متغیرهای اسکریپت، این سیستم درجاتی از هوش را نشان می‌دهد در حالی که در واقع دستکاری نمادها را انجام می‌دهد. به دلیل این عدم درک اساسی، تنها ۵٪ از مردم می گویند که هرگز از جستجوی صوتی ناامید شوید.

یک برنامه عظیم مانند GPT3 یا Watson دارای چنان قابلیت های چشمگیری است که مفهوم یک اسکریپت با متغیرها کاملاً نامرئی است و به آنها اجازه می دهد تا ظاهری قابل درک ایجاد کنند. با این حال، برنامه های آنها هنوز به ورودی نگاه می کنند و پاسخ های خروجی خاصی را می دهند. مجموعه داده‌های موجود در قلب پاسخ‌های هوش مصنوعی («اسکریپت‌ها») اکنون به قدری بزرگ و متغیر هستند که اغلب به سختی می‌توان به اسکریپت اصلی توجه کرد – تا زمانی که کاربر از اسکریپت خارج شود. همانطور که در مورد سایر نمونه های هوش مصنوعی ذکر شده وجود دارد، دادن ورودی خارج از اسکریپت به آنها نتایج غیرقابل پیش بینی ایجاد می کند. در مورد GPT-3، مجموعه آموزشی آنقدر بزرگ است که حذف سوگیری تا کنون غیرممکن بوده است.

خط نهایی؟ نقص اساسی چیزی که ما امروز آن را هوش مصنوعی می نامیم، عدم درک عقل سلیم آن است. بسیاری از این به دلیل سه فرض تاریخی است:

• فرض اصلی زیربنای بیشتر توسعه‌های هوش مصنوعی در ۵۰ سال گذشته این بود که اگر بتوانیم مشکلات دشوار را حل کنیم، مشکلات ساده‌ی هوشمندی به وجود می‌آیند. متأسفانه، معلوم شد که این یک فرض نادرست است. این به بهترین شکل به عنوان پارادوکس Moravec بیان شد. در سال ۱۹۸۸، هانس موراوک، روباتیک برجسته در دانشگاه کارنگی ملون، اظهار داشت که به نسبت آسانی است که رایانه‌ها را در تست‌های هوش یا هنگام بازی چکرز عملکردی در سطح بزرگسالان نشان دهند، اما دادن مهارت‌های یک ساله به آنها دشوار یا غیرممکن است. وقتی صحبت از ادراک و تحرک به میان می آید، قدیمی است. به عبارت دیگر، اغلب مشکلات دشوار ساده‌تر و مشکلات ظاهراً ساده بسیار دشوار می‌شوند.
• فرض بعدی این است که اگر به اندازه کافی برنامه های کاربردی باریک هوش مصنوعی بسازید، آنها با هم به یک هوش کلی تبدیل می شوند. این نیز نادرست بود. برنامه های کاربردی باریک هوش مصنوعی اطلاعات خود را به صورت کلی ذخیره نمی کنند، بنابراین می توانند توسط سایر برنامه های کاربردی باریک هوش مصنوعی برای گسترش وسعت استفاده شوند. برنامه‌های پردازش زبان و برنامه‌های پردازش تصویر را می‌توان به هم متصل کرد، اما نمی‌توان آن‌ها را به روشی که کودک بدون زحمت بینایی و شنوایی را ادغام می‌کند، ادغام کرد.
• در نهایت، یک احساس عمومی وجود دارد که اگر بتوانیم یک سیستم یادگیری ماشینی به اندازه کافی بزرگ و با قدرت کافی کامپیوتر بسازیم، به طور خود به خود هوش عمومی را نشان می دهد. این به روزگار سیستم های خبره ای برمی گردد که تلاش می کردند دانش یک زمینه خاص را به دست آورند. این تلاش‌ها به وضوح نشان داد که ایجاد موارد و داده‌های نمونه کافی برای غلبه بر عدم درک اساسی غیرممکن است. سیستم‌هایی که به سادگی نمادها را دستکاری می‌کنند، می‌توانند ظاهری درک ایجاد کنند تا زمانی که برخی از درخواست‌های «خارج از اسکریپت» محدودیت را آشکار کند.

چرا این مسائل اولویت اصلی صنعت هوش مصنوعی نیست؟ به طور خلاصه، پول را دنبال کنید.

برای مثال، رویکرد توسعه قابلیت‌های ساختن، مانند چیدن بلوک‌ها، برای یک کودک سه ساله را در نظر بگیرید. البته، ایجاد یک برنامه هوش مصنوعی که بتواند بلاک ها را درست مانند آن کودک سه ساله روی هم قرار دهد، کاملاً ممکن است. هرچند بعید است که بودجه دریافت کند. چرا؟ اول، چه کسی می‌خواهد میلیون‌ها دلار و سال‌ها توسعه را در برنامه‌ای بگذارد که یک ویژگی واحد را اجرا کند که هر کودک سه‌ساله می‌تواند انجام دهد، اما هیچ چیز دیگری، هیچ چیز عمومی‌تر؟

مسئله بزرگتر این است که حتی اگر کسی چنین پروژه ای را تأمین مالی کند، هوش مصنوعی هوش واقعی را نشان نمی دهد. هیچ آگاهی موقعیتی یا درک زمینه ای ندارد. علاوه بر این، فاقد تنها کاری است که هر کودک سه ساله می تواند انجام دهد: تبدیل شدن به یک کودک چهار ساله، و سپس یک کودک پنج ساله، و در نهایت یک کودک ۱۰ ساله و یک نوجوان ۱۵ ساله. توانایی های ذاتی کودک سه ساله شامل توانایی تبدیل شدن به یک بزرگسال کاملاً باهوش و کاملاً باهوش است.

به همین دلیل است که اصطلاح هوش مصنوعی کار نمی کند. اینجا به سادگی هوشمندی زیادی در جریان نیست. بیشتر آنچه ما هوش مصنوعی می نامیم بر اساس یک الگوریتم واحد است، انتشار پس زمینه. این تحت نام‌های یادگیری عمیق، یادگیری ماشینی، شبکه‌های عصبی مصنوعی، حتی شبکه‌های عصبی اسپک می‌رود. و اغلب به عنوان “مثل مغز شما کار می کند” ارائه می شود. اگر به جای آن به هوش مصنوعی به عنوان یک روش آماری قدرتمند فکر می کنید، به علامت نزدیکتر خواهید بود.

چارلز سیمون، BSEE، MSCS، یک کارآفرین و توسعه‌دهنده نرم‌افزار و مدیر عامل FutureAI است. Simon نویسنده Will the Computers Revolt?: Preparing for the Future of Artificial Intelligence و توسعه دهنده Brain Simulator II، یک پلت فرم نرم افزار تحقیقاتی AGI است. برای اطلاعات بیشتر، از https://futureai.guru/Founder.aspx دیدن کنید. .

—

New Tech Forum مکانی برای کاوش و بحث در مورد فناوری سازمانی نوظهور در عمق و وسعت بی سابقه ای فراهم می کند. انتخاب ذهنی است، بر اساس انتخاب ما از فناوری هایی که معتقدیم مهم هستند و برای خوانندگان InfoWorld بیشترین علاقه را دارند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. همه سوالات را به newtechforum@infoworld.com ارسال کنید.