اما آنچه که کامپیوترها به طور سنتی در آن بد بودند، استراتژی بود – توانایی تفکر در شکل یک بازی در بسیاری از حرکات در آینده. اینجاست که انسانها هنوز برتری داشتند.
یا اینطور فکر می کرد کاسپاروف، تا اینکه حرکت دیپ بلو در بازی 2 او را به لرزه درآورد. آنقدر پیچیده به نظر می رسید که کاسپاروف شروع به نگرانی کرد: شاید دستگاه خیلی بهتر از آن چیزی بود که او فکر می کرد! او که متقاعد شده بود راهی برای پیروزی ندارد، در بازی دوم استعفا داد.
اما او نباید داشته باشد. به نظر می رسد که Deep Blue در واقع آنقدرها هم خوب نبوده است. کاسپاروف نتوانست حرکتی را تشخیص دهد که باعث شود بازی با تساوی به پایان برسد. داشت خودش را روان می کرد: او که نگران این بود که ماشین ممکن است بسیار قوی تر از آنچه واقعا بود باشد، شروع به دیدن استدلال های انسان گونه ای کرده بود که هیچ کدام وجود نداشت.
کاسپاروف با شکست ریتم خود، بدتر و بدتر بازی می کرد. بارها و بارها خودش را روانی کرد. در اوایل بازی ششم که همه چیز برنده تمام می شود، حرکتی را به قدری بد انجام داد که ناظران شطرنج با شوک فریاد زدند. او بعداً در یک کنفرانس مطبوعاتی گفت: «من اصلاً حال و هوای بازی کردن نداشتم.
آی بی ام از مهتاب خود سود برد. در هیاهوی مطبوعاتی که به دنبال موفقیت دیپ بلو اتفاق افتاد، ارزش بازار شرکت در یک هفته 11.4 میلیارد دلار افزایش یافت. با این حال، مهمتر از آن این بود که پیروزی IBM در زمستان طولانی هوش مصنوعی احساس شد. اگر می شد شطرنج را فتح کرد، بعد چه بود؟ اذهان عمومی متحیر شد
کمپبل به من می گوید: «این چیزی است که توجه مردم را به خود جلب کرده است».
حقیقت این است که تعجب آور نبود که یک کامپیوتر کاسپاروف را شکست داد. بیشتر افرادی که به هوش مصنوعی – و شطرنج – توجه داشتند، انتظار داشتند که در نهایت این اتفاق بیفتد.
شطرنج ممکن است به عنوان نقطه اوج اندیشه بشر به نظر برسد، اما اینطور نیست. در واقع، این یک کار ذهنی است که کاملاً قابل محاسبه نیروی brute-force است: قوانین واضح هستند، هیچ اطلاعات پنهانی وجود ندارد، و کامپیوتر حتی نیازی به پیگیری اتفاقات قبلی ندارد. این فقط موقعیت قطعات را در حال حاضر ارزیابی می کند.
مشکلات بسیار کمی وجود دارد که در آن، مانند شطرنج، شما تمام اطلاعاتی را که احتمالاً برای تصمیم گیری درست نیاز دارید، در اختیار دارید.
همه میدانستند که وقتی رایانهها به اندازه کافی سریع شوند، یک انسان را تحت تأثیر قرار میدهند. فقط سوال این بود که کی دمیس حسابیس، رئیس شرکت هوش مصنوعی DeepMind که بخشی از آلفابت است، میگوید: «در اواسط دهه 90، نوشتهها به یک معنا روی دیوار بود.
پیروزی دیپ بلو لحظه ای بود که نشان داد سیستم های رمزگذاری شده دستی چقدر می توانند محدود باشند. آیبیام سالها و میلیونها دلار صرف ساخت رایانهای برای بازی شطرنج کرده بود. اما کار دیگری نمی توانست بکند.
“این منجر به پیشرفتهایی نشد که اجازه داد: [Deep Blue] کمپبل می گوید که هوش مصنوعی تاثیر زیادی بر جهان خواهد داشت. آنها واقعاً هیچ اصول هوشی را کشف نکردند، زیرا دنیای واقعی شبیه شطرنج نیست. کمبل می افزاید: «مشکلات بسیار کمی وجود دارد که در آن، مانند شطرنج، تمام اطلاعاتی را که احتمالاً برای تصمیم گیری درست نیاز دارید، در اختیار دارید. «بیشتر اوقات ناشناخته هایی وجود دارد. تصادفی وجود دارد.»
اما حتی زمانی که دیپ بلو با کاسپاروف زمین را تمیز میکرد، تعداد انگشت شماری از تازهکارها به شکل کاملاً امیدوارکنندهتری از هوش مصنوعی دستکاری میکردند: شبکه عصبی
با شبکه های عصبی، ایده مانند سیستم های خبره این نبود که با صبر و حوصله قوانینی برای هر تصمیمی که یک هوش مصنوعی می گیرد بنویسد. در عوض، آموزش و تقویت ارتباطات درونی را در تقلید خشن (همانطور که تئوری می گوید) از نحوه یادگیری مغز انسان تقویت می کند.
عکس AP / آدام نادل:
این ایده از دهه 50 وجود داشت. اما آموزش یک شبکه عصبی بزرگ و مفید به رایانه های برق آسا، هزاران حافظه و داده های زیادی نیاز داشت. در آن زمان هیچ یک از آن ها به راحتی در دسترس نبود. حتی در دهه 90، شبکه های عصبی اتلاف وقت در نظر گرفته می شدند.
جف هینتون، استاد بازنشسته علوم کامپیوتر در دانشگاه تورنتو و از پیشگامان این حوزه میگوید: «در آن زمان، بیشتر افراد در هوش مصنوعی فکر میکردند شبکههای عصبی فقط زباله هستند. “من “مؤمن واقعی” نامیده شدم – نه یک تعارف.
اما در دهه 2000، صنعت کامپیوتر در حال تکامل بود تا شبکه های عصبی قابل دوام باشد. اشتیاق بازیکنان بازی های ویدیویی به گرافیک همیشه بهتر، صنعت عظیمی را در واحدهای پردازش گرافیکی فوق سریع ایجاد کرد که معلوم شد برای ریاضیات شبکه عصبی کاملاً مناسب است. در همین حال، اینترنت در حال انفجار بود و سیلابی از تصاویر و متن تولید می کرد که می توانست برای آموزش سیستم ها استفاده شود.
در اوایل دهه 2010، این جهشهای فنی به هینتون و خدمهاش متشکل از مؤمنان واقعی اجازه میداد تا شبکههای عصبی را به ارتفاعات جدیدی برسانند. آنها اکنون میتوانند شبکههایی با لایههای بسیاری از نورونها ایجاد کنند (یعنی «عمیق» در «یادگیری عمیق»). در سال 2012 تیم او به راحتی برنده مسابقه سالانه Imagenet شد، جایی که هوش مصنوعی برای تشخیص عناصر موجود در تصاویر با هم رقابت می کند. دنیای علم کامپیوتر را متحیر کرد: ماشین های خودآموز بالاخره قابل اجرا بودند.
ده سال پس از انقلاب یادگیری عمیق، شبکههای عصبی و تواناییهای تشخیص الگوی آنها هر گوشه از زندگی روزمره را مستعمره کردهاند. آنها به Gmail کمک میکنند تا جملات شما را تکمیل کند، به بانکها کمک میکنند کلاهبرداری را شناسایی کنند، به برنامههای عکس اجازه میدهند به طور خودکار چهرهها را تشخیص دهند، و – در مورد OpenAI’s GPT-3 و DeepMind’s Gopher – مقالات طولانی و انسانی بنویسند و متون را خلاصه کنند. آنها حتی نحوه انجام علم را تغییر می دهند. در سال 2020، DeepMind AlphaFold2 را معرفی کرد، یک هوش مصنوعی که میتواند چگونگی تا شدن پروتئینها را پیشبینی کند – مهارتی مافوق بشری که میتواند به محققان برای توسعه داروها و درمانهای جدید کمک کند.
در همین حال Deep Blue ناپدید شد و هیچ اختراع مفیدی در پی آن باقی نگذاشت. به نظر می رسد که بازی شطرنج یک مهارت کامپیوتری نیست که در زندگی روزمره مورد نیاز باشد. Hassabis موسس DeepMind می گوید: «آنچه Deep Blue در پایان نشان داد، کاستی های تلاش برای دست ساز کردن همه چیز بود.
IBM سعی کرد این وضعیت را با Watson، یک سیستم تخصصی دیگر، که برای مقابله با یک مشکل کاربردی تر طراحی شده بود، اصلاح کند: گرفتن ماشین برای پاسخ به سوالات از تجزیه و تحلیل آماری مقادیر انبوه متن برای دستیابی به درک زبانی استفاده کرد که در زمان خود پیشرفته بود. این چیزی بیش از یک سیستم ساده اگر-آنگاه بود. اما واتسون با زمان بد شانسی روبرو شد: تنها چند سال بعد با انقلاب در یادگیری عمیق، که نسلی از مدلهای سختگیرانه زبان را بسیار ظریفتر از تکنیکهای آماری واتسون آورد، تحتالشعاع قرار گرفت.
دافنه کولر، پروفسور سابق استنفورد که Insitro را که از شبکه های عصبی و دیگر اشکال یادگیری ماشینی برای بررسی درمان های دارویی جدید استفاده می کند، می گوید، یادگیری عمیق بر هوش مصنوعی قدیمی دقیقاً به این دلیل است که “تشخیص الگو فوق العاده قدرتمند است.” انعطافپذیری شبکههای عصبی – طیف گستردهای از روشهایی که میتوان از تشخیص الگو استفاده کرد – دلیلی است که هنوز زمستان دیگری با هوش مصنوعی وجود نداشته است. او میگوید: «یادگیری ماشین در واقع ارزشی را به ارمغان آورده است، چیزی که «امواج پرشور قبلی» در هوش مصنوعی هرگز انجام ندادند.
ثروت وارونه Deep Blue و شبکههای عصبی نشان میدهد که ما برای مدت طولانی در قضاوت سخت – و ارزش – در هوش مصنوعی چقدر بد بودیم.
برای دههها، مردم تصور میکردند تسلط بر شطرنج مهم است، زیرا، خوب، بازی شطرنج برای انسانها در سطح بالا سخت است. اما معلوم شد که تسلط بر شطرنج برای کامپیوترها بسیار آسان است، زیرا بسیار منطقی است.
چیزی که برای رایانهها بسیار سختتر بود، کار ذهنی عادی و ناخودآگاهی بود که انسانها انجام میدادند – مانند انجام یک مکالمه پر جنب و جوش، هدایت ماشین در ترافیک، یا خواندن وضعیت احساسی یک دوست. ما این کارها را آنقدر بدون زحمت انجام می دهیم که به ندرت متوجه می شویم که چقدر پیچیده هستند و چقدر قضاوت مبهم و خاکستری نیاز دارند. سودمندی بزرگ یادگیری عمیق از توانایی گرفتن قطعات کوچکی از این هوش ظریف و ناشناخته انسانی ناشی شده است.
با این حال، هیچ پیروزی نهایی در هوش مصنوعی وجود ندارد. یادگیری عمیق ممکن است در حال حاضر بالا باشد – اما نقدهای تیز را نیز جمع می کند.
“برای مدت طولانی، این شور و شوق تکنو-شوینیستی وجود داشت که خوب، هوش مصنوعی همه مشکلات را حل می کند!” مردیت بروسارد، برنامه نویسی که استاد روزنامه نگاری دانشگاه نیویورک شد و نویسنده این کتاب می گوید: عدم هوش مصنوعی:. اما همانطور که او و سایر منتقدان اشاره کردهاند، سیستمهای یادگیری عمیق اغلب بر روی دادههای جانبدارانه آموزش میبینند – و این سوگیریها را جذب میکنند. دانشمندان کامپیوتر جوی بولاموینی و تیمنیت گبرو کشف کردند که سه سیستم هوش مصنوعی بصری موجود در بازار در تجزیه و تحلیل چهره زنان با پوست تیره تر وحشتناک هستند. آمازون یک هوش مصنوعی آموزش داد تا رزومه ها را بررسی کند، اما متوجه شد که زنان را پایین آورده است.
اگرچه دانشمندان کامپیوتر و بسیاری از مهندسان هوش مصنوعی اکنون از این مشکلات سوگیری آگاه هستند، اما همیشه مطمئن نیستند که چگونه با آنها برخورد کنند. دانیلا روس، کهنهکار هوش مصنوعی که در حال حاضر آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT را اداره میکند، میگوید علاوه بر این، شبکههای عصبی «جعبههای سیاه عظیم» هستند. هنگامی که یک شبکه عصبی آموزش داده می شود، مکانیک آن حتی توسط خالق آن به راحتی قابل درک نیست. مشخص نیست که چگونه به نتایج خود می رسد – یا چگونه شکست خواهد خورد.
“برای مدت طولانی، این شور و شوق تکنو-شوینیستی وجود داشت که بسیار خوب، هوش مصنوعی هر مشکلی را حل می کند!”
به گفته روس، تکیه بر جعبه سیاه برای کاری که «امنیت حیاتی» نیست، ممکن است مشکلی نباشد. اما در مورد یک شغل با ریسک بالاتر، مانند رانندگی خودمختار چطور؟ او میگوید: «در واقع بسیار قابل توجه است که ما میتوانیم به آنها اعتماد و ایمان زیادی داشته باشیم.
اینجا جایی بود که دیپ بلو برتری داشت. شاید سبک قدیمی قوانین دست ساز شکننده بود، اما قابل درک بود. دستگاه پیچیده بود – اما یک راز نبود.
از قضا، زمانی که مهندسان و دانشمندان کامپیوتر با محدودیت های تطبیق الگوها دست و پنجه نرم می کنند، آن سبک قدیمی برنامه نویسی ممکن است چیزی شبیه به بازگشت را رقم بزند.
مولدهای زبان، مانند OpenAI’s GPT-3 یا DeepMind’s Gopher، می توانند چند جمله ای که شما نوشته اید را بخوانند و به کار خود ادامه دهند و صفحات و صفحاتی را بنویسند که دارای صدایی قابل قبول هستند. حسابیس میگوید، اما علیرغم برخی تقلیدهای چشمگیر، گوفر «هنوز واقعاً نمیداند چه میگوید». “به معنای واقعی نه.”
به طور مشابه، هوش مصنوعی بصری می تواند اشتباهات وحشتناکی را در صورت مواجهه با یک لبه مرتکب شود. خودروهای خودران با ماشینهای آتشنشانی پارک شده در بزرگراهها برخورد کردهاند، زیرا در تمام میلیونها ساعت ویدیویی که آنها آموزش دیدهاند، هرگز با چنین وضعیتی مواجه نشدهاند. شبکه های عصبی به روش خود نسخه ای از مشکل «شکنندگی» دارند.
