بر اساس اظهارات کارشناسان سیاست خارجی و نهادهای دفاعی: “ایالات‌متحده در مسابقه تسلیحات هوش مصنوعی با چین دست به گریبان است، اتفاقی که پیامدهای جدی برای امنیت ملی آمریکا در پی دارد. نسخه متعارف این داستان نشان می‌دهد که ایالات‌متحده به دلیل محدودیت‌های خودساخته در گردآوری داده‌ها و حفظ حریم خصوصی شهروندان خود در معرض خطر قرار دارد، درحالی‌که چین، یک کشور بدون نظارت، نهایت منفعت را از این وضعیت می‌برد. در این دیدگاه، داده‌هایی که چین جمع‌آوری می‌کند، به سیستم‌های آن کشور وارد می‌شود و منجر به قدرتمندتر شدن هوش مصنوعی باقابلیت‌هایی می‌شود که امروزه می‌توانیم تصور کنیم. از آنجایی که کشورهای غربی نمی‌توانند یا نمیخواهند چنین جمع‌آوری جامعی از داده‌های شهروندان خود به دست آورند، چین در مسابقات تسلیحاتی هوش مصنوعی برنده خواهد شد و بر قرن آینده فرمانروایی خواهد کرد.”
این ایده باعث می‌شود بهانۀ قانع کننده‌ای برای رصد اطلاعات مردم وجود داشته باشد، مخصوصاً برای افرادی که سعی در توجیه رصد و نظارت، چه دولت و چه شرکت‌های بزرگ دارند.
به لطف پیشرفت در یادگیری ماشین، هوش مصنوعی در سال‌های اخیر از تئوری به عمل تبدیل شده و موفقیت‌های بسیاری در درک عموم مردم از نحوه کار آن‌ها به دست آمده است. آن‌ها به طور فزاینده‌ای بر ویدیوها نظارت می‌کنند. در هستۀ فناوری خودروی خودران حضور دارند و در جمع‌آوری اطلاعات و عملیات نظامی نقش حیاتی ایفا می‌کنند. این سیستم‌ها شبکه‌های ما برای کشف نفوذ و جستجوی هرزنامه و بدافزار در ایمیل‌ها هستند.
درست است که در هر کشوری جمع‌آوری داده‌ها تفاوت دارد. پروفسور شوشانا، استاد دانشگاه هاروارد می‌گوید: “ایالات‌متحده پیشگام سرمایه‌داری نظارتی است”، سیستمی که در آن داده‌ها توسط صدها شرکت بزرگ و کوچک برای سودآوری اشتراکی جمع‌آوری می‌شود. در مواردی مانند استفادۀ “مرکز کنترل و پیشگیری از بیماری” از داده‌های جستجوی گوگل و شواهد به دست آمده از مجرمان در فیس‌بوک برای یافتن عامل یک بیماری خاص، دولت از این نوع اطلاعات استفاده می‌کند، اما کاربر اصلی نیست.
از طرف دیگر، چین بسیار بیشتر تمرکزگراست است. شرکت‌های اینترنتی اطلاعات مشابه را جمع‌آوری می‌کنند، اما در مورد جمع‌آوری داده‌های بزرگ با دولت که برای کنترل اجتماعی استفاده می‌شود با دولت کاملاً هماهنگ هستند. هر شهروند چینی دارای شماره شناسایی ملی است که برای دسترسی به اکثر خدمات، اجباری است و اجازه می‌دهد داده‌ها به آسانی با هم مرتبط و همبسته شوند.
داده‌ها به طور فزاینده‌ای تبدیل به بخشی از پروسۀ کنترل برای دولت چین می‌شوند. درحالی‌که بسیاری از این برنامه‌ها در حال حاضر بلندپروازی به‌حساب می‌آیند، جمع‌آوری داده‌ها به طور جهانی ضرورتی برای آیندۀ هوش مصنوعی در چین به‌حساب می‌آید، اما یک معیار ثابت و محدود، آن‌طور که برخی ادعا می‌کنند وجود ندارد، بلکه در عوض برنامه‌های آینده برای پیوند دادن طیف گسترده‌ای از سیستم‌ها وجود دارد.
باید پیش‌بینی کرد که جمعیت چین درصورتی‌که با داده‌های خام مورد نیاز همبسته شود، احتمالاً تبدیل به قدرت برتر فناوری در جهان خواهد شد. هدف رسمی چین، تبدیل شدن به رهبر جهانی هوش مصنوعی تا سال ۲۰۳۰ است که بخشی از این هدف به کمک جمع‌آوری داده‌ها و همبسته نمودن آن میسر خواهد شد.
این‌ها همه به نظر چشمگیر است، اما تبدیل پایگاه‌های عظیم داده به قابلیت‌های هوش مصنوعی با واقعیت‌های تکنولوژیک مطابقت ندارد. تمام سیستم‌های مدرن هوش مصنوعی همان روش اساسی را دنبال می‌کنند. پس از امتحان بسیاری از مدل‌ها و تغییرات، سیستم بهترین گزینه را انتخاب می‌کند. این بهبود حتی بعد از اینکه سیستم مورد استفاده قرار گرفت، ادامه خواهد داشت.
مجموعه داده‌های بزرگ برای انجام این کار ضروری است، اما این بدان معنا نیست که داده‌ها لزوماً سیستمی با بیشترین داده‌ها حتماً بهترین سیستم باشد. اگر قصد داشته باشید الگوریتم تشخیص چهره را بر روی مجموعه داده‌ای که تنها شامل چهره‌های مردان سفیدپوست است و الگوریتم آن انواع دیگر چهره را نمی‌شناسد به کار ببرید، از یک تابع ارزیابی که براساس تصمیمات قبلی آموزش دیده استفاده کنید.
دانشمندان به طور مداوم در مورد نحوه آموزش سیستم‌های یادگیری ماشین آموزش می‌بینند و درحالی‌که می‌توانند بر روی مقدار زیادی داده و توان محاسباتی کار کنند، تکنیک‌های ظریف‌تر اغلب موفق‌تر هستند. تمام داده‌ها برابر نیستند و برای یادگیری مؤثر ماشین، داده‌ها باید به شیوه‌های مناسب و متنوع طبقه‌بندی شوند.
پیشرفت تحقیقات آینده در یادگیری ماشین در دو حوزه تمرکز دارد؛ اولاً اینکه چگونه این سیستم‌ها بین تغییرات یک الگوریتم تمایز قائل می‌شوند. همین‌طور که الگوریتم‌ها به‌عنوان نسخه‌های مختلف بر روی داده‌های قابل آموزش اجرا می‌شود، باید راهی برای تصمیم‌گیری “بهتر” باشد. به دست آوردن توابعی که می‌تواند به طور خودکار و دقیق بین دو الگوریتم بر اساس تفاوت‌های جزئی در خروجی تمایز قائل شود، یک شکل هنری است که با هیچ مقدار افزایش اطلاعات نمی‌تواند بهبود یابد.
دومین رویکرد شامل الگوریتم یادگیری ماشین است. بخش بزرگی از یادگیری ماشین بستگی به تلاش‌های متفاوت در فرمول دهی اولیه الگوریتم‌ها دارد که هنوز حیاتی است. روش الگوریتم‌های تعاملی، انواع گونه‌های متخلف امتحان شده و مکانیزم های مورد استفاده برای آزمایش و هدایت الگوریتم‌ها، همگی زمینه‌های تحقیق هستند. هیچ‌یک از این مشکلات را نمی‌توان با سرازیر کردن اطلاعات بیشتر حل کرد.
موفقیت شرکت هوش مصنوعی «دیپ مایند» در بریتانیا، در آموزش بازی “گو” (Go)، به کامپیوتر می‌تواند شاخص خوبی باشد. برنامه کامپیوتری دو مرحله‌ای آلفاگو (AlphaGo) گام بزرگی بود. اول تعداد بسیار زیادی از بازی‌های انجام شده توسط انسان را به آن خوراندند. سپس سیستم، تعداد بسیار زیادی بازی را با خود انجام داد و مدام خود را در طول راه بهبود بخشید. در سال ۲۰۱۶، آلفاگو استاد بزرگ بازی گُو را چهار به یک شکست داد.
در این مورد درحالی‌که داده‌های آموزشی(بازی‌های انسانی) بسیار ارزشمند بود، اما الگوریتم یادگیری ماشین مورد استفاده و عملکردی که جنبه‌های مختلف بازی را ارزیابی می‌کرد بسیار ارزشمندتر بودند. تنها یک سال بعد دیپ‌مایند با یک سیستم پیوسته بازگشت: آلفازیرو(AlphaZero). این بازی کامپیوتری از بازی‌های انسانی کاملاً بی‌نیاز و مستقل است و فقط از طریق بارها و بارها بازی با خود، آموخته می‌شود. این سیستم مثل یک موجود فضایی عمل می‌کند.
این‌ها بازی‌های انتزاعی هستند، بنابراین حس می‌شود که یک روند آموزش انتزاعی در مورد آن به‌خوبی کار می‌کند. اما حتی کاری به راحتیِ تشخیص چهره نیز نیاز به چیزی بیش از یک پایگاه داده بزرگ از چهره‌ها برای موفقیت در شناسایی چهره‌ها دارد؛ جدا کردن یک چهره از پس زمینه در یک عکس یا ویدئوی دو بعدی و به رسمیت شناختن یک چهره به‌رغم تغییرات زاویه، روشنایی یا سایه‌ها. اضافه کردن مقادیر داده‌ها ممکن است کمک کند، اما این کمک فاصله بسیار زیادی با مفید بودن تحقیقاتی دارد که به ما نشان دهد چه کاری با آن اطلاعات می‌توان انجام داد.
در همین حال، کارشناسان سیاست خارجی و دفاعی در مورد هوش مصنوعی طوری صحبت می‌کنند مثل اینکه مسابقه‌ای مانند آنچه در مورد تسلیحات هسته‌ای روی داد در راه است و کشورهایی که بهترین عملکرد یا اولین‌ها را در این زمینه نشان دهند ابرقدرت غالب در قرن آینده خواهند بود. اما در مورد سلاح‌های هسته‌ای چنین اتفاقی نیفتاد، علیرغم اینکه تحقیقات انجام شده توسط دولت‌ها به شدت مخفی می‌شد. مطمئناً در مورد هوش مصنوعی نیز چنین اتفاقی نخواهد افتاد، مهم نیست که کشورها یا شرکت‌های مختلف چقدر داده به دست بیاورند.
دولت چین پول زیادی در تحقیقات هوش مصنوعی سرمایه‌گذاری می‌کند زیرا معتقد است این امر به آن‌ها امکان می‌دهد که به کشورهای دیگر (و شرکت‌های موجود در آن کشورها) ضربه بزنند. این محاسبات ممکن است درست باشد اما از سوی دیگر به نظر می‌رسد یک زحمت بی‌فایده است. کشاندن پای تقریباً هر چیز به هوش مصنوعی تبدیل روشی برای دریافت بودجه شده است. به‌عنوان مثال، وزارت آموزش و پرورش چین وعده داده است که “۵۰ کتاب درسی با موضوع هوش مصنوعی در سطح جهانی” تولید کند، بدون هیچ توضیحی راجع به اینکه این به چه معنی است.
در دنیای دموکراتیک امروز، دولت نه محقق اصلی و نه مصرف کننده پیشرو در فناوری هوش مصنوعی است. تحقیق هوش مصنوعی بسیار غیر متمرکز و آکادمیک است و عمدتاً با اطلاع عموم مردم انجام می‌شود. تیم‌های تحقیقاتی داده‌های آموزشی و مدل‌های خود را حفظ می‌کند، اما آزادانه الگوریتم‌های یادگیری ماشین را منتشر می‌کنند؛ اگر می‌خواهید همین الان در زمینه یادگیری ماشین فعال باشید، می‌توانید کیت شناختی مایکروسافت، Tensor Flow Google یا Pytorch فیس‌بوک را دانلود کنید. این‌ها سیستم‌های اسباب‌بازی نیستند بلکه سیستم‌های هنر یادگیری ماشین هستند.
هوش مصنوعی مشابه پروژه‌های بزرگ علمی قرن گذشته نیست که بمب اتم و فرود ماه را به ارمغان آورد. هوش مصنوعی یک علم است که می‌تواند توسط بسیاری از گروه‌های مختلف با منابع مختلف انجام شود و می‌توان آن را در ادامه پیشرفت‌های علم کامپیوتر تحلیل کرد تا مسابقه فضایی یا رقابت هسته‌ای. هوش مصنوعی امکانات تحقیقاتی گستردۀ دولتی را مانند پروژه رازآلود منهتن ندارد. ارجحیت تحقیقاتی علمی که به صورت منبع باز و آشکار انجام می‌شود بر تحقیقاتی مخفی، به دلیل مزایای همکاری و تبادل آزاد ایده‌ها بسیار زیاد است.
درحالی‌که ایالات‌متحده قطعاً باید منابع مالی تحقیق در زمینه هوش مصنوعی را افزایش دهد، باید آن را به‌عنوان یک تلاش علمی آزاد ادامه دهد. “نظارت” بر نیازهای یادگیری ماشین توجیه ندارد و پیشرفت واقعی در هوش مصنوعی به آن نیازی ندارد.
منبع: schneier
