مفلسانیم و هوای می و مطرب داریم...
تاریخچه هوش مصنوعی برای سیاست گذاران
تاریخچه هوش مصنوعی
مانند هر موضوع یا برنامه مطالعاتی دیگر ، مطالعه تاریخچه هوش مصنوعی را میتوان با استراتژیهای مختلفی شروع کرد. در مورد بسیاری از موضوعات به ویژه موضوعات بحث انگیز، باز کردن تاریخچه بحث کار دشواری است. به طور مثال در مورد جاذبه و یا حرکت زمین به دور خورشید و موضوعاتی از این دست در فیزیک، نمی توان یک نقطه مشخصی را به عنوان یک مبدا در باز شدن بحث در نظر گرفت. عده ای گالیله و نیوتون را به عنوان افراد اصلی، و نظرات آن ها را به عنوان مبدا تاریخی مطالعه در این حوزه در نظر می گیرند. اما عده ای دیگر با استناد به مدارکی قابل تامل، دقت علمی ادعای پیشین در حوزه فیزیک را زیر سوال می برند و آن را نامعتبر می دانند.
صد البته اگر قرار باشد کسی با دقت تمام در مورد این موضوع تحقیق کند احتمالا می تواند موارد متعددی را بیابد که پیش از نیوتون با ادله درست و یا بر حسب اتفاق و یا با حدس های هوشمندانه، روابط میان جرم یک جسم و سرعت سقوط آن را بررسی کرده باشند و یا در مورد حرکت زمین در مدارهای بیضی شکل صحبت کرده باشند.
اما تقریبا برای همه افرادی که در حوزه این علم در حال کار هستند، موضوع جاذبه زمین و همین طور مسئلههای دیگری که در این حوزه مورد بررسی قرار می گیرند، دارای یک مبدا زمانی است و آن هم زمانی است که نیوتون به آن ها پرداخت. در واقع مطالعاتی که پیش از آن، در مورد تاریخچه جاذبه صورت پذیرفته است، نادیده گرفته می شود و افراد به جای تمرکز بر حاشیه های کم اهمیت بحث را از جایی آغاز می کنند که خط آن موضوع آن پررنگ تر از همیشه در تاریخ علم و توسط دانشمندان دنبال شده است.
در مورد هوش مصنوعی نیز می توان چنین ایده ای را مد نظر داشت. هوش مصنوعی از آن جایی که به صورت ویژه در مورد شگفت انگیزترین توانایی ما انسان ها یعنی اندیشیدن، بحث و بررسی انجام می دهد دارای ریشه و سبقه طولانی در تاریخ است. بسیاری از دانشمندان، متفکران و فلاسفه با دید دینی و یا فلسفی در این مورد به بحث و گفت و گو نشسته اند و تاریخچه هوش مصنوعی را میتوان تا صدها سال دورتر نیز دنبال کرد.
اما جایی هست که موضوع هوش مصنوعی برای همگان جدی تر می شود و توجه همه را به خود جلب میکند. در واقع برای هوش مصنوعی نیز مانند فیزیک می توان تاریخچه ای در نظر گرفت که همه مطالعات و حدث و گمان های پیشینی، بعد از آن به صورت جدی تر توسط جامعه دانشگاهی دنبال می شود.
همان طور که فیزیک کلاسیک با نام نیوتون و فیزیک نوین با نام انیشتین گره خورده است، مطالعه هوش مصنوعی نیز بدون شناخت تورینگ امکان پذیر نیست. مردی که یک پا در ریاضیات و یک پا در علوم کامپیوتر دارد و نظریاتش آنچنان اثرگذار است که شاید بدون حضور او زندگی ما شکل دیگری داشت.
در مورد آلن تورینگ: شروع تاریخچه سیاست گذاری
در هر قرن و یا در هر هزاره افراد معدودی هستند که به تنهایی بشر را به اندازه چندین سال به پیش می رانند. تورینگ که شاید بتوان او را مهمترین شخصیت در تاریخچه هوش مصنوعی دانست یکی از این افراد است. بسیاری بر این باورند که اگر تورینگ چند سال بیشتر زنده بوده و به دلیل جهل و تعصبی که زندگی را بر او دشوار کرده بود، مجبور به خودکشی نمیشد، امروز بشر در نقطه دیگری از نظر پیشرفت در حوزه علوم کامپیوتر قرار داشت. شاید مطالعه زندگی تورینگ، نه تنها از نظر فهم بهتر هوش مصنوعی برای سیاست گذاری برای ما مفید باشد، بلکه بتواند دید ما را در سیاستگذاری در حوزه و قلمرو زندگی شخصی افراد نیز گسترش دهد و برای ما روشن تر کند که چه طور دخالت در حوزه های شخصی و بی اهمیت زندگی دیگران، می تواند جامعه و حتی دنیا را با خسران های بزرگی روبرو کند.
تورینگ به معنای واقعی کلمه استاد و دانشمند رشته ای است که امروزه آن را علوم کامپیوتر می نامیم. جایی که مرز میان ریاضیات و کامپیوتر است. در سال هایی که در آن جنگ جهانی در جریان بود، تورینگ به کمک ارتش بریتانیا آمد و یکی از مهمترین مسئله هایی را که در آن زمان ارتش بریتانیا در برابر ارتش هیتلر با آن روبرو بود را حل کرد. او توانست پیام هایی را که توسط ارتش آلمان رمزنگاری شده بود، را توسط یک ماشین الکترومکانیکی رمزگشایی کند و بخشی از شهرتش مرهون همین کار است.
تورینگ نظریات متعدد علمی را به جامعه علمی ارائه کرد، از جمله این نظریات اثبات امکان پذیری انجام همه صورهای منطقی به وسیله محاسبات باینری است. در کنار آن او در مقاله ای در دهه 50 قرن گذشته جهت مشخص کردن سطح هوشمندی یک رایانه تستی را مطرح کرد که امروز همه آن را با عنوان آزمون تورینگ می شناسند. اگر بنا باشد که به زبان ساده این بازی را تشریح کنیم باید بگوییم چیزی که تورینگ مد نظر داشت فریب انسان توسط کامپیوتر در "بازی تقلید" بود. بازی تقلید نام آزمونی است که در آن در یک ارتباط رایانه ای (مجازی و غیر حضوری مانند چت) یک مرد تلاش برای اثبات خود به عنوان یک مرد و یک زن تلاش برای فریب دادن نفر سوم و جا زدن خود به عنوان یک مرد تلاش دارد.
به اعتقاد تورینگ بهترین معیار برای هوشمند شمردن یک ماشین آن است که ماشین بتواند، یک انسان را در چنین بازی ای فریب دهد و فرد مورد امتحان و یا سنجشگر، متوجه نشود که با یک انسان روبروست یا یک ربات. مشابه با این چالش و برای توسعه هوش مصنوعی، چالش های متنوع دیگری نیز در دهههای گذشته برای توسعه هوش مصنوعی طراحی شده است.
یکی از چالش های ابتدایی که در راه توسعه هوش مصنوعی مطرح شد، شطرنج بازی کردن انسان با کامپیوتر بود. شطرنج به عنوان یک نماد بازی فکری و شطرنج بازان به عنوان نمایندگانی شایسته از هوشمندی انسان همواره مطرح بوده اند. چالش یاد شده این گونه بود: به عنوان یک تست برای توانمندی هوش مصنوعی، ربات بتواند مانند انسان فکر کند و باید رباتی وجود داشته باشد که بتواند قهرمان شطرنج جهان را شکست دهد.
پس از گذشت مدت زمانی این اتفاق به عنوان یک نقطه عطف در تاریخچه هوش مصنوعی اتفاق افتاد و بلو دیپ سوپر کامپیوتر IBM توانست با استفاده از الگوریتم خود، گری کاسپاروف شطرنج باز بزرگ روسی را شکست داده و برای اولین بار یک ربات قهرمان شطرنج جهان شود.
بسیاری این نقطه را در تاریخچه هوش مصنوعی نقطه ی عطف می دانند اما به نظر می آمد که نکاتی وجود دارد که از آن غفلت شده است.اگرچه شکست دادن گری کاسپاروف دستاورد بزرگی بود که برنامه نویسان توانسته بودند به آن دست پیدا کنند اما نکاتی وجود داشت که هنوز الگوریتم ها نمی توانستند با آن به درستی روبرو شوند. مهمترین موضوع این بود که محیط شطرنج، محیطی استاتیک و ایستا است. یعنی همیشه در شطرنج تعداد مهره ها، قواعد حرکت آن ها، شرایط محیط و … ثابت است و در این شرایط ربات با عوامل پویا یا دینامیک روبرو نمیشود.
همین تفاوت میان محیط های استاتیک و دینامیک بود که باعث شد، چالش های جدید در حوزه هوش مصنوعی شکل بگیرد. از جمله این چالش ها که هنوز هم در حال پیگیری و دنبال شدن است، تلاش برای طراحی ربات های فوتبالیستی است که بتوانند تا سال 2050 قهرمان جام جهانی فوتبال را شکست دهند. یعنی رباتهایی که بتوانند هم شرایط فیزیکی و هم شرایط نرم افزاری مختلف و پویا را تحلیل کرده و مورد بررسی قرار دهند. به همین دلیل است که شما شاهد بوده اید که در هر ساله لیگ های مختلف شبیه سازی بازی فوتبال در میان ربات ها با عناوین و قواعد مختلف تشکیل می شود و دانشجویان و دانش آموزان تلاش می کنند تا با شبیه سازی بازی فوتبال توانمندی خود را در این زمینه افزایش دهند. علاوه بر این در بازی های دیگر نیز که از شطرنج شرایط پیچیده تری داشته اند ما شاهد این بوده ایم که چالش هوش مصنوعی مطرح شده است . یکی از این موارد go است. بازی که شرایط آن بر خلاف شطرنج پیچیده تر بود.
تاریخچه هوش مصنوعی در دنیای واقعی
هوش مصنوعی همواره موضوع مورد توجهی بوده است و مهندسان تا حد امکان می توانند که از آن برای بهبود محصولات و راهکارهای خود استفاده کنند. از گذشته دور شما می توانید در الگوریتم ها و تکنولوژی های مختلف در این حوزه را پیدا کنید. صنایع نظامی همواره بستری برای توسعه تکنولوژی های سطح بالا بوده اند . از اولین استفاده هایی که از هوش مصنوعی در صنایع نظامی صورت گرفته می توان به استفاده از آن در تشخیص اهداف اشاره کرد . نمونه های f14 که در سال های پیش از انقلاب در اختیار ارتش ایران قرار گرفته است توانایی تشخیص اهداف مختلف، دسته بندی و پیشنهاددهی آن ها برای هدف قرار دادن، به خلبان را دارد.
در حوزه نظامی هوش مصنوعی از همان زمان بیشتر هم توسعه پیدا کرده است و موضوع سلاح های خودکار یکی از بحث های جنجالی است که امروزه در همه رسانه ها به آن اشاره می شود . سلاح های مرگباری که در آنها به جای انسان یک ربات مسئولیت شلیک را بر عهده دارد.
در صنایع دیگر نیز به تبع توسعه های هوش مصنوعی استفاده از این تکنولوژی رواج پیدا کرد . شاید همه شما به خاطر داشته باشید که تکنولوژی تشخیص لبخند یکی از مهمترین مواردی که بود که سال ها در تبلیغ دوربین و موبایل به آن اشاره می شد. با توسعه همان تکنولوژی بود که امروزه می توانیم فیلتر های مختلف را در اینستاگرام بر روی چهره خود اعمال کنیم. شاید شما که هم اکنون در حال مطالعه این مقاله باشید سال ها از نوشتن این مقاله گذشته باشد و فیلترهای تصویری که ما بر روی صورت خود اعمال میکنیم نیز مانند تکنولوژی تشخیص لبخند برای شما قدیمی و ساده به نظر آید :)
نقش ما سیاست گذاران نسل اول هوش مصنوعی در تاریخچه هوش مصنوعی
در دوره ای که ما زندگی می کنیم به دلایل متعددی شاهد این بوده ایم که هوش مصنوعی رشد جهشی داشته است. در واقع نه خود هوش مصنوعی بلکه تکنولوژیی های دیگری که به عنوان تکه های گم شده پازل هوش مصنوعی می توانیم آن ها را در نظر بگیریم به ما کمک کرده اند تا بتوانیم از ظرفیت هوش مصنوعی بیشتر بهره بگیریم. از جمله مواردی که این توانمندی را برای ما فراهم آورده است، توسعه موبایل و همین طور سایر سنسورهایی است که به صورت مداوم داده ها را از محیط جمع آوری کرده و برای بررسی در اختیار ما میگذارند، است . ما این شانس را داریم که اطلاعات بسیار مفیدی از رفتار افراد و شهروندان توسط گوشی های هوشمند جمع آوری می شود را در اختیار داشته باشیم. مثلا دولت امروزه می تواند به راحتی رابطه میان اثرگذاری آموزش عمومی ( مثلا نصب بیلبوردهای ترویجی در مسیری از بزرگراه های شهری) و مصرف انرژی (میزان تغییر مصرف بنزین افرادی که در آن مسیر تردد می کنند) را اندازه بگیرد و با استفاده از هوش مصنوعی تناوب مناسب برای آگهی ها و مکان های مناسب آن را پیش بینی کند.
علاوه بر پیش بینی های درست در مورد برنامه های ترویجی، دولت این امکان را دارد تا با به کارگیری سیستم های خبره که هسته اصلی آن ها هوش مصنوعی است مالیات را به نحوه ای تغییر دهد که هم متغیرهایی مانند میزان انتشار کربن دی اکسید، سطح سرویس خدمات لجستیک در شهر و تولید ناخالص در یک شهر در بهینه ترین حالت ممکن باشند. همه این توانایی ها زمانی برای هوش مصنوعی در دسترس قرار گرفت که ما خود به عنوان یک سنسور، به صورت دائم در حال ارسال اطلاعات از زندگی روزمره خود هستیم.
مسئله دیگری که باعث شده است ما شاهد رشد هوش مصنوعی باشیم و در تاریخچه هوش مصنوعی بیسابقه بوده است امکان ذخیره اطلاعات جمع آوری شده در دیتابیس های ارزان قیمت و با کارایی بسیار بالا است. امروزه دیتابیس های بزرگ این امکان را فراهم آورده اند تا اطلاعاتی که توسط سنسورها بررسی از محیط استخراج می شود، بر روی فضایی ابری ذخیره شده و به صورت آزاد در اختیار افراد قرار بگیرد.
مساله مهمی در میان است که به عنوان یک سیاست گذار نباید آن را فراموش کنید. وقتی می گوییم در دوران ما استفاده از دیتابیسها امکان پذیر شده است و یا می گوییم که سنسورها می توانند اطلاعات را به طُرُق مختلف پایش و ثبت کنند، یک نکته مهم وجود دارد و آن نکته این است که آنچه به عنوان امکانپذیری در موردش صحبت می شود، در بسیاری از موارد امکانپذیری فنی نیست، بلکه امکانپذیری از جنبه مدیریتی است.
علت توسعه نیافتن هوش مصنوعی در 30 سال پیش نبود محصولی است که همه ابعاد آن از جمله ابعاد اقتصادی آن معقول باشد. یعنی امکانپذیری هوش مصنوعی از نظر فنی و مهندسی از سالها پیش وجود داشته است ولی به دلیل این که از نظر مدیریتی این کار ناامکانپذیر بوده است و توجیه اقتصادی نداشته است، تا به سالهای اخیر بهرهبرداری از آن معطل مانده است.
در دوره ای که دانشمندان بر روی کانسپت های اولیه این مفهوم یعنی هوش مصنوعی کار می کردند هزینه اجاره یک رایانه 200 هزار دلار بود. مقایسه کنید با رایانه های پرتوانی که با قیمت های حدود 1000 دلار در بازار موجود هستند. همان طور که می بینید آنچه بیشتر از بخش فنی و مهندسی در توسعه این حوزه از دانش اثرگذار بوده است، موضوع امکان تجاری سازی و همین طور تحلیل های مختلف محیطی است.
عامل بسیار مهم دیگر در کنار دو موردی که در بالا به آنها اشاره شد، حضور تکنولوژی های مختلفی است که به ما امکان بررسی و تحلیل اطلاعات بزرگ را می دهد. گزینه ای که تا بیش از این مورد توجه شرکت های مختلف نبود ولی امروزه به دلیل این که افراد و سازمان های مختلف به تحلیل اطلاعات می پردازند . تولید کنندگان راهکارهای نرم افزاری نیز تکنولوژی های مناسب برای این تجزیه و تحلیل و بررسی در منابع اطلاعاتی را توسعه داده اند و بررسی و استفاده از اطلاعات جمع آوری شده را در که به آن ها بیگ دیتا یا کلان داده می گوییم را بسیار ساده تر از گذشته کرده اند.
در حوزه عمومی نیز موضوع هوش مصنوعی هرچند با تاخیر نسبت به بخش خصوصی اما به صورت جدی مورد توجه قرار گرفته است. در واقع امروز در نقطه ای از تاریخچه هوش مصنوعی قرار گرفته ایم که هوش مصنوعی به عنوان یک ابزار در حال ورود به سازمان ها و نهادهای اداری و سیاسی است. در مقالات هفته های آینده بیشتر در مورد حوزه های عمومی که در آن تکنولوژی های هوش مصنوعی موجب تحول شده است با یکدیگر صحبت خواهیم کرد اما به عنوان یک مورد بد نیست که نمونه جالب زیر را بررسی کنید
هوش مصنوعی و نظام سلامت
امروز که من در حال نوشتن این مقاله هستم، مساله و موضوع نظام ملی سلامت یکی از موضوعات مهمی است که در دنیای سیاست گذاری در حال بررسی است. در دنیا به صورت متناوب میان نظام درمانی در کشورهای اروپایی با آمریکا مقایسه صورت می پذیرد. ترامپ رئیس جمهور آمریکا، نظام سلامت جامع اوباما، رئیس جمهور پیشین را به کلی کنار گذاشته است و آن را به عنوان یک بار سنگین مالی برای مالیات دهندگان معرفی میکند. در مقابل خدمات ارائه شده در حوزه سلامت در کشور آمریکا از کیفیت مطلوب مشابه کشورهای هم رده آمریکا ( به طور مثال با GDP مشابه) نیست و پرسش های متعددی در مورد این موضوع میان تحلیلگران و سیاست گذاران وجود دارد.
از طرفی در کشور خودمان ایران هم طرحی مشابه آنچه اوباما در امریکا اجرا کرد با عنوان بیمه سلامت به اجرا در آمد که در انتها به دلیل فشارهای مالی بسیار سنگین آن برای کشور، و کارا نبودن طرح با شکست روبرو شد و حتی وزیر بهداشت نیز در پی اختلافات و در حقیقت شکست این برنامه استعفا داد.
چرا این مساله باید برای ما به عنوان یک سیاست گذار اهمیت داشته باشد؟
یکی از حوزه هایی که در سال های اخیر هوش مصنوعی به صورت ویژه در آن وارد شده است، حوزه درمان و سلامت است. سلامت یکی از مواردی است که به سبب فوریت، دولت ها و حتی نهاد های بین المللی به ناچار باید در آن دخالت کنند، یعنی به صورت جدی در این حوزه نیاز به سیاست گذاری، توجه و برنامه ریزی پیشینی، مدیریت بحران و... در سطح کشورها و موسسات حاکمیتی احساس می شود و دولت ها مجبورند بخشی از عملیات و ظرفیت نهادی خود را به آن اختصاص دهند.
از طرفی به دلیل بازار بزرگ و قابل توجه، سطح بلوغ آی تی قابل قبول در بخش درمان، داده های ساختار یافته در فرمت های مختلف و… پزشکی بستری بوده است که برای هوش مصنوعی بهترین فضاهای رشد را فراهم آورده و شرکت های بزرگ مانند IBM در حوزه هوش مصنوعی، تلاش های خود را در این زمینه متمرکز کردهاند.
شرکت IBM به عنوان یکی از رهبران بازار هوش مصنوعی، تمرکز خود را به صورت ویژه بر حوزه درمان و سلامت معطوف کرده است.
نتیجه تلاش های فعالان و علاقه مندان در حوزه هوش مصنوعی باعث تغییرات عمده ای در این محیط خواهد شد و فضای آینده را برای سیاست گذاران با ابهامات جدی روبرو می کند. در واقع بدون توجه به موضوع هوش مصنوعی برای شما به عنوان یک سیاست گذار امکان این که در خصوص موضوع بحث انگیز "نظام سلامت" سیاست گذاری کنید وجود ندارد و نخواهد داشت. به طور مثال به موارد مثبت زیر توجه کنید:
- همین امروز که من در حال نوشتن این متن و شما در حال خواندن آن هستید، در بسیاری از موارد ربات ها بهتر از پزشکان سرطان را تشخیص می دهند.
- ربات ها مانند انسان ها بایاس ندارند، یعنی هیچ رباتی مانند پرستاران، به اشتباه فکر نمی کند که مردان و یا سیاه پوستان درد کمتری را نسبت به زنان و یا سفید پوستان احساس میکنند(!) و برای تجویز مسکن و یا اولویت پذیرش آنها در اورژانس اشتباه نمیکند.
- الگوریتم ها با تحلیل اطلاعات می توانند اپیدمی ها و پاندمی ها مانند ویروس کرونا را بسیار زودتر از انسان پیش بینی کنند و در مورد آن ها تصمیمات درستی را اتخاذ کنند.
- با استفاده از بیگ دیتا مربوط به بیماران می توان روش های جدید در حوزه درمان و سلامت را مورد استفاده قرار داد. به طور مثال درصد قابل توجهی از افرادی که در گوگل عبارت " درد زیر قفسه سینه در میان خواب شب" را جستجو کرده بودن، به سرطان مری دچار بوده اند و با استفاده از تحلیل داده شش ماه زودتر از روال معمول شناسایی می شوند.
- الگوریتم هایی که در حوزه پزشکی توسعه می یابند، کلیه فرایندهای تشخیصی و درمانی را زیر و رو می کنند و جایگاه پزشک و بیمارستان و … به کلی تغییر خواهد کرد. الگوریتم ها می توانند باعث ارزان تر شدن خدمات درمان و در دسترس بودن آن ها در یک کیفیت برای همه دنیا و به صورت متمرکز شوند.
- الگوریتم ها و هوش مصنوعی می توانند موجب تغییر بنیادین در هزینه های درمان از جمله بیمه شوند و هر فرد مختص با فاکتورها ریسک خود، هزینه بیمه اش (و متعاقبا هزینه های سرانه ی درمانش) مشخص شود.
ناگفته پیداست که هر سیاست گذاری نیاز به اطلاع و تسلط بر موضوعات هوش مصنوعی خواهد بود. حالا با توجه به همه این موارد مثبت و خوب به داستان زیر توجه کنید:
فکر کنید در بیمارستان و منتظر ویزیت پزشک هستید. در مورد دردی که احساس می کنید در اینترنت جستجو کردهاید و سایت های مختلف در مورد احتمال سرطان سینه صحبت کرده اند. با خود در حال کلنجار رفتن هستید و می گویید ایکاش پزشک زودتر بیاید و بتوانید با او در مورد مساله خودتان صحبت کنید و به شما آرامش خاطر بدهد. ناگهان در اتاق شما باز می شود و یک پرستار همراه با ربات وارد اتاق شما می شود. او (ربات) پزشک شماست! همین امروز که شما در حال خواندن این متن هستید رباتها تقریبا بهتر از همه پزشکان و با دقتی بالاتر امکان تشخیص سرطان سینه را دارند.
در همین شرایط پرستار به شما می گوید که برای این کار نیاز به مراجعه به بیمارستان را نداشته اید و میتوانستد عکس سینه های خود را برای ما ارسال کنید! البته به شما اطمینان خاطر می دهد که ربات/پزشک شما با دقتی بسیار بالاتر از هر پزشکی و با استفاده از پردازش تصویر بیماری شما را می تواند تشخیص دهد و نیاز به هیچ آزمایش دیگری نیست. ربات شروع به بررسی و احتمالا عکاسی از شما می کند(!) و فاجعه بزرگ تازه در اینجا رخ می دهد، ربات ناگهان روی صفحه خود یک پیام با رنگ قرمز را به شما نمایش می دهد و آن این است:
متاسفانه شما بدترین نوع سرطان سینه را دارید
عملیات تمام شد!
این روایت کوتاه برگرفته از یک تجربه واقعی است. هدف از نقل این مثال آن است که با هم پرسش هایی را در این زمینه بررسی کنیم:
- آیا نظام درمانی حق دارد همه بیماران را ملزم به استفاده از ربات ها در تشخیص بیماری های خود کند؟
- آیا شهروندان در ارتباط با دادههایی که در اختیار ربات ها که اکثر تحت کنترل شرکتهای بخش خصوصی است باید به ما اعتماد کنند؟
- مسئولیت رفتار و پیامدهای اشتباهات ربات ها بر عهده چه کسانی است ؟
یک نمونه موردی دیگری که در آمریکا و در همین حوزه رخ داد، مساله تمایز میان سفیدپوستان و سیاه پوستان است. رباتی که در حوزه سلامت در آمریکا به کار گرفته شده بود، میزان هزینه بیمه های ویژه سرطان را با ریسک فاکتور مربوط به سرطان همبسته در نظر گرفته بود و از اینجا تبعیض سیستماتیک در میان سیاه پوستان و سفید پوستان وارد الگوریتم های تصمیم گیری هوش مصنوعی برای نظام سلامت آمریکا شده بود. میزان درگیر شدن سیاه پوستان با بیماریهای مختلف کمتر از درگیری سفیدپوستان با آن بیماری های نیست ولی ربات به اشتباه این مقدار با توجه به این که سیاه پوستان هزینه کمتری را برای بیمه می توانند پرداخت کنند، به عنوان افراد در ریسک کمتر دسته بندی کرده بود
پس ما به عنوان سیاست گذاران نسل اول هوش مصنوعی مجبوریم که همه موارد احتیاطی را در مورد هوش مصنوعی مد نظر قرار داده و در مورد مسائل عمومی مربوط به هوش مصنوعی بررسی های کامل انجام دهیم. برای این کار روش های سیستماتیکی وجود دارد که در آینده بیشتر به آن خواهیم پرداخت.
تایم لاین
- سال 1623: اولین ماشین حساب ساخته شد.
- سال 1770: مخترعی رباتی را که قابلیت بازی شطرنج(به عنوان یک بازی فکری و نماد هوشمندی) داشت را به ملکه اتریش معرفی کرد. این دستگاه یک ربات مکانیکی بود.
- سال 1945: نظریه محاسبات “آلن تورینگ” بیان کرد که یک ماشین محاسبات ساده با اعداد “0” و “1” (باینری) میتواند هر عمل ممکن در استنتاج ریاضی را انجام دهد.
- سال 1950: آزمون تورینگ توسط آلن تورینگ در مقالهای با نام «محاسبات ماشینی و هوشمندی» مطرح شد.
- سال 1955: آلن نیوول، کلیف شاو و هربرت سیمون از طریق برنامه Logic Theorist به اثبات مفهوم هوش مصنوعی پرداختند. Logic Theorist در واقع به نوعی برنامه ریزی شده بود تا مهارت های انسان ها در حل مسئله را تقلید کند و بودجه آن توسط موسسه تحقیقات و توسعه (RAND) تهیه شده بود.
- سال 1956:رشته دانشگاهی پژوهش در هوش مصنوعی توسط جان مک کارتی و همکارانش در کالج دارتموث تاسیس شد.
- در اواسط دهه شصت میلادی تحقیقات زیادی، در دپارتمان دفاع ایالات متحده پایه ریزی شده و مراکز بسیاری در سرتاسر جهان با هدف توسعه در حوزه هوش مصنوعی، تاسیس گردید
- سال 1970: ماروین مینسکی در مصاحبه ای ادعا کرد که نهایتا تا هشت سال آینده ما رباتی خواهیم داشت که هوش معادل با یک انسان معمولی را داشته باشد.
- سال 1980: با موفقیت های تجاری سیستم های خبره(Expert systems) پژوهش های هوش مصنوعی دوباره جان گرفت
- در دهه 80 میلادی: جان هوپفیلد و دیوید راملهارت، تکنیک یادگیری عمیق را مطرح کردند.
- سال 1997:“دیپ بلو” کامپیوتر گری کاسپاروف را در یازدهم مِی 1997 شکست داد.
- سال 2006:در چالش شرکت DARPA برای اولین بار یک خودروی خودران توانست این مسابقه را به پایان برساند.
- سال 2011: واتسون ربات IBM در مسابقه تلویزیونی جئوپاردی(jeopardy ) توانست دو قهرمان جئوپاردی را با اقتدار شکست دهد. و جایزه ۱ میلیون دلاری را برنده شد
- سال 2016: آلفاگو 4 قهرمان بازی های گو را بدون آوانس برد.
پینوشت
اگر پژوهشگرِ خطمشیگذاری هوش مصنوعی و یا کنشگر در سطوح مختلف مدیریتی باشید حتما نیاز به مطالعه مجموعهای از اسناد مربوط به این موضوع دارید .در AI Policy Repository مجموعهای قابل دانلود از
استراتژیهای ملی در حوزه هوش مصنوعی،
خط مشی گذاریهای در حوزه هوش مصنوعی،
انواع نقشهراه در حوزه خط مشی گذاری هوش مصنوعی،
انواع گزارشهای معتبر سیاستی معتبر در بعد حاکمیتی هوش مصنوعی،
انواع ابزارهای تحلیلی برای توسعه و ارزیابی هوش مصنوعی،
رتبهبندیهای مختلف در ارتباط سیاست گذاری هوش مصنوعی،
و معرفی منابع معتبر آموزشی و علمی در ارتباط با هوش مصنوعی است.
اطلاعات بیشتر و نحوه دسترسی به این پروژه را در پست زیر بخونید
درباره AI Policies and Plans Repository
از طریق کانالهای زیر میتوانید با من در ارتباط باشید:
ایمیل من: javadsadeqi@gmail.com
آیدی تلگرام من: https://t.me/javaadsaadeghi
مطلبی دیگر از این انتشارات
15 شغل برتر فناوری برای شهرهای هوشمند در سال 2018 و بعد از آن - بخش اول
مطلبی دیگر از این انتشارات
مکعب داده در علم داده چیست؟
مطلبی دیگر از این انتشارات
آشنایی مقدماتی با کتابخانه پایتونی Matplotlib