زمستان هوش مصنوعی

بخش اول - افول پروژه ها

اکتبر سال گذشته یک کمپانی تولید ربات در بوستون به نام Rethink Robotics بعد از فروش‌های ضعیف متوالی و لغو شدن قراردادهای فروش‌اش، فعالیت خود را متوقف کرد. این خبر، برای اهالی حوزه‌ی هوش مصنوعی، اتفاقی شوکه کننده و ناامید کننده بود. این شرکت که در سال 2008 توسط Rodney Brooks استاد سرشناس رباتیک دانشگاه MIT شکل گرفته بود، به نوعی از نمادها و آیکون‌های صنعت هوش مصنوعی و رباتیک محسوب می‌شد. کمپانی Rethink سازنده رباتهای Baxter و Sawyer بود که از بهترین رباتهای صنعتی زمان خود محسوب میشدند.

ربات صنعتی Baxter محصول شرکت Rethink Robotics
ربات صنعتی Baxter محصول شرکت Rethink Robotics


اگر چه مدیر اجرایی Rethink ادعا کرده بود که تعطیل شدن این کمپانی، ربطی به مشکلات این صنعت ندارد. اما حقیقت ماجرا چیز دیگری بود و نمیتوان از کنار تعطیلی این شرکت، به سادگی گذشت. چنانچه در چند وقت اخیر شاهد اتفاقات مشابهی بوده‌ایم. درست دو ماه قبل از آن، در آگوست 2018، کمپانی Mayfield Robotics، سازنده رباتهای خانگی Kuri بعد از اینکه نتوانسته بود بیزینس پلن کارامدی برای درآمدزایی پیدا کند، تعطیل شده بود. (لینک خبر)


ربات Kuri محصول شرکت Mayfield Robotics که تولید آن متوقف شده
ربات Kuri محصول شرکت Mayfield Robotics که تولید آن متوقف شده


در سپتامبر همین سال، روزنامه نیویورک تایمز به سراغ Boston Dynamics رفت. شرکت بوستون داینامیکز که بخاطر ویدیوی رباتهای خیره کننده‌اش (مثل Big Dog) معروف شده و همیشه سعی داشته دستاورد ربات‌هایش را به رخ رقیبان بکشد.

اسم مقالۀ نیویورک تایمز اما این بود:

These Robots Run, Dance and Flip. But Are They a Business?

در این مقاله نیویورک تایمز از دخالت‌های انسانی در فرایند تولید این ویدیوها پرده برداشته (مثلا این رباتها را یک نفر با جوی استیک هدایت می‌کند) و خلاصه اینکه این رباتها چقدر وابسته به دخالت انسانها هستند. همچنین نیویورک تایمز این پرسش را مطرح میکند که این رباتهای گران قیمت، قادر به حل چه مسائل واقعی‌ای خواهند بود؟

https://vp.nyt.com/video/2018/09/20/77795_1_00boston-video2_wg_720p.mp4


این هم مثال جالب دیگری است: پارسال یک فروشگاه مواد غذایی در اسکاتلند تصمیم گرفته بود از ربات pepper (که قیمتش 20 هزار یورو است) برای راهنمایی - و همچنین سرگرم کردن - مشتریان استفاده کند. هر چند بخشی از مشتری‌ها از سرگرم شدن توسط ربات ناراضی نبودند. اما صاحبان فروشگاه بزودی فهمدیدند که pepper خیلی هم مفید نیست. مثلا وقتی که یکی از مشتریان از pepper پرسیده بود جای شیر کجاست؟ pepper جواب میدهد: داخل یخچال! بدون اینکه حتی بگوید کدام یخچال، یا کجای فروشگاه و ...(خسته نباشی دلاور)! بعد از مدتی هم نهایتا ربات را جمع کردند. (این است رباتهایی که قرار است جای انسانها را بگیرند!!)

ربات pepper محصول Softbank Robotics
ربات pepper محصول Softbank Robotics

https://www.digitaltrends.com/cool-tech/pepper-robot-grocery-store/

در سایر زمینه های AI هم شاهد چنین ماجراهایی بوده ایم. شرکتهای هوش مصنوعی اغلب راجع به قابلیت‌های محصولاتشان دچار اغراق و نوعی توهم هستند. بهرحال از زمان پیدایش هوش مصنوعی، این حوزه دوره‌هایی را تجربه کرده که در آن، انتظارات جامعه از AI با قابلیتهای واقعی این سیستمها خیلی فاصله گرفته. که اصطلاحا Hype Cycle نامیده میشوند. وعده‌های بزرگ از سوی پژوهشگران و متخصصان و سپس عدم توانایی در برآورده کردن آنها، در چند دهه‌ی گذشته، منجر به اتفاقاتی شد که ما آن را با نام «زمستان هوش مصنوعی» یا AI Winter میشناسیم. برهه‌هایی از تاریخ که در آن تمایل به سیستم‌های هوش مصنوعی کاهش یافت و بودجه‌ها ناگهان سقوط کرده. در بخشهای بعدی راجع به این دوره ها بیشتر صحبت میکنیم.

بخش دوم - آغاز دوران هوش مصنوعی


در دهه های ۴۰ و ۵۰ میلادی، ایده های زیادی راجع به «ماشین متفکر» از سوی دانشمندانی همچون وان نیومن یا آلن تورینگ مطرح می‌شد. تورینگ به دنبال ایجاد این چالش بود که «آیا ماشین‌ها می‌توانند فکر کنند؟». او همچنین با پیشنهاد تست تورینگ، رویایی را توصیف کرد که در آن یک روز، یک ماشین هوشمند بتواند خود را جای یک آدم جا بزند و کسی نفهمد او یک ماشین است یا یک آدم.

Ferranti Mark I  سی از آلان تورینگ و همکارانش در حال کار بر روی کامپیوتر
Ferranti Mark I سی از آلان تورینگ و همکارانش در حال کار بر روی کامپیوتر


در سال ۱۹۵۵ آرتور ساموئل (از پدران برنامه‌نویسی) یک برنامه کامپیوتری نوشته بود که می‌توانست «چکرز» بازی کند. او در این برنامه، از «جستجوی درختی» استفاده میکرد و توابع هیوریستیکی را در آن گنجانده بود که میتوانستند یک سری «وزن» را بطور خودکار یاد بگیرند. او نام این الگوریتم را temporal-difference learning گذاشته بود. در واقع وزن‌های تخمین زده شده، بعد از جستجوی گراف و بررسی آن نود بروز می‌شدند. ماشینها داشتند «یاد میگرفتند». همه چیز هوشمند بود! برنامه‌ی آرتور حسابی معروف شد تا جایی که سر از برنامه‌های تلویزیون هم درآورد.

از طرف دیگر تحقیقاتی در زمینه‌ی «ترجمه‌ی اتوماتیک متن» انجام شده بود. یک آزمایش اولیه بر روی ترجمه‌ی بین انگلیسی و روسی با کمک یک دیکشنری ۲۵۰ کلمه ای انجام شد. رسانه‌ها هم در پی آن شروع کردند به رویاپردازی راجع به ماشین‌های ترجمه‌ی متن، بدون اینکه بدانند اینها فقط ابتدای راه است. نیویورک تایمز نوشته بود که این یک گام بسیار ارزشمند در ترجمه‌ی خودکار است هر چند اذعان کرده بود که این سیستم، فعلا چیزی در حد ترجمه‌ی کلمه به کلمه است، نه بیشتر. اما مهندسان این سیستم فکر می‌کردند که بخش عمده‌ی کار انجام شده و تا رسیدن به ماشین تمام خودکار، تنها رفع چند تا باگ و خطا مانده و همین!

اولین نمونه یک ترجمه ماشینی از زبان روسی به انگلیسی
اولین نمونه یک ترجمه ماشینی از زبان روسی به انگلیسی


این نتایج اولیه کافی بود تا بودجه‌های تحقیقاتی به سمت پروژه‌های هوش مصنوعی سرازیر شود. عمده‌ی این بودجه‌ها از سوی وزارت دفاع آمریکا تغذیه می‌شد. آنها امیدوار بودند که این تحقیقات برای ارتش آمریکا مثمر ثمر خواهد شد. زمینه‌ی ترجمه‌ی متن بطور خاص در دوران جنگ سرد (بین آمریکا و شوروی)، حائز اهمیت زیادی بود و دولت علاقه‌ی فراوانی داشت تا متون روسی را اتوماتیک به انگلیسی ترجمه کند.

در این دوران بود (سال ۱۹۵۶) که پروژه‌ی تابستانی دارتموث کلید خورد و از دل آن مفهوم AI بیرون آمد. محققانی از همه‌ی حوزه‌ها دعوت شده بودند و یک عالمه ایده و مقاله و مفاهیم جدید ارائه شدند. منتقدانی هم وجود داشتند که میگفتند «رسیدن به AI خیلی سختتر از آن چیزی است که ما فکر میکنیم».

مدل نورون‌های پرسپترون (مدل ساده‌ی شبکه‌های عصبی) در سال ۱۹۵۷ توسط روزنبلات پیاده سازی شد. او برای اینکار یک سخت افزار خاص هم طراحی کرده بود. نورونهای ماشین پرسپترون با پتانسیومترهایی ساخته شده بودند که مقدار پارامترها را در خود ذخیره میکردند. موتورهایی به این پتانسیومترها وصل شده بود تا هنگام یادگیری آنها را بچرخانند و پارامترها را آپدیت کنند. این ماشین برای تشخیص تصاویر طراحی شده بود و ورودی آن یک آرایه‌ی ۴۰۰ تایی از فتوسل بود.

https://youtu.be/cNxadbrN_aI



خلاصه این جو غالب بود که ماشین‌ها دیگر می‌توانند فکر کنند، یاد بگیرند و خلق کنند. در کنار اینها، همچنین این ترس در جامعه فراگیر شده بود که به زودی هوش مصنوعی جای تمام شغل ها را خواهد گرفت و یک بیکاری وسیع رخ خواهد داد. که به آن technological singularity میگفتند.


بخش سوم - زمستان اول

روایت‌ها مختلف است از اینکه تا کنون چند زمستان هوش مصنوعی را پشت سر گذاشته‌ایم. اما مشخصا دو بازه‌ی زمانی وجود دارند که در آن علاقه و بودجه‌ی پروژه‌های هوش مصنوعی کاهش پیدا کرد. این دو دوره به زمستان اول و دوم معروف هستند.
پس از دوره‌ای از موفقیتهای اولیه که از دهه 50 میلادی شروع شده بود و با افزایش توجه و بودجه‌های تحقیقاتی همراه بود، در اوخر دهه 60 و دهه 70، پیشرفت‌ها به تدریج متوقف شدند و دوران خاموشی و رکود آغاز شد.

تاریخچه‌ی هوش فراز و نشیب‌های هوش مصنوعی
تاریخچه‌ی هوش فراز و نشیب‌های هوش مصنوعی


این رکود در شرايطی اتفاق می‌افتاد که پیشگامان این حوزه، وعده‌های زیادی را داده بودند که تا رسیدن به AI واقعی و مافوق بشر تنها چند قدم بیشتر نمانده. تصور میشد بزودی ماشینها در بازی شطرنج و چکرز و یا حتی در ترجمه‌ی متون از آدم‌ها جلو بزنند. اما هیچ کدام از آن وعده‌ها حتی تا دهه‌ها بعد محقق نشد. مثلا اولین بار در سال 1997 بود که یک کامپیوتر موفق شد، قهرمان شطرنج دنیا، گری کاسپاروف را شکست دهد. یا حتی ترجمه‌ی متن هنوز هم یک مساله‌ی باز و در حال تحقیق است، و متون ترجمه شده‌ توسط ماشین، خیلی هم بی‌نقص نیستند.

دانشمند و ریاضیدان اسراییلی، Yehoshua Bar-Hillel که به خاطر فعالیتش در حوزه‌ی ترجمه‌ی ماشین مطرح بود، در گزارشی (در 1959) راجع به پروژه‌های مربوطه در آمریکا و بریتانیا، ادعا کرد که ایده‌ی ماشین ترجمه به هیچ وجه عملی نیست. او معتقد بود که برای تولید یک ترجمه‌ی دقیق، داده‌های بسیار زیادی نیاز است، در حدی که رسیدن به ماشین ترجمه یک خیال واهی بیش نیست.

«کمیته‌ی مشاوره‌ی پردازش زبان اتوماتیک» هم گزارش دادند که نشانه‌ای از موفقیت زودهنگام این حوزه در کار نیست و فعلا نمی‌توان چیزی پیش‌بینی کرد. این نشانه‌ها در سایر پروژه‌های هوش مصنوعی هم دیده می‌شد.

در 1973 «انجمن تحقیقات علمی بریتانیا» گزارشی را دریافت کرد از وضعیت پروژه‌های AI. این گزارشِ پرحاشیه، ادعا میکرد وعده‌های پژوهشگران AI همگی با اغراق همراه بوده، در هیچ یک از بخش‌های این حوزه، دستاورد چشمگیری مطابق آن وعده‌ها مشاهده نشده. اشاره‌ی اصلی این گزارش به عدم توانایی غلبه بر مساله‌ی combinatorial explosion یا «انفجار ترکیبها» بود. این مساله در فضاهای جستجو مثل درخت‌ها مساله‌ای شناخته شده است. جایی که هر چقدر به لایه‌های پایین درخت جستجو می‌رویم تعداد گره‌ها بطور نمایی افزایش پیدا می‌کند. مثلا شانون نشان داد در بازی شطرنج، تعداد ترکیبات ممکن، از 20 حالت مختلف در حرکت اول، به 400 حالت در حرکت دوم افزایش می‌یابد و تا حرکت پنجم به 4,865,609 حالت مختلف می‌رسد. این سطح از پیچیدگی برای کامپیوترهای آن زمان قابل تحمل نبود.
این گزارش، هرچند از نگاه پژوهشگران این حوزه، یکسویه و غیرمنصفانه بود، اما در نهایت موجی را پدید آورد که نه فقط انگلیس، بلکه تمام اروپا را درنوردید و دامنه‌اش به آمریکا هم می‌رسید.

نتیجه آن شد که بودجه‌ی پروژه‌های AI در تمام دانشگاه‌های انگلیس بجز دو دانشگاه قطع شود.
بعلاوه، ARPA (مرکز پروژه‌های تحقیقاتی پیشرفته‌ی وزارت دفاع آمریکا) که بعدها به DARPA تغییر نام داد و حامی مالی اکثر پروژه‌های تحقیقاتی AI بود تصمیم گرفت بودجه‌ی این پروژه‌ها را قطع کند. و سرمایه‌گذاری‌هایش را بجای تحقیقات بنیادی، بر روی پروژه‌های کاربردی متمرکز کرد. این گونه بود که زمستان اول از 1973 شروع شد.


زمستان هوش مصنوعی
زمستان هوش مصنوعی



بخش چهارم - زمستان دوم

در دهه 80 و پس از فروکش کردن زمستان اول، عصر جدیدی از AI پا به عرصه ظهور گذاشت. این‌بار پیدایش «سیستمهای خِبره» یا Expert Systems بود که هوش مصنوعی را بر سر زبانها می‌انداخت. شکل‌گیری این سیستمها، یک گام در مسیر درست بود. مسیری که AI را دوباره به حل مسائل و چالشهای واقعی نزدیک می کرد. نکته این بود که این بار برخلاف دوره قبل که جامعه هوش مصنوعی در تلاش بود تا با تقلید از مدل ذهن آدمها در فرایند حل مساله، به یک AI همه‌منظوره و مافوق بشر دست پیدا کنند، سیستم‌های خبره بر روی حل مسائل خاص منظوره تمرکز داشتند. این سیستمها در «برنامه ریزی مالی»، «تشخیص بیماریها»، «اکتشافات زمین شناسی» و «طراحی مدارهای میکروالکترونیک» پیاده سازی شدند و موفقیت‌های چشم‌گیری نیز به دست آوردند.
یکی از نمونه های معروف این سیستمها Mycin نام داشت. سیستمی که برای «تشخیص باکتریهای عامل عفونت» طراحی شده بود و خروجیِ آن، تجویز آنتی‌بیوتیک با دُز مناسب با توجه به ویژگیهای بیمار (مانند وزن و...) بود.
(قبلا در مطلبی با عنوان «هوش مصنوعی به کجا می رود؟» هم به این سیستمها اشاره کرده بودیم)

t.me/zankoo_ai/83

خلاصه با سیستم‌های خبره، نه تنها دوباره سازمانهای دولتی بلکه این بار شرکت‌های خصوصی هم متقاعد شدند که در پروژه‌های تحقیقاتی هوش مصنوعی سرمایه گذاری کنند. اما طولی نکشید که همان عارضه‌ی قبلی بروز کرد: وعده‌های بزرگ و غیرواقع بینانه‌ی پژوهشگران به مثابه حباب‌هایی دوباره رشد کردند. از سوی دیگر هم، ترس از رشد سریع شرکت‌های فناوری و تسخیر بازار، جلوی توسعه‌ی هوش را می‌گرفت.

در این میان، رسانه‌ها هم در این حباب می‌دمیدند. تعدادی کنفرانس بزرگ مثل AAAI در این دوران شکل گرفت. آنقدر این کنفرانسها مخاطب و هوادار پیدا کرده بود که بلیت‌هایشان خیلی سریع به فروش می‌رفت. مجله بلومبرگ تیتر زده بود که «هوش مصنوعی همین‌جاست». تبلیغات شرکتهای هوش مصنوعی هم جالب بود، مثلا «ما یک ذهن برتر ساخته ایم»یا عبارات اغراق آمیزی که همگی از کمبود یک تصویر درست از توانایی‌ها و محدودیتهای محصولات AI حکایت داشت.

در سال 1984، Marvin Minsky از پیشگامان AI و از بازماندگان زمستان اول، راجع به وقوع یک بحران دیگر هشدار داد. در جریان کنفرانس AAAI، میز گردی تشکیل شد با عنوان: «عصر تاریک AI. آیا میتوانیم از آن پیشگیری کنیم یا نجات پیدا کنیم؟»
در جریان میزگرد، پروفسور Drew McDermott به این اشاره کرد که "انتظارات از AI بالا رفته و ممکن است دوباره به یک فاجعه دیگر منجر شود."

"بیایید بدترین حالت ممکن را در نظر بگیریم، فرض کنیم در 5 سال آینده «جنبش ملی محاسبات استراتژیک» (سرمایه گذار تحقیقات در حوزه سخت افزار پیشرفته و هوش مصنوعی در آمریکا) بخاطر شکست پروژه‌ی خودروهای هوشمند، تعطیل شود. پروژه‌ی کامپیوترهای نسل 5 به جایی نرسد و دولت ژاپن دست از حمایت بردارد. استارت آپ ها یکی‌یکی شکست بخورند. شرکت Texas Instruments و schlumberger و دیگر شرکتها از سرمایه گذاری در AI دست بردارند. و ناگهان متوجه شویم که بابت پروژه‌های AI نمی‌توان بودجه‌ای گرفت! در این بلبشو همه شروع خواهند کرد به دستکاری عنوان پروژه‌های تحقیقاتی‌شان تا خودشان را به حوزه‌های دیگر بچسبانند و از این گرداب نجات دهند. بله! این وضعیت AI Winter نام دارد. چیزی شبیه به «زمستان هسته‌ای» (که در آن بودجه‌ی سلاح‌های هسته‌ای قطع شد.) البته این بدترین حالت ممکن است و به نظرم به هیچ وجه چنین شرایطی محتمل نیست!"


https://www.aaai.org/ojs/index.php/aimagazine/article/view/494
https://www.aaai.org/ojs/index.php/aimagazine/article/view/494


در همین سال John McCarthy از وجود نواقصی در سیستمهای خبره انتقاد کرد و معتقد بود این سیستمها منجر به تصمیم‌گیری های اشتباه می شوند و از محدودیت‌هایشان بی‌اطلاع‌اند. مثلا در سیستم Mycin، در شرایطی که باکتری ویبریوکلرا در روده‌ی بیمار باشد، سیستم برایش دو هفته تتراسیکلین تجویز میکند. این درمان، باعث از بین رفتن تمام باکتری‌های بیمار می‌شود اما قبل از آن خود بیمار را هم راهی قبرستان میکند!
علاوه بر این بسیاری از مسائل آنقدر پیچیده بودند که مهندسها نمی‌توانستند تمام قوانین را خودشان دستی طراحی کنند و بنویسند.

رکود در بازار سیستم‌های خبره‌ی کامپیوتری، اولین نشانه‌های زمستان دوم بود. با کاهش موفقیت پروژه‌ها و عدم تحقق وعده‌ها، Schwarz مدیر DARPA در اواخر دهه 80، تصمیم به کاهش بودجه‌ی پروژه‌ها گرفت. بسیاری از استارت آپ ها تعطیل شدند. کنفرانس AAAI با ریزش شدید بازدیدکننده‌ها مواجه شد، تا جاییکه در 1995 انتشار مقالات AI به پایین ترین حد خود رسید. نهایتا هم اصطلاح «سیستمهای خبره» شد هم‌تراز «وعده‌های عمل نشده و سرمایه های هدر رفته» (مانند اتفاقی که بر سر واژه‌ی هوش مصنوعی در زمستان اول افتاد)

منابع

https://bdtechtalks.com/2018/11/12/artificial-intelligence-winter-history/
https://towardsdatascience.com/history-of-the-first-ai-winter-6f8c2186f80b


جواد امیریان