به هر چیزی نگویید هوش مصنوعی!

منتشر‌شده در spectrum.ieee به تاریخ ۳۱ مارس ۲۰۲۱
لینک منبع Stop Calling Everything AI, Machine-Learning Pioneer Says

موسسه سیستم‌های هوش مصنوعی در هیچ کجا به اندازه کافی پیشرفته نیستند تا انسان را در بسیاری از وظایف شامل استدلال، دانش دنیای واقعی و تعامل اجتماعی جایگزین کنند. مایکل آی‌جوردن، یک محقق برجسته در هوش مصنوعی و یادگیری ماشینی می‌گوید: آن‌ها شایستگی سطح انسانی را در مهارت‌های تشخیص الگوی سطح پایین نشان می‌دهند، اما در سطح شناختی آن‌ها صرفا از هوش انسانی تقلید می‌کنند، نه به صورت عمیق و خلاقانه. جوردن استاد گروه مهندسی برق و علوم کامپیوتر، و گروه آمار در دانشگاه کالیفرنیا، برکلی است.

او اشاره می‌کند که تقلید از تفکر انسان تنها هدف یادگیری ماشین نیست - زمینه مهندسی که پیشرفت اخیر در AI یا حتی بهترین هدف را در بر‌می‌گیرد. در عوض، یادگیری ماشینی می‌تواند به تقویت هوش انسان کمک کند، از طریق تحلیل پرزحمت مجموعه داده‌های بزرگ به شیوه‌ای که یک موتور جستجو دانش انسان را با سازماندهی وب تقویت می‌کند. یادگیری ماشینی همچنین می‌تواند با کنار هم آوردن اطلاعات یافت‌شده در مجموعه داده‌های چندگانه، یافتن الگوها و پیشنهاد دوره‌های جدید عمل، خدمات جدیدی را برای انسان در حوزه‌هایی مانند مراقبت بهداشتی، تجارت و حمل و نقل فراهم آورد.

او می‌گوید: «مردم در مورد معنی هوش مصنوعی در بحث‌های مربوط به روندهای تکنولوژی گیج می‌شوند - که نوعی تفکر هوشمندانه در کامپیوترها وجود دارد که مسئول این پیشرفت است و با انسان‌ها رقابت می‌کند.» «ما چنین چیزی نداریم، اما مردم طوری صحبت می‌کنند که انگار ما این کار را می‌کنیم.»

به هر حال جوردن باید این تفاوت را بداند. همکار IEEE یکی از مقامات پیشرو جهان در یادگیری ماشینی است. علم گزارش داد که او در سال ۲۰۱۶ توسط برنامه‌ای که نشریات پژوهشی را تحلیل کرد به عنوان تاثیرگذارترین دانشمند کامپیوتر رتبه‌بندی شد. تاریخ فن‌آوری و مهندسی ویکی توضیح می‌دهد: جوردن به تبدیل یادگیری ماشینی بدون نظارت کمک کرد، که می‌تواند ساختار داده‌ها را بدون برچسب‌های از پیش موجود، از مجموعه‌ای از الگوریتم‌های غیر‌مرتبط به یک زمینه منسجم فکری، پیدا کند. یادگیری بدون نظارت نقش مهمی را در کاربردهای علمی بازی می‌کند که در آن یک عدم وجود تئوری ثابت شده وجود دارد که می‌تواند داده‌های آموزشی برچسب‌گذاری‌شده را فراهم کند.

کمک‌های جوردن جوایز بسیاری از جمله جایزه امسال اولف گرناندر در نظریه تصادفی و مدل‌سازی از جامعه ریاضی آمریکا به او اهدا کرده است. سال گذشته او مدال IEEE جان فون نویمان را به خاطر کمک به یادگیری ماشینی و علم داده دریافت کرد.

در سال‌های اخیر، او در ماموریتی برای کمک به دانشمندان، مهندسان و دیگران برای درک دامنه کامل یادگیری ماشینی بوده است. او می‌گوید که معتقد است که تحولات در یادگیری ماشینی ظهور رشته جدیدی از مهندسی را منعکس می‌کند. او به موازات ظهور مهندسی شیمی در اوایل دهه ۱۹۰۰ از بنیادهای شیمی و مکانیک سیالات استفاده کرد و اشاره کرد که یادگیری ماشینی بر اساس دهه‌های پیشرفت در علوم کامپیوتر، آمار و نظریه کنترل بنا نهاده شده است. علاوه بر این، او می‌گوید، این اولین زمینه مهندسی است که انسان‌محور است و بر رابط بین مردم و فن‌آوری تمرکز دارد.

او می‌گوید: «در‌حالی‌که بحث‌های علمی‌تخیلی در مورد هوش مصنوعی سرگرم‌کننده هستند، آن‌ها یک پارازیت هم هستند.» «تمرکز کافی بر روی مسئله واقعی، که ساخت سیستم‌های مبتنی بر یادگیری ماشینی در مقیاس سیاره‌ای است که در واقع کار می‌کنند، ارزش را به انسان‌ها می‌رسانند، و نابرابری را تقویت نمی‌کنند، وجود ندارد.»

مطالعه مقاله تکنولوژی GPT-3 چیست و چرا انقلابی در هوش مصنوعی ایجاد می‌کند؟ توصیه می‌شود.

پیوستن به یک جنبش

به عنوان فرزند دهه ۶۰، جوردن به دیدگاه‌های فلسفی و فرهنگی در مورد نحوه کار ذهن علاقه‌مند بوده است. او بعد از خواندن زندگی‌نامه برتراند راسل، متخصص منطق انگلیسی، از مطالعه روانشناسی و آمار الهام گرفت. راسل تفکر را به عنوان یک فرآیند منطقی ریاضی مورد بررسی قرار داد.

جوردن می‌گوید: «با فکر کردن به تفکر به عنوان یک فرآیند منطقی و درک این موضوع که کامپیوترها از پیاده‌سازی نرم‌افزاری و سخت‌افزاری منطق به وجود آمده‌اند، من موازی بودن ذهن و مغز را دیدم.» چنین احساس می‌شد که فلسفه می‌تواند از بحث‌های مبهم درباره ذهن و مغز به چیزی ملموس‌تر، الگوریتمی، و منطقی انتقال یابد. این موضوع من را به خود جذب کرد.

جوردن در دانشگاه ایالتی لوئیزیانا در باتن روژ به تحصیل روان‌شناسی پرداخت و مدرک کارشناسی خود را در سال ۱۹۷۸ در این رشته به دست آورد. او در سال ۱۹۸۰ مدرک کارشناسی‌ارشد خود را در رشته ریاضیات از دانشگاه ایالتی آریزونا در تمپه و در سال ۱۹۸۵ مدرک دکترای خود را در رشته علوم شناختی از دانشگاه کالیفرنیا در سن‌دیگو به دست آورد. وقتی وارد کالج شد، رشته یادگیری ماشینی وجود نداشت. وقتی فارغ‌التحصیل شد، این رشته تازه شروع به پدیدار شدن کرده بود.

او می‌گوید: در‌حالی‌که من شیفته یادگیری ماشینی بودم، در آن زمان احساس می‌کردم که اصول عمیق‌تر مورد نیاز برای درک یادگیری باید در آمار، نظریه اطلاعات و نظریه کنترل یافت شوند، بنابراین خودم را به عنوان یک محقق یادگیری ماشینی معرفی نکردم. اما من در نهایت یادگیری ماشینی را پذیرفتم زیرا افراد جالبی در آن وجود داشتند و کار خلاقانه‌ای در حال انجام بود.

در سال ۲۰۰۳ او و دانشجویانش تخصیص دیریکله را توسعه دادند، یک چارچوب احتمالی برای یادگیری ساختار موضوعی اسناد و دیگر مجموعه‌های داده به شیوه‌ای بدون نظارت. این تکنیک به کامپیوتر اجازه می‌دهد، نه به کاربر، الگوها و اطلاعات را به خودی خود از اسناد کشف کند. این چارچوب یکی از محبوب‌ترین روش‌های مدل‌سازی موضوع است که برای کشف موضوعات پنهان و طبقه‌بندی اسناد به دسته‌های مختلف مورد استفاده قرار می‌گیرد.

پروژه‌های فعلی جوردن ایده‌های اقتصادی را در ترکیب قبلی او از علم کامپیوتر و آمار ترکیب می‌کند. او استدلال می‌کند که هدف سیستم‌های یادگیری تصمیم‌گیری یا حمایت از تصمیم‌گیری انسان است، و تصمیم‌گیرندگان به ندرت در انزوا عمل می‌کنند. آن‌ها با دیگر تصمیم‌گیرندگان تعامل دارند، که هر کدام از آن‌ها ممکن است نیازها و ارزش‌های متفاوتی داشته باشند، و تعامل کلی باید توسط اصول اقتصادی اطلاع داده شود. جوردن در حال توسعه «یک دستور کار تحقیقاتی» است که در آن نمایندگان در مورد اولویت‌های خود از آزمایش‌ها دنیای واقعی یاد می‌گیرند، که در آن آن‌ها اکتشاف و بهره‌برداری را با جمع‌آوری داده‌ها برای یادگیری ترکیب می‌کنند، و در آن مکانیسم‌های بازار می‌توانند فرآیند یادگیری را ساختاردهی کنند - که مشوق‌هایی را برای یادگیرندگان فراهم می‌کند تا انواع خاصی از داده‌ها را جمع‌آوری کنند و انواع خاصی از تصمیمات هماهنگ را اتخاذ کنند. ذی‌نفع چنین تحقیقاتی، سیستم‌های جهان واقعی خواهند بود که تولید‌کنندگان و مصرف‌کنندگان را در بازارهای یادگیری محور گرد هم می‌آورند که به رفاه اجتماعی توجه دارند.

ممکن است به مطالعه مقاله رایانه‌های کوانتومی در مقابل رایانه‌های احتمالی علاقمند باشید.

دستکاری هوش مصنوعی

جوردن در سال ۲۰۱۹ «هوش مصنوعی - هنوز انقلاب رخ نداده است» را نوشت، که در مجله علوم داده هاروارد منتشر شد. او در این مقاله توضیح می‌دهد که اصطلاحAI نه تنها توسط عموم بلکه توسط تکنولوژیست ها نیز اشتباه گرفته شده است. در دهه ۱۹۵۰، زمانی که این اصطلاح ابداع شد، او می‌نویسد، مردم آرزو داشتند ماشین‌های محاسباتی بسازند که دارای هوش سطح انسانی بودند. او می‌گوید که هنوز هم این آرزو وجود دارد، اما آنچه که در دهه‌های میانی اتفاق افتاده است، چیزی متفاوت است. او می‌نویسد: کامپیوترها به خودی خود باهوش نشده‌اند، اما قابلیت‌هایی را فراهم کرده‌اند که هوش انسان را تقویت می‌کنند. علاوه بر این، آن‌ها در قابلیت‌های تشخیص الگوی سطح پایین برتری دارند که می‌تواند در اصل توسط انسان‌ها اما با هزینه زیاد اجرا شود. سیستم‌های مبتنی بر یادگیری ماشینی قادر به تشخیص تقلب در معاملات مالی به طور مثال در مقیاس وسیع هستند، در نتیجه تجارت الکترونیک را تسریع می‌کنند. آن‌ها در مدل‌سازی و کنترل زنجیره‌های تامین در تولید و مراقبت‌های بهداشتی ضروری هستند. آن‌ها همچنین به ماموران بیمه، پزشکان، آموزگاران و فیلم‌سازان کمک می‌کنند.

او می‌نویسد، علی‌رغم اینکه چنین تحولاتی به عنوان «تکنولوژی AI» شناخته می‌شوند، سیستم‌های اساسی شامل استدلال یا تفکر سطح بالا نیستند. این سیستم‌ها انواع بازنمایی‌های معنایی و استنتاج‌هایی که انسان‌ها قادر به آن‌ها هستند را تشکیل نمی‌دهند. آن‌ها اهداف بلند مدت را تدوین و دنبال نمی‌کنند.

او می‌نویسد: «برای آینده قابل‌پیش‌بینی، کامپیوترها قادر نخواهند بود تا انسان‌ها را در توانایی خود برای استدلال انتزاعی درباره شرایط دنیای واقعی تطبیق دهند.» ما به تعاملات خوب فکر شده انسان‌ها و کامپیوترها نیاز داریم تا مهم‌ترین مشکلات‌مان را حل کنیم. ما باید درک کنیم که رفتار هوشمندانه سیستم‌های بزرگ مقیاس به همان اندازه ناشی از تعامل میان عوامل و هوش عوامل فردی است.

علاوه بر این، او تاکید می‌کند که شادی انسان نباید بعد از توسعه فن‌آوری باشد. او می‌نویسد: «ما یک فرصت واقعی برای تصور چیز جدید تاریخی داریم: یک رشته مهندسی انسان‌محور.»

دیدگاه جوردن شامل بحث احیای نقش مهندسی در سیاست عمومی و تحقیقات دانشگاهی است. او اشاره می‌کند که وقتی مردم در مورد علوم اجتماعی صحبت می‌کنند، جذاب به نظر می‌رسد، اما اصطلاح مهندسی اجتماعی نامطلوب به نظر می‌رسد. همین امر در مورد علم ژنوم در مقابل مهندسی ژنوم نیز صادق است.

او می‌گوید: «من فکر می‌کنم که ما به اصطلاح مهندسی اجازه داده‌ایم که در حوزه فکری کاهش یابد.» واژه علم به جای مهندسی به کار می‌رود زمانی که مردم می‌خواهند به تحقیقات رویایی اشاره کنند. مراحلی مانند مهندسی کمکی نمی‌کنند. « من فکر می‌کنم که مهم است به یاد داشته باشیم که برای همه چیزهای شگفت‌انگیزی که علم برای نوع بشر انجام داده‌است، واقعا مهندسی است-- عمران، الکتریکی، شیمیایی، و دیگر زمینه‌های مهندسی-- که به طور مستقیم و عمیق رضایت انسان را افزایش داده است.»

شاید مطالعه مقاله توسعه مبتنی بر ترانک (Trunk) چیست؟ برای شما مفید باشد.

ایجاد یک جامعه

جوردن می‌گوید که او به ویژه برای سرمایه‌گذاری خود در ساخت مکانیسم‌هایی که به موجب آن انجمن‌ها می‌توانند از طریق کنفرانس‌ها و انجمن‌های دیگر با یکدیگر ارتباط برقرار کنند، به IEEE ارزش می‌دهد. او همچنین از سیاست‌های انتشار متفکر IEEE قدردانی می‌کند. بسیاری از مقالات او در کتابخانه دیجیتالIEEE Xplore موجود هستند.

او می‌گوید: «من فکر می‌کنم شرکت‌های چاپ و نشر تجاری یک مدل کسب‌وکار ساخته‌اند که در حال حاضر ناکارآمد است و در واقع جلوی جریان اطلاعات را می‌گیرد.» او می‌گوید، از طریق مجله دسترسی آزاد IEEE، سازمان « اجازه-و کمک-به جریان اطلاعات را می‌دهد.» عضویت IEEE طیف گسترده‌ای از مزایا و فرصت‌ها را برای کسانی که علاقه مشترکی به تکنولوژی دارند، ارائه می‌دهد. اگر شما در حال حاضر عضو نیستید، پیوستن به IEEE و تبدیل شدن به بخشی از شبکه جهانی بیش از ۴۰۰۰۰۰ دانشجو و متخصص را در نظر بگیرید.

این متن با استفاده از ربات مترجم مقاله تکنولوژی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.