هوش مصنوعی و رباتیک به طور غیرقابل اجتنابی ادغام می‌شوند

منتشر‌شده در: towardsdatascience به تاریخ ۱ ژوئن ۲۰۲۱
لینک منبع Artificial Intelligence and Robotics Will Inevitably Merge

تحقیقات AI دستیابی به نقاط عطف جدید را ادامه می‌دهد. الگوی یادگیری عمیق به تایید مجدد تسلط خود در هر سال ادامه می‌دهد. به نظر قابل اطمینان می‌رسد که فرض کنیم شبکه‌های عصبی آینده هوش مصنوعی را کنترل خواهند کرد. با این حال، وعده‌ها به کاهش خود ادامه می‌دهند. هوش عمومی مصنوعی (AGI) به نظر نمی‌رسد با وجود آنچه برخی ادعا می‌کنند نزدیک باشد. سیستم‌های هوش مصنوعی هنوز هم بسیار مبهم و محدود هستند. به نظر می‌رسد که یک شکاف بین جایی که هوش مصنوعی است و جایی که می‌خواهیم باشد وجود دارد.

آیا امروزه به راهی برای پیدا کردن و بستن این شکاف نزدیک می‌شود؟ در این مقاله، توضیح می‌دهم که چرا سیستم‌های هوش مصنوعی نیاز به تجسم، رشد و زندگی در جهان دارند تا روزی به هوش برسند. لذت ببرید!

آیا ذهن به بدن نیاز دارد؟

رنه دکارت در کتاب خود تحت عنوان تفکرات درباره فلسفه اول، اولین کسی بود که این ایده را مطرح کرد که ذهن و بدن، موادی جداگانه هستند -آنچه دوگانگی دکارتی یا «هوش از هم گسیخته» نامیده می‌شود. دکارت ذهن را با تجربه ذهنی آگاهانه ما از جهان و با منبع هوش ما مشخص کرد. او فکر می‌کرد که اگر چه ما نیازی به بدن هوشمند نداریم، ذهن و بدن ما با هم تعامل دارند؛ رویدادهای فیزیکی باعث رویدادهای ذهنی می‌شوند.

با گذشت ۳۰۰ سال، ما یک ایده بسیار مشابه پیدا کردیم: ذهن « یک سیستم محاسباتی است که به صورت فیزیکی توسط فعالیت عصبی در مغز اجرا می‌شود.» ذهن محاسباتی برای اولین بار توسط وارن مک کولاک و والتر پیتس در سال ۱۹۴۳ پیشنهاد شد. جری فدور و هیلاری پوتنام این ایده را در دهه‌های بعد به آنچه امروزه نظریه محاسباتی ذهن نامیده می‌شود، بسط دادند.

براساس آن، در سال ۱۹۷۶ آلن نول و هربرت ای سیمون فرضیه سیستم نماد فیزیکی (فرضیه PSS) را پیشنهاد کردند. این قانون بیان می‌کند که « یک سیستم نماد فیزیکی دارای ابزارهای لازم و کافی برای اقدام هوشمند عمومی است.» با این فرضیه، ما چرخه‌ای را که به دکارت باز می‌گردد، می‌بندیم، دکارت، که، همانطور که امیلیا برتو می‌گوید، از آن دفاع کرد که « درک انسان تماما در مورد شکل‌سازی و دستکاری نشانه‌های نمادین است.»

با در کنار هم قرار دادن این ایده‌ها، ما داریم:

• بدن و ذهن از هم جدا شده‌اند.
• ذهن توسط فعالیت مغزی محاسباتی درک می‌شود.
• هوش از طریق دستکاری نماد ظاهر می‌شود.

تحت این چارچوب بود که هوش مصنوعی برای اولین بار پس از اینکه جان مک کارتی آن را به عنوان یک زمینه تحقیقاتی به خودی خود در سال ۱۹۵۶ مطرح کرد ظاهر شد.

الگوی حاکم بر هوش مصنوعی بدون جسم است.

در طول ۶۰ سال اخیر توسعه هوش مصنوعی، هوش مصنوعی نمادین (سیستم‌های خبره) و هوش مصنوعی پیوندی (شبکه‌های عصبی) ، قطعا بر این چشم‌انداز تسلط داشته‌اند. اول، هوش مصنوعی نمادین در طول دهه ۸۰-۵۰ حکومت می‌کرد. سپس با ظهور یادگیری ماشینی و یادگیری عمیق، شبکه‌های عصبی به وضعیتی رسیدند که امروزه از آن لذت می‌برند.

اگرچه در ظاهر بسیار متفاوت است، اما هر دو رویکرد یک چیز مهم مشترک دارند: آن‌ها در مرزهای دوگانگی دکارتی، نظریه محاسباتی ذهن، و فرضیه PSS زندگی می‌کنند. و از این رو، هر دو این ایده را رد می‌کنند که هوش مصنوعی واقعا هوشمند به بدن نیاز دارد.

هوش مصنوعی امروزی که به بهترین شکل با یادگیری عمیق به تصویر کشیده شده‌است، بدن را فراموش کرده‌است. مهم‌ترین پیشرفت‌های این دهه متکی بر هوش مصنوعی مبتنی بر نرم‌افزار است. سیستم‌هایی که می‌توانند متن را در سطح انسانی تولید کنند، قهرمانان جهان را در شطرنج یا گو شکست دهند، خلاقیت انسان را در تقلید از شکسپیر یا باخ آزمایش کنند، یا ماشین‌ها را در آینده هدایت کنند. همه سیستم‌هایی هستند که در دنیای مجازی یک کامپیوتر بدون جسم زندگی می‌کنند.

علاقه و تلاش بیشتر با این ایده به دست می‌آید که هوش عمومی مصنوعی (AGI) می‌تواند در سیستم‌های مبتنی بر نرم‌افزار در یک کامپیوتر تحقق یابد. با این حال، محدودیت‌های مهمی برای این روش وجود دارد.

ماشین‌های مجسم نشده نمی‌توانند علم «دانش چگونگی» را به دست آورند.

این فیلسوف، هوبرت دریفوس بود که برای اولین بار به مفاهیم پشت فرضیه PSS حمله کرد. او در کتاب خود در سال ۱۹۷۲ که در آن چه کامپیوترها نمی‌توانند انجام دهند، تفاوت کلیدی بین هوش انسان و هوش مصنوعی نمادین را برجسته کرد. او استدلال کرد که بخش خوبی از دانش انسانی دانش ضمنی است-دانش تجربی، مانند سوار شدن بر دوچرخه یا یادگیری زبان-که نمی‌تواند به اندازه کافی منتقل شود، چه برسد به رسمی و چه مدون. دریفوس می‌گوید، تخصص اغلب ضمنی است، و بنابراین سیستم‌های «متخصص» هوش مصنوعی هرگز نمی‌توانند واقعا متخصص باشند. به گفته مایکل پولانی، «ما می‌توانیم بیش از آنچه می‌توانیم بگوییم بدانیم.»

با ظهور هوش مصنوعی پیوندگرا و رشد شبکه‌های عصبی، استدلال‌های دریفوس ظاهرا منسوخ شدند. سیستم‌های یادگیری ماشینی می‌توانند بدون اینکه به صراحت گفته شوند که چه چیزی و چگونه یاد بگیرند، یاد بگیرند. تشخیص چهره، که مثال بزرگی از دانش ضمنی است، می‌تواند توسط این سیستم‌ها انجام شود. ما می‌توانیم چهره مادرمان را در میان هزاران چهره تشخیص دهیم، اما نمی‌دانیم چطور این کار را انجام دهیم. ما نمی‌توانیم چگونگی انتقال دانش را انتقال دهیم و در عین حال، سیستم‌های یادگیری ماشین می‌توانند چهره‌ها را حتی بهتر از ما تشخیص دهند.

با این حال، Ragnar Fjelland، در دفاع از استدلال‌های دریفوس، اظهار داشت که حتی سیستم‌های هوش مصنوعی پیوندی نیز نمی‌توانند دانش ضمنی واقعی کسب کنند. او توضیح می‌دهد که تجربه جهان واقعی برای به دست آوردن این نوع دانش ضروری است. در مقابل، سیستم‌های هوش مصنوعی تنها مدل‌های ساده شده واقعیت را در بهترین حالت تجربه می‌کنند. ماشین‌ها می‌توانند در مرزهای دنیای مجازی به تخصص دست یابند، اما نه بیش از آن. به گفته فدلند: « تا زمانی که کامپیوترها رشد نکنند، به یک فرهنگ تعلق داشته باشند و در جهان عمل کنند، هرگز هوش شبه انسانی به دست نخواهند آورد.»

اهمیت تجربه جهان

ما درک خود از جهان را با تعامل با محیط اطراف توسعه می‌دهیم. یک سیب تنها نور سبز یا قرمز نیست که در آن وجود دارد و احساسات لمسی نرم و احساسی شیرین دارد. می‌دانیم که یک سیب به هزینه دارد. ما می‌دانیم که سرانجام اگر آن را نخوریم، فاسد می‌شود. می‌دانیم که اگر از یک درخت بیفتد و به سر ما برخورد کند، حتی اگر هرگز اتفاق نیفتاده باشد، دردناک است.

ما درک می‌کنیم که یک سیب در همه اشکال آن چیست زیرا ما می‌توانیم اطلاعات را به معنا پیوند دهیم. یک سیستم هوش مصنوعی می‌تواند سیب را طبقه‌بندی کند اما نمی‌داند چرا یک نفر ترجیح می‌دهد شکلات بخورد. از آنجا که سیستم‌های هوش مصنوعی در جهان زندگی نمی‌کنند، نمی‌توانند با آن تعامل داشته باشند و بنابراین نمی‌توانند آن را درک کنند. جولیو سندینی، استاد بیومهندسی در دانشگاه جنوا، معتقد است که « برای توسعه چیزی مانند هوش انسانی در یک ماشین، این ماشین باید بتواند تجربیات خود را به دست آورد.»

دریفوس استدلال کرد که هوش ما از رابطه پیچیده بین اطلاعات حسی که ما به طور فعال درک می‌کنیم و اقدامات ما در جهان نشات می‌گیرد. ما به طور منفعلانه جهان را جذب نمی‌کنیم، همانطور که سیستم‌های هوش مصنوعی انجام می‌دهند، ما « تجربه ادراکی خود را تصویب می‌کنیم.» آلوا نو در کتاب خود «عمل در ادراک» می‌گوید: ادراک یک فرآیند در مغز نیست، بلکه نوعی فعالیت ماهرانه بدن به عنوان یک کل است. [ … ] جهان یکباره به آگاهی داده نمی‌شود، بلکه به تدریج با تحقیق و کاوش فعال به دست می‌آید.

در مجموع،

• ما باهوش هستیم چون دنیا را تجربه می‌کنیم.
• شناخت و ادراک، فرایندهای فعالی هستند که با عمل گره خورده‌اند.
• ما دنیا را از طریق بدن‌هایمان درک می‌کنیم.

تجربه جهان به ما امکان دسترسی به دانش ضمنی را می‌دهد که منجر به تخصص می‌شود، نشانه‌ای از هوش انسانی. منطقی به نظر می‌رسد که فرض کنیم ماشین‌ها باید جهان را تجربه کنند تا واقعا باهوش باشند. سوال واضح این است: چگونه می‌توانیم ماشین‌هایی بسازیم که این الزامات را برآورده سازند؟

وعده روباتیک توسعه‌ای

این زمینه تحقیقاتی اخیر، ایده‌هایی از روباتیک، هوش مصنوعی، روانشناسی رشد و علوم اعصاب را با هم ترکیب می‌کند. Scholarpedia هدف اصلی خود را به عنوان مدل‌سازی «توسعه فرایندهای شناختی به طور فزاینده پیچیده در سیستم‌های طبیعی و مصنوعی و درک چگونگی ظهور این فرآیندها از طریق تعامل فیزیکی و اجتماعی» تعریف می‌کند.

روباتیک پیشرفته روباتیک و هوش مصنوعی را ادغام می‌کند اما از هر دو جنبه متفاوت است. اول، بر نقش بدن و محیط به عنوان عناصر علی که موجب ظهور شناخت می‌شوند تاکید می‌کند. دوم اینکه، سیستم‌های شناختی مصنوعی برنامه‌ریزی نمی‌شوند. آن‌ها از آغاز و نگهداری یک فرآیند توسعه‌ای پدیدار می‌شوند که در آن با اشیا فیزیکی-بی‌جان-و محیط‌های اجتماعی-افراد یا دیگر ربات‌ها تعامل برقرار می‌کنند.

محققان از ربات‌ها برای تست مدل‌های شناختی خود استفاده می‌کنند زیرا آن‌ها می‌توانند با دنیا تعامل داشته باشند. در این الگو، ربات‌شناسان تکاملی می‌توانند در نهایت رباتی خلق کنند که مانند یک کودک انسان در دنیا رشد می‌کند.

آلن تورینگ در سال ۱۹۵۰ استدلال کرد که ساختن مغز یک کودک و آموزش آن می‌تواند رویکرد بهتری برای ایجاد هوش مصنوعی نسبت به ساختن مغز یک بزرگ‌سال باشد. دنبال کردن این مسیر به سمت AGI منطقی به نظر می‌رسد زیرا توسعه تنها فرایندی است که ما می‌دانیم توسط چه ارگانیزم‌ها هوش را به دست می‌آورند. ممکن است لازم نباشد (همانطور که ارتباط گرایان و نمادگرایان از آن دفاع می‌کنند)، اما منطقی است که فرض کنیم که «از نظر مکانیکی حیاتی» است تا از هوش شبه انسانی در ماشین‌ها تقلید شود.

با دادن یک بدنه به سیستم‌های شناختی هوش مصنوعی که بتواند با دنیای فیزیکی و اجتماعی ارتباط برقرار کند، ما تلاش‌های هوش مصنوعی سنتی را با تنها نمونه‌های شناخته‌شده از هوش واقعی ادغام می‌کنیم. در تقاطع هوش مصنوعی، رباتیک، و علوم شناختی است که ما مسیر را به سمت AGI پیدا خواهیم کرد.

گزینه TL؛ DR

دکارت مکتب فکری را در فلسفه ذهن رواج داد که تاثیر خود را تا به امروز داشته است. رویکردهای از هم گسیخته به هوش مصنوعی در ۶۰ سال گذشته موفقیت چشمگیری کسب کرده‌اند، اما هنوز از دستیابی به هوش انسانی فاصله زیادی دارند. رباتیک پیشرفته می‌تواند پاسخ سوالات باقی مانده باشد.

هیچ‌کس نمی‌تواند ادعا کند که ارتباط گم‌شده بین هوش مصنوعی و AGI امروزی را پیدا کرده‌است، اما ادغام هوش مصنوعی، رباتیک و علوم شناختی می‌تواند ما را به تنها مثالی که از هوش واقعی داریم نزدیک‌تر کند: ما.

این متن با استفاده از ربات ترجمه مقالات 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.