مدل‌سازی یادگیری یا مدل‌سازی خرد و فهم؟
امیرحسین نهاوندی * هر روزه اخبار جدیدی از پیشرفت‌های بعضا شگفت‌انگیز در هوش‌مصنوعی را در رسانه‌ها می‌توان مشاهده کرد، در حالی که بسیاری از فعالان این حوزه بر این عقیده هستند که با استفاده از روش‌های نوین در شبکه‌های عصبی مصنوعی می‌توان به یک هوش‌مصنوعی واقعی دست یافت. بعضی دیگر از محققان بر این عقیده هستند که دنیای هوش‌مصنوعی با وجود همه این پیشرفت‌ها اما مسیر درستی را برای دستیابی به یک هوش‌مصنوعی واقعی طی نمی‌کند.
در طول تقریبا یک دهه گذشته و بعد از ظهور روش‌های مبتنی بر یادگیری عمیق که بر مبنای مدل‌سازی‌های ریاضی از شبکه‌های عصبی مصنوعی کار می‌کنند، موفقیت‌هایی باور نکردنی در حوزه‌های مختلف یادگیری ماشین به دست آمد. سیستم‌های مبتنی بر یادگیری ماشین بر مبنای روش‌های یادگیری عمیق موفق شدند تا در زمینه پردازش‌های تصویر و صوت به چنان دقتی برسند که شاید چند سال قبل حتی تصور آنها هم برای ما محال بود. انقلاب یادگیری عمیق باعث شد تا بخش اعظم تمرکز و توجه و بودجه مراکز تحقیقاتی هوش‌مصنوعی به سمت روش‌های یادگیری عمیق جهت بگیرد. حتی بعضی از محققان تا به آنجا پیش رفتند که مدل‌سازی‌های مبتنی بر یادگیری عمیق را به عنوان راه‌حل ایجاد سیستم‌های مصنوعی دارای «خود آگاهی» (consciousness) قلمداد کردند. مسلما به هیچ عنوان نمی‌توان دستاوردهای یادگیری عمیق را منکر شد و نمی‌توان نقش حیاتی این شاخه از هوش‌مصنوعی را در پیشرفت‌های یک دهه گذشته در زمینه هوش‌مصنوعی نادیده گرفت. تقریبا بخش اعظم پدیده‌هایی که امروزه به عنوان هوش‌مصنوعی و یادگیری ماشین می‌شناسیم ( از دستیار‌های صوتی گوشی‌های هوشمند موبایل گرفته تا سایت مترجم گوگل یا سیستم‌های پردازش تصویر و حتی سیستم‌های توصیه‌گر) همگی بر مبنای همین روش‌های یادگیری عمیق عمل می‌کنند.حتی به احتمال فراوان درسال‌های آتی دستاوردهای شگفت‌انگیز دیگری از این شبکه‌های عصبی مصنوعی مشاهده خواهیم کرد. بعضی از مدل‌های مبتنی بر یادگیری عمیق می‌توانند حتی داستان یا فیلمنامه بنویسند یا شعر بسرایند. می‌توانند تولید محتوا کنند. می‌توانند خبر یا حتی تحلیل تولید کنند. هرچند هنوز کیفیت اشعار یا داستان‌های تولید شده توسط آنها با حد کیفیت مورد نظر ما اختلاف دارد اما بعید نیست طی سال‌های آتی در همین زمینه‌ها نیز گوی سبقت را از بهترین نویسندگان یا فیلمنامه‌نویسان بربایند. به دلیل همین پیشرفت‌ها هم ممکن است تصور کنیم یادگیری عمیق کلید همه چیز است و می‌تواند راه‌حل همه مشکلات هوش‌مصنوعی باشد اما اگر چنین تصوری دارید شاید در اشتباه باشید. یادگیری عمیق احتمالا جواب نهایی و اصلی برای دستیابی به یک هوش‌مصنوعی واقعی نخواهد بود! برای توضیح علت آن نیاز است تا ابتدا تفکیکی بین توانایی‌های اصلی یک سیستم هوشمند داشته باشیم.
به طور کلی عملکردها و ویژگی‌های یک سیستم هوشمند (خواه انسان باشد یا یک هوش‌مصنوعی پیشرفته) از دو جنبه قابل بررسی است. نخست از جنبه عملکرد‌های مبتنی بر یادگیری و دوم عملکرد‌های مبتنی بر خرد، درک و شعور. تقریبا همه توانایی‌های مبتنی بر پردازش تصویر و صوت یا قابلیت‌های دسته‌بندی و خوشه‌بندی، در حوزه جنبه‌های عملکرد‌های مبتنی بر یادگیری قرار می‌گیرند. این عملکردها در شبکه نورون‌های مغز یک انسان از دوران کودکی تشکیل الگو‌هایی را می‌دهند که به آرامی رشد یافته و او را قادر می‌کند تا چهره پدر و مادر خود را از چهره افراد دیگر تفکیک کرده و بشناسد. او را قادر می‌کند تا صدا‌ها را از هم تفکیک یا الگو‌های رفتاری را شناسایی کرده و خود را با آنها تطبیق دهد. بچه یک انسان بر اساس همین مهارت‌های یادگیری که از سیستم مغزی و عصبی او نشات می‌گیرد می‌تواند معادلات ریاضی را حل کند، حرکات ورزشی را تقلید کند یا یک دانش جدید را یاد بگیرد. همه این موارد به واسطه نورون‌های مغزی او ممکن می‌شود و بنابراین با مدل‌سازی رفتار این نرون‌های مغزی و توسعه مدل‌های ریاضی از آنها می‌توان مشابه این مهارت‌ها را در یک سیستم هوشمند شبیه‌سازی کرد. این دقیقا همان کاری است که سیستم‌های یادگیری ماشین مبتنی بر یادگیری عمیق انجام می‌دهند. دقت کنید که اساسا نام هر دوی آنها با کلمه یادگیری آغاز می‌شود. یعنی هدف آنها قرار است یادگیری یا انجام مهارت یا دانش در موضوعی خاص باشد.
اما جنبه دومی از ویژگی‌ها و عملکردها در یک انسان وجود دارد که با وجود شباهت‌های ظاهری به جنبه اول اما با آن متفاوت است. این جنبه دوم چیزی فراتر از یادگیری یا قابلیت تفکیک‌پذیری یا دسته‌بندی صرف است. چیزی فراتر از یک مهارت یا یک دانش خاص است. این جنبه دوم را می‌توان خرد انسانی یا فهم انسانی عنوان کرد. یک انسان حتی اگر کاملا بی‌سواد و بدون دانش باشد و حتی اگر قابلیت‌های یادگیری و بهره هوشی بسیار پایینی داشته باشد اما دارای جنبه‌های منطقی و ادراکی خاصی است که هر اندازه هم ضعیف باشد اما او را از یک ماشین مجزا می‌کند. باید دقت کرد که منظور از خرد یا درک انسانی الزاما پدیده خودآگاهی نیست (که اساسا بحث درباره آن موضوعی کاملا جداست). درباره احساسات یا سایر توانایی‌های شناختی هم صحبتی نمی‌کنیم! موضوع این جنبه دوم توانایی تفکر و خرد است. منظور از این جنبه دوم یعنی سیستم یا فرد دارای یک توانایی منطقی برای درک روابط علی و معلولی باشد. (دقت کنید که این موضوع شدیدا وارد جنبه‌های فلسفی و روانشناسی می‌شود و هنوز دانش ما حتی برای تعریف صحیح این موضوعات شاید کافی نباشد. بنابراین ممکن است تعاریف بسیار زیادی از واژگانی مثل خرد یا فهم را بتوان بیان کرد). همین جنبه دوم است که یک انسان را قادر می‌سازد تا توانایی فهم مکالمات و روابط علی و معلولی را داشته باشد.
جنبه اول باعث می‌شود تا ما بتوانیم احتمال وقوع یک پدیده را پیش‌بینی کنیم اما جنبه دوم باعث می‌شود تا بتوانیم بفهمیم و درک کنیم که چرا اصلا فلان پدیده رخ می‌دهد؟ جنبه اول باعث می‌شود بتوانیم اشیا را از هم تفکیک کرده یا شناسایی کنیم اما جنبه دوم باعث می‌شود تا بتوانیم منطق و منظور و مفهوم حرف‌ها و مکالمات را درک کنیم. جنبه اول می‌تواند در یک حوزه یا چند حوزه خاص دانش موجود را تقلید یا اجرا کند اما جنبه دوم باعث می‌شود تا بتوان یک دانش جدید را کشف کرد. مورد اول بیشتر جنبه تقلیدی دارد اما مورد دوم بیشتر جنبه خلاقانه دارد.
بر اساس توضیحات بالا می‌توان مشاهده کرد که آنچه امروزه به عنوان هوش‌مصنوعی و یادگیری ماشین در حال استفاده است (با حداقل بخش اعظم آن!) مبتنی بر همان مورد اول است. یعنی تقلید صرف توانایی‌های مغزی انسان نه ویژگی‌های مبتنی بر فهم و ادراک و خرد ذهن انسان.
پروفسور گری مارکوس از محققان بنام هوش‌مصنوعی و استاد علوم اعصاب دانشگاه NYU و از جمله افرادی که درباره دانش هوش‌مصنوعی فعالیت کرده است به همراه همکارش ارنست دیویس در سال ۲۰۱۹ در کتاب خود به نام «Rebooting AI» این موضوع را به طور خاص مورد پژوهش قرار دادند. او اعتقاد دارد یادگیری عمیق اگر چه کمک زیادی به دنیای هوش‌مصنوعی کرده است اما ما نمی‌توانیم به سیستم‌های هوش‌مصنوعی که صرفا برمبنای یادگیری عمیق عمل می‌کنند اعتماد کنیم و تمرکز بیش از حد روی یادگیری عمیق اشتباه است. از دیدگاه پروفسور مارکوس و همکارش یادگیری عمیق ممکن است از دیدگاه فنی در تقلید از عملکرد‌های ادارکی مغز مانند پردازش تصویر یا گفتار خوب عمل کند اما در سایر وظایف ادراکی مانند توانایی فهم مکالمات یا روابط علی و معلولی بسیار ضعیف است. بنابراین برای ایجاد یک هوش‌مصنوعی قوی‌تر و عمومی‌تر، یادگیری عمیق باید با روش‌های دیگر ترکیب شود.
وقتی یک سیستم هوش‌مصنوعی نمی‌تواند وظایف خود یا دنیای اطراف خود را درک کند ممکن است پیامد‌های خطرناکی را به دنبال داشته باشد. نمونه‌های این موارد نیز کم نیستند. به طور مثال سیستم‌های ماشین‌های خودران که منجر به تصادف می‌شوند، سیستم‌های تشخیص حرف‌های نژاد‌پرستانه یا دروغ (مانند سیستم‌هایی که فیس‌بوک به آنها نیاز دارد) که همچنان به راحتی فریب می‌خورند یا سیستم‌های هوشمند برای استخدام افراد که فرآیند‌های تبعیض‌آمیز اعمال می‌کنند. به عقیده آنها ما در حال حاضر حتی نزدیک این هوش‌مصنوعی عمومی(General AI) هم نیستیم! هر چند می‌توانیم به آن دست بیابیم. منظور از هوش‌مصنوعی عمومی در کلام آنها نوعی از هوش‌مصنوعی است که بتواند روابط علی و معلولی را درک کند. این نوع از هوش‌مصنوعی می‌تواند مانند یک محقق به کشف دانش جدید در حوزه‌هایی مانند پزشکی کمک کند. همچنین می‌تواند فکر کند و مشکلات جدید را حل کند نه اینکه تنها برای حل یک مساله محدود آموزش دیده باشد و با تغییر کوچکی در شرایط مساله کارایی خود را از دست بدهد. این نوع از هوش‌مصنوعی باید بتواند مانند یک انسان در مسائلی مانند مسائل اجتماعی یا موارد مشابه استدلال کند. اما یادگیری عمیق نمی‌تواند هوش‌مصنوعی را به چنین جایگاهی برساند. حتی قوی‌ترین موارد یادگیری عمیق مانند سیستم آلفا گو از شرکت گوگل که توانست در بازی گو (GO) انسان را مغلوب کند تنها قادر است برای موارد مشخصی کارایی داشته باشد و با کوچک‌ترین تغییری در شرایط مساله باید از نو بازنویسی شود. چرا که این سیستم در واقع هیچ درکی از دنیای پیرامون خود یا وظایف خودش ندارد. سیستم‌های پردازش تصویر مبتنی بر یادگیری عمیق نیز همین مشکل را دارند. پروفسور مارکوس و همکارش در کتاب خود به این نکته اشاره می‌کنند که یادگیری عمیق هرگز نمی‌تواند به یک هوش‌مصنوعی عمومی دست پیدا کند چرا که یادگیری عمیق فاقد درک عمیق است! به عقیده پروفسور مارکوس شرایط به گونه‌ای شده است که مردم می‌خواهند همه مشکلات را با شبکه‌های عصبی حل کنند در حالی که این ممکن نیست. تشخیص یک شیء با فهمیدن یک جمله اساسا متفاوت است اما مردم به اشتباه سعی دارند تا از یادگیری عمیق برای هر دو مورد استفاده کنند.
اما تنها پروفسور مارکوس و همکارش نیستند که چنین نظری دارند. مایکل جردن دانشمند معروف هوش‌مصنوعی نیز عقاید مشابهی دارد. جردن بر این عقیده است که آنچه امروزه به عنوان انقلاب هوش‌مصنوعی معرفی می‌شود نه هوش‌مصنوعی بلکه یادگیری ماشین است. و بین هوش‌مصنوعی و یادگیری ماشین تفاوت‌های بسیاری وجود دارد. به عقیده پروفسور جردن آنچه امروزه در اخبار درباره پیشرفت‌های هوش‌مصنوعی می‌بینیم غالبا برچسب یادگیری ماشین را با خود دارند. یادگیری ماشین الگوریتم‌هایی برای پردازش داده‌ها با الهام از روش‌های آماری و علوم کامپیوتری به منظور پیش‌بینی و تصمیم‌گیری بوده است. در حالی که هدف هوش‌مصنوعی تولید موجودیتی بوده است که حداقل از جنبه ذهنی مانند انسان باشد. الگوریتم‌های یادگیری ماشین روی مدل‌سازی فرآیند‌های تصمیم‌گیری در سطوح پایین تمرکز دارند در حالی که هدف هوش‌مصنوعی مدل‌سازی فرآیند‌های تصمیم‌گیری در سطوح بالاست. یعنی بازتولید فرآیند‌های شناختی و فکری انسان در حالی که یادگیری ماشین امروزه بیشتر مبتنی بر شناسایی آماری الگو‌ها و انجام تخمین‌ها متمرکز است.
باید دقت کرد همه این انتقادات از یادگیری عمیق به هیچ عنوان به معنی نفی یادگیری عمیق و زیرسوال بردن قدرت آن نیست. اساسا نمی‌توانیم پیشرفت‌های باورنکردنی در سال‌های اخیر را که به واسطه روش‌های یادگیری عمیق رخ داده‌اند منکر شویم. بحث تنها بر سر این است که یادگیری عمیق یک انقلاب در یادگیری ماشین است اما احتمالا به یک هوش‌مصنوعی مبتنی بر خرد و فهم منجر نخواهد شد. دستیابی به خرد و فهم برای یک سیستم هوشمند احتمالا نیاز به رویکردهای جدیدی دارد که شناسایی آنها نیازمند نظریه‌پردازی‌ها و تحقیقات جدیدی خواهد بود. در سال‌های اخیر پیشنهاداتی نیز برای این موضوع داده شده است. استفاده از ترکیبی از روش‌های کلاسیک هوش‌مصنوعی با یادگیری عمیق یا استفاده از روش‌های یادگیری تقویتی در ترکیب با یادگیری عمیق از جمله این پیشنهادات بوده است. در این بین نظریاتی نیز وجود دارد که راه‌حل دستیابی به چنین سطحی از هوشمندی را توسعه مدل‌های جدیدی از منطق‌های گزاره‌ای می‌دانند. آنچه مشخص است این است که یادگیری عمیق برای ما یک انقلاب بزرگ در فناوری بود اما همچنان برای دستیابی به هوش‌مصنوعی واقعی نیاز به رویکردهای جدید داریم.
نکته پایانی
این تصور که هوش‌مصنوعی معادل یادگیری ماشین است اشتباه است. هوش‌مصنوعی فراتر از شناسایی آماری الگو‌ها و انجام تخمین‌هاست. یادگیری ماشین با وجود همه دستاوردهای بزرگ آن همچنان در شبیه‌سازی روابط علی و معلولی و ویژگی‌های تفکری و ادراکی انسان ناتوان است و پیشرفت در این زمینه‌ها نیازمند رویکردهای جدید است.
* پژوهشگر حوزه فناوری
اخبار برگزیدهیادداشتلینک کوتاه :