خلاصهاي از رويدادهاي مهم هوش مصنوعي در سال ۲۰۲۰
سالانه دههاهزار مقاله با موضوع هوش مصنوعي منتشر ميشوند؛ اما بازهم براي نمايش قابليت واقعي اين فناوري نياز به زمان است. درعينحال، سرمايهگذاران برتر هوش مصنوعي ازجمله الفابت، اپل، فيسبوك، بايدوس و ديگر غولهاي فناوري، پشت درهاي بسته به پژوهشهاي هيجانانگيز خود در زمينهي هوش مصنوعي ادامه ميدهند.
باتوجهبه سرعت درخورتوجه هوش مصنوعي، دنبالكردن جديدترين و مهمترين فناوريها در طول يك سال بسيار دشوار ميشود؛ اما بدون شك هوش مصنوعي در سال ۲۰۲۰، در تمام ابعاد تأثير گستردهاي گذاشته است. در اين مقاله، به شش پيشرفت و زمينهي نوظهور اصلي هوش مصنوعي در سال ۲۰۲۰ اشاره شده است.
درك زبان
شايد در سالي معمولي، ابزارهاي توليد متن در ميان هيجانانگيزترين پيشرفتهاي جديد هوش مصنوعي رتبهبندي نشود؛ اما ۲۰۲۰ سالي معمولي نبود و GPT-3 هم ابزار توليد متن معمولي نيست. نسخهي قبلي آن، يعني GPT-2، بهعنوان خطرناكترين الگوريتم جهان برچسبگذاري شد. GPT-3 حالا نسخهي جديد شبكهي عصبي پردازش زبان طبيعي اتورگرسيوي است كه آزمايشگاه OpenAI آن را توسعه داده است.
GPT-3 با ورودي جملات اندك مثل ابتداي روايتي خبري ميتواند متني منطبق با سبك و محتواي خطوط اول را توليد كند و حتي نقلقولهايي در آن بگنجاند. GPT-3 تقريبا ۱۷۵ ميليارد پارامتر دارد و يادگيري آن ۱۲ ميليون دلار هزينه دربرداشت.
GPT-3، تنها مدل زباني تأثيرگذار هوش مصنوعي در سال ۲۰۲۰ نيست؛ چراكه توليد زبان طبيعي تورينگ از شركت مايكروسافت (T-NLG) هم در فوريهي ۲۰۲ معرفي شد. اين مدل با قابليت توليد ۱۷ ميليارد پارامتر، بزرگترين مدل زباني تا آن زمان بود. مدل زبان توليدي مبتني بر ترانسفورمر T-NLG ميتوانست كلمات ضروري براي تكميل جملات ناتمام توليد كند و پاسخهاي مستقيم به پرسشها و خلاصهسازي اسناد بدهد.
ترانسفورمر كه اولينبار گوگل در سال ۲۰۱۷ معرفي كرد، نوع جديدي از مدل يادگيري عميق است كه به تحول پردازش زبان طبيعي كمك كرده است. قدمت رابطهي هوش مصنوعي و زبان به آزمايش فرضيهاي مشهور آلن تورينگ از هوش ماشين بازميگردد؛ اما بهلطف پيشرفتهاي جديد، ماشينها ميتوانند به عملكرد بسيار موفقي در زمينهي درك زبان برسند. درادامهي دههي جاري، اين مسئله تأثيرات چشمگيري بهدنبال خواهد داشت.
مدلها روزبهروز بزرگتر ميشوند
GPT-3 و T-NLG نقاط عطف يا حداقل گرايشهاي معنادار در هوش مصنوعي هستند. با اينكه كمبودي ازلحاظ استارتاپ و آزمايشگاههاي كوچك دانشگاهي و افراد استفادهكننده از هوش مصنوعي احساس نميشود، وجود بازيگران اصلي در اين عرصه ميتواند بهمعني مبادلهي جدي منابع باشد. مدلهاي بزرگ با هزينهي يادگيري چشمگير، در پژوهشهاي جديد هوش مصنوعي گسترش يافتهاند. شبكههاي عصبي با ميلياردها پارامتر بهسرعت در حال توسعه هستند.
۱۷۵ ميليارد پارامتر GTP-3 يكي از پيشرفتهاي هوش مصنوعي است؛ اما مدلهاي جديد مثل Meena ،NGL تورينگ، DistillBERT و BST 9.4B نيز از يكميليارد پارامتر عبور كردهاند. پارامترهاي بيشتر لاخبار تخصصيا بهمعني عملكرد بهتر در هر نمونهاي نيستند. بااينحال، ميتواند بدينمعني باشد كه ابزار توليد متن ميتواند از مجموعهي بزرگي از توابع مدلسازي دقيق كند.
براي تكثير هوش مصنوعي مشابه مغز انسان، وجود پارامترهاي بيشتر ضرورت بهشمار ميرود؛ بههميندليل، وقتي مباحثه مدلهاي بزرگتر مطرح ميشود، بازيگران بزرگ اين عرصه قوانين را تعيين ميكنند. براي يادگيري شبكه، بهازاي هر ۱،۰۰۰ پارامتر يك دلار هزينه ميشود.
هوش مصنوعي براي نوع بشر مفيد است
تنها دانشمندان كامپيوتر از پيشرفتهاي هوش مصنوعي سود نخواهند برد. پژوهشگران رشتههاي ديگر هم ايدههاي نوآورانهاي دربارهي متخصصدهاي يادگيري ماشين دارند. براي مثال، از هوش مصنوعي ميتوان براي تشخيص تينيتوس (زنگزدن گوش) براساس اسكنهاي مغزي استفاده كرد يا هدستهاي ذهنخواني ميتوانند از يادگيري ماشين براي تبديل افكار به كلمات گفتاري براي افراد لال استفاده كنند. آلفا فولد شركت ديپمايند يكي از نمونههاي هوش مصنوعي براي پيشبيني شكل پروتئينها براساس توالي آنها است؛ ازاينرو، ميتواند به توسعهي سريع درمانهاي موفق كمك كند. بهطوركلي، هوش مصنوعي در بسياري از زمينهها شاخصههاي پژوهشي جذابي را در سال ۲۰۲۰ بهوجود آورد.
هنوز هوش مصنوعي كنترلناپذير نشده است
دقت زماني اعمال ميشود كه رباتها كار را بهدست بگيرند. در سال جاري، تعداد زيادي از مشاغل در سراسر جهان از بين رفتند. بااينحال، اين اتفاقها پيامدهاي دنياگيري بودند، نه رباتها. با اينكه نمونههايي از هوش مصنوعي و ربات براي انجام وظايف انساني وجود دارند، اين موارد صرفا براي بهبود تواناييهاي انسان و كمك به او در حوزههايي توسعه مييابند كه نيروي كار كافي و پيوسته ندارند. درواقع، امروزه شركتهايي مثل غولهاي فناوري كه نيروهاي زيادي را استخدام ميكنند، همزمان روي فناوريهاي پيشرفته هم سرمايهگذاري ميكنند.
البته نميتوان گفت روبوكاليپس يا هوش مصنوعي كنترلناپذير پيشبيني نادرستي است. اين ذهنيت از سوي طبقهي متوسط ادامه مييابد؛ گرچه ماهيت آن بسيار پيچيدهتر از ظهور شركتهاي فناوري است كه ابزارهاي نرمافزاري هوشمند را معرفي ميكنند. اگر سال ۲۰۲۰ تنها يك حرف براي گفتن دربارهي هوش مصنوعي و اشتغال داشته باشد، آنهم پيچيدگي تمام كارها است.
ديپفيكها
بدون شك، سال ۲۰۲۰ سالي عجيبي براي ازبينبردن مرزهاي واقعيت به شيوهاي عجيب بود. در ابتداي سال، كوويد ۱۹ جهان را درست مانند فيلمي هيجانانگيز در قرنطينه فروبرد؛ اما افراد چگونه از اين واقعيت جديد فرار ميكردند؟ پاسخ مشخص است: با سرگرميهاي متناسب با دنياگيري. سپس، انتخابات سال ۲۰۲۰ ايالات متحده به دو شيوهي مجازي و حضوري ادامه يافت.
همچنين، هوش مصنوعي نقش عمدهاي در حملات به شكل فناوريهاي ديپفيك دارد. ديپفيكها اختراع سال ۲۰۲۰ نيستند؛ بلكه امسال به پيشرفتهاي چشمگيري رسيدند. ماه جولاي، پژوهشگران مركز واقعيت پيشرفته در مؤسسهي فناوري ماساچوست ويدئي ديپفيكي از ريچارد نيكسون، رئيسجمهور سابق ايالات متحده را ساختند كه سخنان متفاوتي دربارهي فرود بر سطح ماه مطرح ميكند.
بهموازات ديپفيكهاي بصري قانعكننده و واقعي، پژوهشگران تعدادي ديپفيك صوتي دقيق هم ايجاد كردند. يكي از نمونههاي آن، ديپفيك صوتي امينم، خواننده و رپر آمريكايي است كه جملاتي در مخالفت با مارك زاكربرگ، مديرعامل فيسبوك ميگويد.
قانونگذاري هوش مصنوعي
ابزار مجهز به هوش مصنوعي قدرتمند هستند و اين قدرتمندي صرفا بر نمايشهاي انتزاعي صدق نميكند؛ بلكه پيشرفتهاي واقعي را هم شامل ميشود كه از داوطلبان نظارتي براي مصاحبههاي شغلي تا تشخيص چهره يا ابزار تصميمگيري شفاهي مقامها متغير هستند. در چند سال گذشته، آگاهي از اين ابزار و انحراف آنها به افزايش نگراني دربارهي استفاده از آنها منجر شده است. ماه ژانويه، پليس ديترويت بهاشتباه مردي بهنام رابرت ويليامز را دستگير كرد؛ زيرا الگوريتمي به خطا تصوير گواهينامهي رانندگي او را با فيلم تار CCTV تطبيق داده بود. بلافاصله پس از اين اتفاق، شركتهاي IBM و آمازون و مايكروسافت دربارهي فناوريهاي تشخيص چهره تجديدانديشه متخصصين كردند.
ديپفيكهاي يادشده هم بسيار ترسناك هستند؛ زيرا سوءاستفاده از آنها ميتواند پيامدهاي ناگواري بهدنبال داشته باشد. قانون AB-730 كاليفرنيا بهمنظور غيرقانونيكردن استفاده از ديپفيكها بهدليل ارائهي اطلاعات نادرست از سخنان و اعمال سياستمداران، تلاش واضحي براي تنظيم قوانين هوش مصنوعي و توسعهي ابزار هوش مصنوعي براي اهداف مثبت بود.
تمركز هوش مصنوعي بر اصول اخلاقي يكي از موضوعاتي است كه اولينبار عمومي ميشود. بخش زيادي از اين اعتبار به پژوهشگراني مثل كارولين كريادو پرز و سافيا اوموجا نوبل باز ميگردد كه بهطور خستگيناپذيري براي تشخيص انحرافهاي الگوريتمي و تأكيد بر اهميت پاسخگويي تلاش ميكنند.
هم انديشي ها