چرا هوش مصنوعي هنوز توانايي درك رابطه علت و معلولي را ندارد؟
هوش مصنوعي بهخوبي ميتواند الگوهايي را از ميان دادههاي متنوع استخراج كند كه ذهن انسان توانايي درك آنها را ندارد. ازطرفي همين هوش هنوز نميتواند ارتباط بين رخدادهاي گوناگون را شناسايي كند. بهعنوان مثال، كودكي كه بهتازگي راه رفتن را ميآموزد، بهراحتي علت و دليل يك رخداد را متوجه ميشود. درحاليكه هوش مصنوعي بسيار پيشرفته كه در خودروهاي خودران، هدايت وسيلهي نقليه را حتي در اتوبانهاي شلوغ به دست ميگيرد، هنوز علت اتفاقها را متوجه نميشود.
آزمايشي تجربي روي ساختار هوش مصنوعي نشان ميدهد كه درك فيزيك ابتدايي و ساختار علت و معلولي براي پيشرفتهترين الگوريتمهاي هوش مصنوعي نيز دشواريهاي زيادي دارد و حتي غيرممكن محسوب ميشود. البته همين مطالعه تلاش ميكند تا هوش مصنوعي با توانايي درك «چرايي» رخدادها توسعه دهد. جاش تننبائوم، استاد مركز Brains Minds & Machines در دانشگاه MIT، مديريت پروژهي مطالعاتي را برعهده دارد و هدف آن را گسترش تواناييهاي ماشين، فراتر از درك الگو بيان ميكند. چانگ گان، محقق ديگر دانشگاه MIT و كزين يي، دانشجوي دكترا، تننبائوم را همراهي ميكنند. او اعتقاد دارد شركتهاي بزرگ دنياي فناوري، قطعا عاشق هوش مصنوعي ميشوند كه تواناييهايي فراتر از درك الگوري رايج داشته باشد.
مشهورترين و مرسومترين فناوري هوش مصنوعي، يادگيري عميق، در سالهاي اخير پيشرفتهاي قابلتوجهي را تجربه كرد. درك پيشرفتهاي اين فناوري باعث شد تا علاقهي متخصصان و متخصص كارشناسان به ظرفيتهاي هوش مصنوعي بيشتر شود. يادگيري عميق، شامل تزريق حجم زيادي داده به يك شبكهي عصبي ميشود تا بتوان از آن براي يادگيري هوش مصنوعي استفاده كرد. الگوريتمهاي يادگيري عميق اغلب بهزيبايي الگوي موجود در ميان دادهها را كشف ميكنند. درواقع يادگيري عميق باعث توسعهي متخصصدهايي عالي در شناسايي صوت و تصوير ميشود. البته همين فناوريهاي پيشرفته، ظرفيتهايي كه براي انسانها حياتي هستند را شامل ندارند.
تننبائوم و همكارانش براي نشان دادن كمبودهاي هوش مصنوعي، يك آزمايش مطالعه هوشمندي طراحي كردند. در طول آزمايش، دنياي سادهي مجازي به هوش مصنوعي نمايش داده ميشود كه تعدادي سوژهي درحال حركت در آن وجود دارد. سپس، سؤالهاي و پاسخهايي پيرامون صحنهي موجود و رخدادهاي آن ارائه ميشود. سؤالها و پاسخها همگي برچسبزده شدهاند كه روندي شبيه به يادگيري هوش مصنوعي براي شناسايي تصاوير است.
سيستمهاي مجهز به يادگيري ماشين عميق، در مطالعههاي اوليهي جهان مجازي، نقاط ضعف مهمي از خود نشان دادند. سيستم مورد آزمايش در پاسخ به سؤالهاي توصيفي مانند شناسايي رنگ يك سوژه، بهخوبي عمل كرد و در ۹۰ درصد مواقع پاسخ صحيح داد. ازطرفي وقتي از همين سيستم سوالي با ساختار علت و معللي پرسيده ميشود، عملكرد مناسبي ندارد. بهعنوان مثال وقتي از سيستم بپرسيم «چه چيزي باعث شد تا توپ به مكعب برخورد كند» يا «چه اتفاقي ميافتاد اگر اجسام برخورد نميكردند»، تنها در ۱۰ درصد موارد پاسخ صحيح ارائه ميكند.
ديويد كاكس، نمايندهي IBM در MIT-IBM Watson AI Lab كه در پروژهي مذكور حضور داشت ميگويد درك عليت براي هوش مصنوعي اساسا مهم است. او ميگويد «انسانها بهخوبي رابطهي عليت را درك يكنند و سيستمهاي هوش مصنوعي نيز بايد به اين توانايي دست پيدا كنند.
كمبود توانايي درك عليت ميتواند عواقب بزرگي در پي داشته باشد. رباتهاي صنعتي توانايي شناسايي اجسام نزديك به خود را دارند. درنتيجه آنها را بهراحتي ميگيرند يا حركت ميدهند. البته آنها درك نميكنند كه ضربه زدن به چيزي ميتواند باعث افتادن از شكستن آن شود. تنها درصورتيكه برنامهريزيهاي پيشرفتهاي روي رباتها انجام شود، آنها توانايي درك سناريوهاي محدودي را از رابطهي عليت پيدا ميكنند. اگر يك ربات، توانايي درك عليت را داشت، ميتوانست بدون آمزش ديدن هم از حوادث احتمالي جلوگيري كند. همين گزاره براي خودروهاي خودران نيز صدق ميكند. هوش مصنوعي داخلي خودرو درصورت درك رابطهي عليت، متوجه ميشود كه درصورت برخورد يك كاميون با گاردريل جاده، احتمال ريختن بار آن وجود دارد.
توانايي درك رابطهي عليت براي تمامي انواع هوش مصنوعي در متخصصدهاي متنوع، مفيد خواهد بود. سيستمهايي كه براساس اطلاعات پزشكي فعاليت ميكنند، با درك عليت ميتوانند دليل يك بيماري را شناسايي كرده يا حتي عواقب استفاده از دارو يا روش درماني خاص را پيشبيني كنند. بههرحال بسياري از محققان امروزه تلاش ميكنند تا درك عليت را به تواناييهاي هوش مصنوعي بيفزاند. همهي تلاشها با اين هدف صورت ميگيرد كه هوش مصنوعي، علاوه بر توانايي يادگيري، توانايي استدلال هم پيدا كند.
كان ژانگ، استاديار دانشگاه كارنگي ملون كه روي موضوع درك عليت و استدلال در ياديگري ماشين تحقيق ميكند، دستاوردهاي آزمايش تننبائوم را متخصصدي ميداند. از انديشه متخصصين او با آزمايش جديد ميتوان درك عليت را تاحدي در سيستمهاي هوش مصنوعي آزمايش كرد. ژانگ ميگويد با اضافه شدن قدرت استدلال، ميتوان مسير را بهسمت هوش مصنوعي جامع هموار كرد.
اضافه كردن توانايي استدلال به هوش مصنوعي، قدم بعدي توسعهي فناوري است
تننبائوم و همكارانش علاوه بر نمايش ناتواني هوش مصنوعي در درك رابطهي علت و معلولي، سيستمي توسعه دادند كه توانايي يادگيري علت و معلول را دارد و در آزمايش تشخيصي، امتياز بيشتري دريافت ميكند. روش آنها با تركيب تكنيكهاي متعدد هوش مصنوعي اجرا ميشود. سيستم از يادگيري عنيق براي شناسايي اجسام در يك صحنه بهره ميبرد و خروجي آن به نرمافزاري ارسال ميشود كه مدلي سهبعدي از صحنه و اجسام موجود ميسازد.
روش يادگيري استدلال به هوش مصنوعي، نسبت به اكثر الگوريتمهاي يادگيري ماشين به ابزارهاي دستي بيشتري نياز دارد. تننبائوم ميگويد سيستم توسعهيافتهي كنوني اعتبار و دوام بالايي هم ندارد و نميتوان آن را مقياسدهي كرد. بههرحال با تركيب رويكردهاي متنوع و استفاده از ايدههاي جديد، ميتوان هوش مصنوعي را به مرحلهي بعد هم توسعه داد.
برندن ليك، استاديار روانشناسي و علوم داده در دانشگاه نيويورك دربارهي استدلال ذهني ميگويد:
ذهن ما مدلهاي استدلالي را ميسازد و از آنها براي پاسخ به سؤالهاي دلخواه استفاده ميكند، درصورتيكه بهترين سيستمهاي هوش مصنوعي توانايي ساختن مدل استدلالي را ندارند.
ساموئل گرشمن، استاد دانشگاه هاروارد و از همكاران قديمي تننبائوم در پروژههاي ديگر، اعتقاد دارد نميتوان بدون اضافه كردن توانايي استدلال، هوش مصنوعي را بهسمت هوش انساني توسعه داد. او بهعنوان مثال، حقيقتي پزشكي را عنوان ميكند. نتايج علمي نشان ميدهند زنان كمتر از مردان احتمال مرگ بهخاطر مسموميت الكلي دارند. گرشمن ميگويد اگر اين حقيقت را به هوش مصنوعي ارائه كنيم، پيشنهاد ميدهد كه براي كاهش مرگومير ناشي از مسموميت الكل در ميان مردان، جنسيت آنها را تغيير دهيم. همين استدلال اوليه و مضحك نشاندهندهي ضعف عميق هوش مصنوعي در استدلال است.
هم انديشي ها