دستاورد جدید گوگل در زمینه هوش مصنوعی و نزدیک‌تر شدن به هوش انسان

برنامه‌ی جدیدی که به‌تازگی از سوی گوگل ارائه شده است، می‌تواند ما را یک گام دیگر در مسیر توسعه‌ی هوش مصنوعی فراگیر با قابلیت استفاده از دانش به‌دست‌آمده از مسائل قبلی برای حل چالش‌های جدید پیش ببرد.

محققان با استفاده یک برنامه که توانایی یادگیری یک کار پس از کار دیگری، با استفاده از مهارت‌های به‌دست‌آمده در طی فرایند دارد؛ موفق به غلبه بر یکی از موانع عمده در مسیر هوش مصنوعی شده‌اند.

 طراحی و توسعه‌ی این برنامه توسط بخش اختصاصی هوش مصنوعی گوگل موسوم به DeepMind انجام شده است. برنامه‌ی اخیر توانسته طیف وسیعی از وظایف مختلف را بر عهده بگیرد و تمامی آن‌ها را تقریبا به خوبی یک انسان عادی به انجام رسانده است. هوش مصنوعی به کار بسته‌شده روی این برنامه به‌طور مهم و در عین حال منحصربه‌فردی، چگونگی حل مسئله‌های قبلی را از یاد نمی‌برد و علاوه بر آن، از دانش به‌دست‌آمده از حل آن مسئله‌ها می‌توان برای مدیریت و حل مسئله‌های جدیدتر استفاده کند.

 البته می‌دانیم که هوش مصنوعی به هیچ وجه از آن نوع هوش عمومی که انسان‌ها در حین مواجهه با چالش‌های جدید از آن بهره می‌برند، برخوردار نیست و استفاده‌ی آن از «درس‌های» گذشته در قیاس با هوش انسان، محدودتر است. اما به نظر می‌رسد کار ارائه‌شده‌ی اخیر گوگل می‌تواند راه حلی پیش روی مسئله‌ی یادشده بگذارد. اگر هوش مصنوعی جامع (artificial general intelligence) که به‌اختصار AGI خوانده می‌شود، دارای ساختار مناسبی باشد؛ می‌تواند با هوش انسانی مطابقت داشته باشد. جیمز کرک‌پاتریک یکی از اعضای دیپ‌مایند در این باره می‌گوید:

 اگر ما در حال حرکت به‌سوی برنامه‌های کامپیوتری هوشمندتر و مفیدتر هستیم، باید بدانیم که این برنامه‌ها لازم است دارای توانایی یادگیری متوالی باشند.

 توانایی به یاد آوردن مهارت‌های قدیمی و به کار بستن آن‌ها در وظایف جدید به‌طور طبیعی در ذهن انسان وجود دارد. به‌عنوان مثال، برای یک اسکیت‌باز حرفه‌ای، انجام اسکیت روی یخ و یادگیری آن کاری آسان به شمار می‌رود و دلیل آن هم این است که مهارت‌های گوناگون، همدیگر را تقویت می‌کنند. اما تجربه ثابت کرده است که بازآفرینی این توانایی در کامپیوترها به‌عنوان یک چالش بزرگ برای محققان هوش مصنوعی محسوب می‌شود. برنامه‌های ایجادشده در زمینه‌ی هوش مصنوعی معمولا به صورتی عمل می‌کنند که تنها در انجام یک کار عالی هستند؛ فقط و فقط یک کار یا وظیفه.

 این مشکل از طریقه‌ی عملکرد هوش مصنوعی برای انجام کارها سرچشمه می‌گیرد. شمار بیشتری از سیستم‌های هوش مصنوعی، روی برنامه‌هایی پیاده‌سازی می‌شوند که به نام شبکه‌ عصبی از آن‌ها یاد می‌شود و روند کار آن‌ها بر یادگیری چگونگی انجام وظیفه‌ها استوار است. منظور از وظیفه‌ در اینجا، مواردی مانند انجام بازی شطرنج بر پایه‌ی شمار بسیار زیادی از دورهای بازی و روندهای آزمون و خطا است. اما هنگامی که یک شبکه‌ی عصبی، بازی شطرنج یاد می‌گیرد، یک بازی دیگر را تنها در صورتی می‌تواند یاد بگیرد که ما مهارت‌های شطرنج آن را با مهارت‌های بازی جدید جایگزین کنیم. محققان هوش مصنوعی از این ایراد با عنوان «فراموشی فاجعه‌بار» نام می‌برند.

 هوش مصنوعی بدون داشتن توانایی ساخت یک مهارت در پی مهارتی دیگر، هرگز نخواهد توانست روند یادگیری همانند انسان‌ داشته باشد؛ یا اینکه برای مدیریت مسائل جدید، همانند انسان‌ به‌اندازه‌ی کافی انعطاف‌پذیر باشد. کرک‌پاتریک در این باره می‌گوید:

انسان‌ها و حیوانات، موارد ضروری را می‌توانند یکی پس از دیگری یاد بگیرند و همین امر خودش یک عامل بسیار مهم است تا آن‌ها را برای یادگیری به‌طور مستمر و با تکیه بر دانش قبلی خودشان توانمند کند.

 محققان برای ساخت هوش مصنوعی جدید، مطالعاتی در زمینه‌ی علوم اعصاب مد نظر قرار دادند؛ مطالعاتی که نشان می‌دهند حیوانات با حفظ آن گروه ارتباطات مغزی که برای مهارت‌های به‌دست‌آمده در گذشته مهم تلقی می‌شود، می‌توانند به‌طور مستمر «یاد بگیرند». درس‌های آموخته‌شده در استتار از طعمه برای بقای حیوانات حیاتی هستند. از این‌رو، اگر مهارت‌های لازم برای دیگر مراحل حیات با فوت‌وفن لازم برای پیدا کردن غذا در مغز موش جایگزین می‌شد؛  این حیوان نمی‌توانست مدت خیلی زیادی زنده بماند.

هوش مصنوعی دیپ‌مایند، بازتاب‌دهنده‌ی فرایند یادگیری مغز انسان با یک راه ساده است. قبل از آنکه این برنامه، از انجام یک وظیفه به سراغ انجام وظیفه‌ی دیگر برود، روی این موضوع کار می‌کند که کدام گروه از ارتباطات در شبکه‌های عصبی آن برای انجام و پردازش وظایفی که پیش از این یاد گرفته است، دارای بیشترین اهمیت بوده‌اند. در ادامه روی آن‌ها نیز کار می‌کند تا با یادگیری مهارت جدید، بتوانند تغییر کنند. کرک‌پاتریک چنین می‌گوید:

اگر شبکه توانایی استفاده‌ی مجدد از آنچه یاد گرفته است، داشته باشد، در ادامه این کار را انجام خواهد داد.

 محققان، هوش مصنوعی را با به کار گرفتن آن برای انجام 10 بازی کلاسیک آتاری، از جمله برک آوت، مهاجمان فضایی و مدافع به‌صورت تصادفی، در مسیری که هدفشان است قرار دادند. آن‌ها دریافتند که پس از گذشت چند روز از انجام هر بازی، هوش مصنوعی به‌طور معمول در هفت بازی، دارای عملکردی به‌خوبی یک بازیکن انسان بود. بدون رویکرد تثبیت حافظه‌ی جدید، هوش مصنوعی به‌سختی قادر می‌بود یکی از آن بازی‌ها را به‌خوبی انجام دهد.

دانشمندان با تماشای بازی‌های هوش مصنوعی متوجه برخی از استراتژی‌های جالب به‌کاررفته در روند آن شدند. به‌عنوان مثال، در هنگام انجام بازی اندورو، هوش مصنوعی هر یک از مراحل مختلف بازی را به‌عنوان یک وظیفه‌ی متفاوت برای خود در نظر می‌گرفت و بر همین اساس اقدام می‌کرد. گفتنی است که اندورو یک بازی مسابقه‌ی ماشین است و مراحل آن در حالت‌های روز، شب و راندن در شرایط برفی تعریف شده‌اند.

پژوهشگران که دستاوردهای خود را در قالب یک مقاله در مجموعه مقالات آکادمی ملی علوم منتشر کرده‌اند، در نوشته‌های خود توضیح می‌دهند که هوش مصنوعی جدید آن‌ها به چه شکل با استفاده از مهارت‌هایی که در مراحل قبلی آموخته بود، اقدام به حل مسئله‌ها کرده است. اما هنوز روشن نیست که آیا استفاده از مهارت‌های قبلی باعث شده است هوش مصنوعی عملکرد بهتر داشته باشد یا خیر. در حالی که برنامه‌ی یادشده، انجام بازی‌های مختلف را یاد گرفته بود، اما باید اشاره کرد که این برنامه در انجام هیچ کدام از این بازی‌ها دارای عملکردی به‌خوبی یک برنامه‌ی هوش مصنوعی اختصاصی برای یک بازی خاص نبوده است. پاتریک در این باره گفت:

ما نشان داده‌ایم که برنامه می‌تواند کارهای پی‌درپی را یاد بگیرد؛ اما نشان نداده‌ایم که عملکرد آن در یادگیری نیز به دلیل اینکه آن‌ها را به‌طور پی‌درپی یاد می‌گیرد، بهتر شده است. هنوز جای زیادی برای پیشرفت در این برنامه وجود دارد.

 یکی از دلایلی که هوش مصنوعی نمی‌توانست هر بازی را به نحو عالی به انجام برساند، این بود که گاهی اوقات قادر به درک میزان اهمیت و همچنین چگونگی ارتباطات خاص برای استراتژی مختص هر بازی نبود. پاتریک چنین تشریح می‌کند:

ما می‌دانیم که یادگیری متوالی مهم است؛ اما هنوز به مرحله‌ی بعدی وارد نشده‌ایم. مرحله‌ی بعدی آن است که بتوانیم نوعی یادگیری را اجرا کنیم که انسان‌ها و حیوانات می‌توانند انجام دهند. البته تا آن مرحله هنوز راه زیادی باقی است. اما اکنون می‌دانیم یکی آن مواردی که به‌عنوان سدی بزرگ در مسیرمان به شمار می‌رفت، غیر قابل عبور نخواهد بود.

وی می‌افزاید:

ما هنوز راهی واقعا طولانی تا رسیدن به اهداف عمومی متصور برای هوش مصنوعی داریم و چالش‌های پژوهشی بسیاری برای دست و پنجه نرم کردن وجود دارند. یکی از بخش‌های اصلی موجود در پازل هوش مصنوعی، توسعه دادن سیستمی است که بتوانند توانایی یادگیری برای مواجهه با وظیفه‌ها و چالش‌های جدید را در حالی داشته باشند که بتوانند به‌طور هم‌زمان از توانایی‌های اکتسابی خود در طی مراحل قبلی نیز بهره ببرند. این پژوهش به‌عنوان یک گام اولیه در این جهت به شمار می‌رود و می‌تواند در گذر زمان به ما در ساخت و توسعه‌ی سیستم‌هایی برای حل مسئله کمک کند که دارای انعطاف‌پذیری بیشتر و کارآمدتری در روند یادگیری باشند.

 پیتر دایان، رئیس واحد علوم اعصاب محاسباتی گتسبی در دانشگاه کالج لندن، از این کار به‌عنوان کاری «بسیار خوب» یاد می‌کند. او همچنین اظهار کرده است که کامپیوترها برای رسیدن به هوش مصنوعی عمومی، نیاز به یاد گرفتن این امر دارند که یک کار چگونه به دیگری مربوط می‌شود و به این ترتیب مهارت‌های گذشته می‌توانند به‌طور کارآمدی برای مواجهه و حل مسئله‌های جدید به کار آیند. آلن وینفیلد، در آزمایشگاه رباتیک بریستول در دانشگاه وست انگلستان، باور دارد که این کار «فوق‌العاده» بوده است. اما افزود:

من فکر نمی‌کنم که این دستاورد در حال حاضر بتواند ما را به‌طور چشمگیری به هوش AGI نزدیک‌تر کند؛ چرا که این کار نه ادعا دارد و نه اینکه می‌تواند چگونگی بسط یافتن (تعمیم یافتن) یک توانایی یاد گرفته‌شده به توانایی دیگر را به ما نشان دهد. چنین کاری، چیزی است که من و شما در دوران کودکی و بدون نیاز به تلاش قابل توجهی می‌توانستیم انجام دهیم.