پس از یک روز پرهیاهو، بالأخره روی کاناپه می‌خوابی تا مغزت خنک شود. اما این ذهنِ لعنتی تازه راه می‌افتد. یک‌بار می‌پرد به دعوای دیروز؛ نگران خانۀ آینده می‌شود؛ باز می‌رود به جلسۀ ماه پیش؛ و آخرسر هم چیدنِ برنامۀ فردا. دانشمندان می‌گویند همان‌وقتی که می‌خواهید هیچ کاری نکنید، فعالیت ذهنتان به حداکثر ممکن می‌رسد. این فعالیت نوعی سفر در زمان است و به ما قدرتِ رفتن به آینده را می‌دهد.
استیون جانسون می‌گوید باید تاریخ تکنولوژی را با «انسان آینده‌پرداز» فهمید، انسانی که به‌شکل سنتی کشاورزی می‌کرد و حالا دارد برای پیشگویی آینده الگوریتم طراحی می‌کند.
هنگامی که در 1991 رندی باکنر به یکی از مهم‌ترین کشفیات علوم مغزی مدرن پی برد، دانشجوی تحصیلات تکمیلی در دانشگاه واشینگتن در سنت لوییس بود. برای باکنر - مثل بسیاری از همدوره‌ای‌هایش در اوایل دهۀ 1990- این کشف آن‌قدر برخلاف شهود بود که سال‌ها طول کشید تا به اهمیت آن پی ببرد.
آزمایشگاه باکنر، که دانشمندان علوم اعصاب مارکوس ریچل و استیون پیترسون اداره‌اش می‌کردند، مشغول پژوهش دراین‌باره بود که فناوری جدید پت‌اسکن دربارۀ ارتباط زبان و حافظه در مغز انسان چه می‌توانست به ما نشان دهد. امیدبخشیِ دستگاه پت‌اسکن به این بود که این دستگاه چگونگی جریان خون به بخش‌های مختلف مغز را اندازه‌گیری می‌کرد و به پژوهشگران اجازه می‌داد که برای نخستین بار نه فقط آناتومی، بلکه جزئیات فعالیت عصبی را نیز مشاهده کنند.
در تحقیق باکنر، از سوژه‌ها خواسته می‌شد، از فهرستی که به خاطر سپرده‌اند، واژه‌هایی را به یاد آورند؛ باکنر و همکارانش امیدوار بودند با ردگیری نقاطی از مغز که در طول این آزمایش بیشترین انرژی را مصرف می‌کردند، بفهمند کدام بخشِ مغز درگیر آن نوع یادآوری است.
اما نتیجۀ جالبی به دست آمد. مناطق مختلف مغز، فارغ از آنکه مغز در حال چه فعالیتی است، در میزان انرژی مصرفی‌شان بسیار مختلف بودند؛ یعنی اگر از کسی که مغز او را در ماشین پت‌اسکن تحت نظر داشتید می‌خواستید محاسبه‌ای ذهنی انجام دهد، به‌تن‌هایی از این اسکن چیزی قابل برداشت نبود.
چون تغییرات ثابتی که منعکس‌کنندۀ انجام ریاضیات ذهنی بود تحت‌الشعاع الگو‌های گسترده‌تر جریان خون در سرتاسر مغز قرار می‌گرفت. پژوهشگران، برای درک این مناطق خاص که با وظیفه‌ای مشخص فعال شده بودند، به یک سنجش مبدأ، به یک کنترل، نیاز داشتند.
کاری که در آغاز کاملاً ساده به نظر می‌رسید: سوژه‌ها را در پت‌اسکنر قرار دهید و از آن‌ها بخواهید بنشینند و کاری نکنند -کاری که پژوهشگران گاهی آن را «حالت ایستا» می‌خوانند- و آنگاه از آن‌ها بخواهید کار موردنظر پژوهش را انجام دهند.
فرضیه این بود که پژوهشگران با مقایسۀ دو تصویر مغزی (مغز در حالت ایستا و مغز فعال) می‌توانستند تشخیص دهند که کدام مناطق مغز به هنگام آن فعالیت انرژی بیشتری مصرف می‌کنند.
اما وقتی باکنر حالات ایستای سوژه‌هایشان را اسکن می‌کرد، گاهی این فرضیه را به‌طرز عجیبی نادرست می‌یافت. امروز باکنر به یاد می‌آورد که «آنچه اتفاق افتاد این بود که ما افراد را داخل اسکنر‌هایی قرار می‌دادیم که می‌توانست فعالیت مغزی آن‌ها را اندازه‌گیری کند؛ و مادرِ طبیعت به ما پشت می‌کرد».
وقتی به افراد گفته می‌شد که بنشینند و کاری نکنند، پت‌اسکن‌ها سطح بزرگی از انرژی ذهنی را در بعضی مناطق نشان می‌دادند. معلوم شد که حالت ایستا فعال‌تر از حالت فعال مغز است.
این جریان عجیب فعالیت، در طول حالت ایستا، در چندین تحقیق دیگر نیز با استفاده از ساختار کنترلی مشابه در طول این دوره مشاهده شد. این نسلِ نخستِ دانشمندانی که از پت‌اسکن‌ها استفاده می‌کردند حالت ایستای فعال را، به تعبیر باکنر، چونان «عامل انحرافی» یا یک «مزاحم» تلقی می‌کردند.
عامل انحرافیْ متغیرِ بی‌ثباتی است که دانشمندان را در یک مطالعۀ کنترلی مناسب دچار مشکل می‌کند. این عامل باعث اختلال می‌شود، اختلالی صرف در مسیر پیامی که دانشمند در جست‌وجوی آن است. باکنر و همکارانش، در مقاله‌ای که در 1993 منتشر کردند، این فعالیت عجیب را یادآور شدند، اما تقریباً به‌عنوان یک توضیح ثانوی یا یک دفاعیه.
اما معلوم شد که آن بی‌اعتنایی گذرا به فعالیت عجیب «حالت ایستا» یکی از نخستین نشانه‌های انقلابی بود که در فهم ما از هوش انسانی ایجاد شد. از انتشار مقالۀ باکنر چندی نگذشت که یک دانشمند علوم مغزی در دانشگاه آیوا به نام نانسی آندریاسن تصمیم گرفت آن ساختارِ وظیفه/کنترل را، که بر مطالعات تصویربرداری عصبی اولیه حاکم بود، معکوس کند. به جای مبارزه با حالت ایستای «مشکل‌زا»، آندریاسن و تیم او تحقیقِ خود را بر خود این حالت متمرکز کردند.
شاید پیشینۀ آندریاسن در علومی غیر از عصب‌شناسی بود که به او کمک کرد ارزشی را که در این حالت ایستا نهفته دریابد، درحالی‌که همقطارانش آن را صرفاً یک مشکل می‌دیدند. او، به‌عنوان استاد ادبیات رنسانس، ارزیابی محققانه‌ای از سبک شعری «انقلاب سنت‌گرا»ی جان دان منتشر کرده بود. او سرانجام، پس از تغییر زمینۀ کاری در دهۀ چهارم سنی، دست به پژوهشی دربارۀ رازآلودگی خلاقیت از دریچۀ نگاه تصویربرداری مغزی زد.
او بعد‌ها نوشت «اگرچه من نه فرویدی بودم و نه یک روان‌کاو، آن‌قدر دربارۀ فعالیت ذهنی انسان می‌دانستم که به‌سرعت دریابم آزمون نظارت حالت ایستا چقدر ابلهانه بوده است»؛ «بیشتر پژوهشگران به این فرضیه دلخوش بودند که مغز در طول «حالت ایستا» خالی یا خنثاست. من از طریق درون‌نگری می‌دانستم که مغز خود من وقتی بر تخت یا کاناپه دراز کشیده و چشمانم را بسته‌ام، غالباً فعال‌ترین حالت خود را دارد».
تحقیق آندریاسن و نتایج آن که درنهایت در 1995 در امریکن ژورنال آو سایکایتری منتشر شد، شامل کاوشی موشکافانه بر سر راه جامعۀ علمی آن زمان بود که این حالت را به یک کنترل مبنایی تنزل می‌داد: او این وضع را حالت رست (REST) نامید که مخفف «تفکر غیرعمدی عارضی آرام» 1 بود. آندریاسن از این بحث کرد که جریان فعالیتی که پت‌اسکن‌ها نشان می‌دهند عامل مزاحم یا انحرافی نیست، بلکه یک سرنخ است.
ما در حالات ایستای خود آرام نمی‌گیریم. مغز انسان با وانهادن ابزار‌های خود به یکی از نمادین‌ترین ترفند‌های خود متوسل می‌شود، ترفندی که شاید اولین شاخصۀ انسان‌بودن ما باشد. این ترفند سفر زمانی است.
تصور کنید اواخر عصر یک روز کاری است و شما سگتان را برای پیاده‌روی قبل از خواب برده‌اید بیرون. خیلی از در خانه دور نشده‌اید که به مسیر معمول پیاده‌روی‌تان در محله می‌رسید و ناگاه ذهنتان به جلسۀ مهمی معطوف می‌شود که برای هفتۀ بعد برنامه‌ریزی شده است.
در ذهنتان تصور می‌کنید که جلسه به‌خوبی پیش رفته -و همچنان‌که آن صحنه را تصور می‌کنید، جنب‌وجوش ظریفی از لذت مورد انتظار در جانتان پا می‌گیرد- و به خودتان امید می‌دهید که شاید فرصتی فراهم شده که از رئیستان درخواست افزایش حقوق کنید؛ البته نه اینکه از همان لحظه حقوقتان را افزایش دهد، بلکه در چند ماه بعد از آن.
تصور می‌کنید که او جواب مثبت می‌دهد و اینکه آن افزایش حقوق چه معنایی برایتان خواهد داشت: سال بعد، شما و همسرتان بالأخره می‌توانید از شر بازار اجاره خلاص شوید و در محلۀ بهتری در همان نزدیکی خانه‌ای بخرید که در حوزۀ آموزشی بهتری هم قرار دارد. اما سپس ذهنتان به مشکلی کشیده می‌شود که این اواخر با آن دست به گریبان بوده‌اید: یکی از اعضای گروهتان که فردی بااستعداد، اما تندمزاج است.
ناپایداری احساسی او می‌تواند به انفجار کشیده شود؛ همین امروز او متوجه بی‌توجهی یکی از همکاران شد و شروع کرد به سرزنش او در وسط یک جلسه. به نظر می‌رسد که او هیچ درکی از نزاکت ندارد و نمی‌تواند بروز احساساتش را کنترل کند.
همچنان‌که قدم می‌زنید، احساس ناراحتی‌ای را به یاد می‌آورید که به هنگام پرخاش همکارتان برای رنجش بسیار بی‌معنای او فضای اتاق را پر کرد. جلسۀ دیگری را در شش ماه بعد تصور می‌کنید که همین رفتار انفجاری در آن رخ می‌دهد؛ فقط این دفعه در حضور رئیستان اتفاق می‌افتد. موج کوچکی از نگرانی ذهنتان را فرامی‌گیرد.
پیش خودتان فکر می‌کنید شاید او خیلی مناسب این شغل نیست، و این فکر شما را یاد پنج سال قبل می‌اندازد که یکی از کارمندان را اخراج کردید. ذهنتان تنش ناخوشایند آن گفتگو را به یاد می‌آورد، و آنگاه تصور می‌کنید که گفت‌وگوی مشابهی که با کارمند فعلی‌تان خواهید داشت چقدر پرتنش‌تر و ناخوشایندتر خواهد شد. همچنان‌که ذهنتان با این سناریو پیش می‌رود، احساسی پیدا می‌کنید نزدیک به هراس فیزیکی.
فقط در خلال چند دقیقه پرسۀ ذهنی، شما چند سفر متمایز رفت‌وبرگشتی از گذشته به آینده انجام می‌دهید: به هفتۀ پیش رو و جلسۀ مهمتان، به یکی دو سال بعد و خانۀ خریداری‌شده در محلۀ جدید، بازگشت به پنج سال قبل، به چند هفتۀ بعد. شما زنجیره‌هایی از علت و معلول مرتبط با آن لحظات متفاوت می‌سازید و به‌آرامی و پیوسته از وقایع بیرونی به حوادث تخیل‌شده حرکت می‌کنید.
کل این تسلسل نوع پیشرفتهای از ژیمناستیک زمانی است. در این لحظاتِ تفکر بی‌ساختار، ذهن ما به‌سرعت میان گذشته و آینده به عقب و جلو می‌پرد، مثل یک تدوینگر فیلم که در سرتاسر فریم‌های یک فیلم پس و پیش می‌رود.
این توالی اندیشه‌ها به‌لحاظ ذهنی کار دشواری به نظر نمی‌رسد. ظاهراً به تقلا و تلاش ذهنی نیازی ندارد؛ سناریو‌ها به‌راحتی از ذهنتان جاری می‌شوند. ازآنجاکه این آینده‌های تخیلی به‌راحتی برایمان حاصل می‌شوند، مدت‌های مدیدی اهمیت این مهارت را دست‌کم می‌گرفتیم. برای اولین بار پت‌اسکنر‌ها به ما اجازه دادند ارزش این امر را درک کنیم که این نوع سفر زمانیِ شناختی چقدر پیچیده است.
نانسی آندریاسن، در مقالۀ سال 1995 خود، دو ملاحظۀ کلیدی را نتیجه گرفت که در طول دهه‌های بعدی اهمیت بیشتری پیدا کردند. بعد‌ها وقتی او از سوژه‌ها مصاحبه می‌گرفت، آن‌ها فعالیت ذهنی خود در طول حالت رست را نوعی جابه‌جایی و حرکت راحت و بی‌دردسر به پس و پیش زمانی توصیف کردند.
آندریاسن نوشت که «آن‌ها آزادانه دربارۀ طیفی از چیز‌ها فکر می‌کنند، به‌ویژه دربارۀ وقایع چند روز گذشته یا فعالیت‌های آتی امروز یا چند روز آینده». شاید مهم‌ترین نکته این یادآوریِ آندریاسن بود که بخش بزرگی از فعالیت رست در جایی رخ می‌دهد که نواحی قدامی غشای مغز نامیده می‌شوند، مناطقی از مغز که در هوموساپینس (انسان خردمند) در مقایسه با سایر نخستی‌ها برجستگی بیشتری دارد و غالباً آخرین بخشی است که وقتی مغز انسان در دورۀ نوجوانی و اوایل بلوغ رشد می‌کند به فعالیت کامل می‌رسد.
آندریاسن نوشت «ظاهراً وقتی مغز/ذهن به‌شیوۀ آزاد و بی‌قیدوبند فکر می‌کند، انسانی‌ترین و پیچیده‌ترین بخش‌های خود را به کار می‌گیرد».
در سال‌های پس از کار پیشتاز آندریاسن، در اواخر دهۀ 1990 و اوایل دهۀ نخست هزارۀ سوم، مجموعه‌ای از تحقیقات و مقالات به نقشه‌برداری شبکۀ فعالیت مغز پرداختند که نخستین بار او طرح کرده بود. در 2001، استاد راهنمای رندی باکنر در دانشگاه واشینگتن، مارکوس ریچل، اصطلاح جدیدی برای این پدیدار وضع کرد: «شبکۀ حالت پیش‌فرض» یا «شبکۀ پیش‌فرض». این اصطلاح جا افتاد. امروزه گوگل اسکالر هزاران تحقیق دانشگاهی را فهرست می‌کند که دربارۀ شبکۀ پیش‌فرض صورت گرفته‌اند.
مارتین سلیگمن، روان‌شناس دانشگاه پنسیلوانیا، می‌گوید: «به نظر من این مهم‌ترین کشف در عصب‌شناسی شناختی بوده است. در حال حاضر، باور بر این است که فعالیتِ به‌ظاهر جزئیِ پرسه‌زنیِ ذهن در ’یادگیری عمیق‘ مغز، غربال‌گری ذهنی تجربه‌های گذشته، تخیل دورنما‌های آتی و ارزیابی آن‌ها با احکام عاطفی (تجلی شرم یا افتخار یا اضطراب به تناسب سناریو‌های مختلف) نقشی محوری دارد».
هم‌اینک شمار روزافزونی از محققان از طیف گسترده‌ای از رشته‌ها -علوم اعصاب، فلسفه، دانش کامپیوتر- استدلال می‌کنند که این تمایل طبیعی به سفر زمانیِ شناختی، که از کشف شبکۀ پیش‌فرض بر ما معلوم شده، می‌تواند ویژگی تعیین‌کنندۀ هوش بشری باشد.
سلیگمن در مقالۀ مشترکش با جان تیرنی در تایمز نوشت «آنچه گونۀ ما را مشخص و متمایز می‌کند توانایی‌ای است که دانشمندان به‌تازگی در راه فهم و درک آن گام برداشته‌اند: ما دربارۀ آینده تعمق می‌کنیم». او بر آن شد که «عنوان مناسب برای گونۀ ما هوموپراسپکتوس2 (انسان آینده‌پرداز) است، چون ما با نظر به دورنما‌های آتی‌مان به شکوفایی می‌رسیم. قوۀ آینده‌پردازی چیزی است که خود ما را برمی‌سازد».
روشن نیست که آیا جانوران غیرانسانی اساساً مفهوم واقعی‌ای از آینده دارند یا خیر. بعضی از اندام‌واره‌ها رفتار‌هایی نشان می‌دهند که پیامد‌های بلندمدت دارند، مثلاً سنجابی که بلوطی را برای زمستان در خاک دفن می‌کند، گرچه این رفتار‌ها همگی غریزی‌اند. آخرین تحقیقات دربارۀ شناخت حیوانی بیانگر آن است که شاید برخی از نخستی‌ها و پرندگان تدارکات عمدی‌ای را برای حوادثی انجام دهند که در آیندۀ کوتاه‌مدت رخ می‌دهند.
اما تصمیم‌گیری بر اساس دورنما‌های آتی در مقیاس ماه‌ها یا سال‌ها -که حتی گاهی به‌سادگی برنامه‌ریزی یک گردهمایی فامیلی برای یک هفتۀ بعد است- حتی برای نزدیک‌ترین خویشاوندان نخستی ما نیز قابل‌تصور نیست. اگر نظریۀ هوموپراسپکتوس درست باشد، آن مهارت‌های محدود سفرِ زمانی بخش مهمی از شکاف تکنولوژیکی را تبیین می‌کند که انسان‌ها را از دیگر گونه‌های کرۀ زمین جدا می‌کند.
بسیار ساده‌تر خواهد بود که ابزار جدیدی اختراع کنید، اگر بتوانید آینده‌ای را تصور کنید که آن ابزار در آن زمان می‌تواند به کار آید. همۀ اختراعات ذهن بشر، و هر آنچه به ذهن انسان توان پرواز می‌دهد، نمی‌تواند محصول مخالف‌خوانی یا موهبت زبان‌مندی ما باشد. شاید برعکس، این قوۀ آینده‌پردازی آن چیزی باشد که اذهان ما را از خودکامگی زمان حال رهایی می‌بخشد.
قابلیت آینده‌پردازی، هم در بسیاری از انقلاب‌های اجتماعی و علمی که تاریخ بشر را شکل داده منعکس شده و هم به‌لطف آن‌ها تقویت شده است. خود کشاورزی، بدون حالت کاربردی‌ای از آینده، قابل‌تصور نبود: پیش‌بینی تغییر فصل‌ها، و تجسم پیشرفتهای بلندمدتی که از محصولات اهلی‌شده انتظار می‌رفت. بانکداری و سیستم‌های اعتباری مستلزم اذهانی بود که بتوانند ارزش مالی زمان حال را برای امکان‌پذیری دستاورد‌های عظیم‌تر آینده فدا کنند.
ما، برای آنکه واکسن‌ها عمل کنند، نیاز داشتیم که بیماران، به خواست خود، پاتوژن‌های بالقوه را در بدن‌های خود بپذیرند تا عمری در برابر بیماری‌ها محافظت شوند. ما با موهبت منحصربه‌فردی برای تصور آینده به دنیا آمده‌ایم؛ اما از طلیعۀ تمدن به این سو، آن موهبت‌ها را ارتقا داده‌ایم.
امروزه پیشرفتهای جدیدی در قالب الگوریتم‌های یادگیری ماشینی، که به انسان‌ها در انواع خاصی از پیش‌بینی‌ها برتری داده‌اند، در افق پدیدار شده است. همان‌طور که هوش مصنوعی برای تقویت اساسی‌ترین استعداد انسانی ما ساخته شده، ما با این پرسش دقیق مواجه می‌شویم که: اگر در پیش‌بینی آینده هر چه بیشتر توفیق یابیم، آینده چه تفاوتی خواهد کرد؟
جیمز گلیک در کتاب سال 2017 خود سفر زمانی: یک تاریخچه3 می‌نویسد «سفر زمانی حسی همچون یک سنت باستانی دارد؛ سنتی که در اسطوره‌های کهن به قدمت خدایان و اژدهایان ریشه دوانده؛ اما این‌گونه نیست. اگرچه باستانیان جاودانگی و تولد دوباره و سرزمین مردگان را تخیل می‌کردند، ماشین‌های زمان فراتر از حدود بینش آن‌ها بود. سفر زمانی خیال‌پردازی عصر مدرن است».
ظاهراً ایدۀ به‌کارگیری تکنولوژی برای حرکت در زمان که به سادگیِ حرکت در مکان باشد، نخستین بار توسط اچ. جی. ولز در اواخر قرن نوزدهم مطرح شد و سرانجام در اثر پیشرو او در داستان علمی ماشین زمان4 به تصویر کشیده شد.
اما ماشین‌ها، از همان آغاز، حالتی پیشگویانه داشتند. سال 1900، صیادان اسفنج که پس از طوفانی در مدیترانه به گل نشسته بودند، تندیس زیرآب‌مانده‌ای را در نقاط کم‌عمق دریا در ناحیۀ جزیرۀ آنتیکیترای یونان کشف کردند. معلوم شد که این تندیس از لاشۀ یک کشتی با قدمت بیش از 2000 سال است.
در طول عملیات اکتشاف پس از آن، غواصان بقایای یک سازۀ ساعت‌مانندِ حیرت‌انگیز را از آب در آوردند که چرخ‌دنده‌های به دقت تراشیده‌شده‌ای داشت و در حواشی آن نشانه‌های رمزی‌ای کنده شده بود که آن‌قدر پوسیده بود که قابل تشخیص نبود. سال‌ها این وسیله بدون هیچ توجهی در کشوی یک موزه خاک می‌خورد تا یک تاریخدان بریتانیایی به نام درک دِسولا پرایس آن را دوباره در اوایل دهۀ 1950 بازیابی کرد و فرآیند پرزحمتی را برای بازسازی آن آغاز کرد؛ کاری که محققان در قرن 21 نیز آن را پی گرفتند.
امروز می‌دانیم که این وسیله می‌توانست رفتار خورشید، ماه و پنج سیارۀ منظومه را پیش‌بینی کند. این وسیله آن‌قدر پیشرفته بود که حتی می‌توانست، با دقتی قابل‌توجه، گرفتگی‌های چند دهۀ بعد خورشید و ماه را پیش‌بینی کند.
گاهی با عنوان کامپیوتر عصر باستان به ماشین آنتیکیترا اشاره می‌کنند. اما این مقایسه گمراه‌کننده است: فناوری پشت این وسیله بسیار نزدیک‌تر به یک ساعت است تا یک کامپیوتر قابل‌برنامه‌ریزی. اما این وسیله ذاتاً یک ماشین پیش‌بینی‌کننده است.
ساعت برای این است که زمان حال را به شما اعلام کند؛ اما این ماشین برای این بود که به شما دربارۀ آینده بگوید. سازندگان این وسیله راه درازی را پیمودند که گرفتگی‌های خورشید و ماه را پیش‌بینی کنند؛ اما این تلاش بیانگر چیست؟ بعضی از جوامع باستانی واقعاً اعتقاد داشتند که این گرفتگی‌ها به محصولات کشاورزی آسیب می‌زنند، اما دانستن پیشاپیش آن‌ها نمی‌توانست فایدۀ چندانی داشته باشد.
آنچه پرفایده‌تر به نظر می‌رسد، احساس جادویی و شگفتی‌ای است که چنین پیش‌بینی‌ای می‌توانست فراهم کند؛ و در نتیجه قدرتی که به مدد آن به دست می‌آمد. تصور کنید که پیش روی انبوهی از مردم ایستاده‌اید و اعلام می‌کنید که فردا خورشید برای مدتی بیش از یک دقیقه به یک گوی آتش‌فام سیاه تبدیل می‌شود. آنگاه تصور کنید که وقتی این پیشگویی محقق می‌شود، مردم دچار چه ترس و احترامی می‌شوند.
ماشین‌های پیش‌بینی‌کننده از روزگار یونانیان باستان تنوع بسیار یافته‌اند. در آن دوران وسایل ساعت‌وار به آینده‌های قطعی می‌پرداختند، مثل حرکات اجرام منظومۀ شمسی، اما ابزار ما برای سفر زمانی‌مان بیش از پیش امکانات و احتمالات را افزایش می‌دهند و به ما اجازه می‌دهند آینده‌های ممکن را برای سیستم‌های پیچیده‌تری تصور کنیم.
در اواخر دهۀ نخست قرن هفدهم، به‌لطف بهبود شاخص‌های بهداشت عمومی و پیشرفتهای ریاضی در آمار، اخترشناس بریتانیایی ادموند هالی و دانشمند هلندی کریستیان هویگنس، جداگانه، نخستین برآورد‌های دقیق را از میانگین امید به زندگی انجام دادند.
حوالی همین زمان، رشد سریع و ناگهانی‌ای در شرکت‌های بیمه رخ داد؛ این اتفاق با قابلیت نوپیدای کار آن‌ها رقم خورد که به آن‌ها امکان می‌داد آینده را پیش‌بینی کنند؛ آن‌ها بر ریسک تجاری سفر‌های دریایی جدید متمرکز بودند، اما سرانجام تا پیشنهاد محافظت در برابر تقریباً هر خطر قابل‌تصوری در آینده پیش رفتند: خطر‌هایی همچون آتش‌سوزی، سیل، و بیماری. در قرن بیستم، آزمایش‌های اتفاقی و کنترل‌شده به ما اجازه داد عوارض آتی مداخلات طبی را پیش‌بینی کنیم تا در نهایت، دارو‌های واقعی را از دارو‌های تقلبی جدا کنیم.
در عصر دیجیتال، نرم‌افزار اسپردشیتْ ابزار‌هایی محاسباتی را به کار گرفت که در وهلۀ اول برای ثبت فعالیت‌های گذشتۀ یک تجارت طراحی شده بودند و آن‌ها را به ابزار‌هایی برای طرح پیش‌بینی‌ها تغییر شکل داد و، بدین ترتیب، به ما این امکان را داد که، در جایی که اذهان ما با توجه به آینده‌های احتمالی مختلف دچار سرگردانی می‌شود، سرتاسر سناریو‌های مالی جایگزین را با هم جفت‌وجور کنیم.
اما سفر زمانیِ شناختی در حوزه‌هایی بیش از علوم و فناوری پیش رفته است: ابداعِ خودِ قصه‌گویی را می‌توان به‌عنوان نوعی رشد در موهبت شبکۀ پیش‌فرض برای سفر زمانی لحاظ کرد. قصه‌ها فقط این امکان را به ما نمی‌دهند که جهان‌های خیالی را تصور کنیم؛ آن‌ها ما را از در افتادن به باتلاق زمان خطی نیز آزاد می‌کنند.
گذشته‌نمایی و آینده‌نمایی (فلاش‌بک‌ها و فلاش‌فورواردها) بعضی از قدیمی‌ترین ابزار‌های ادبی در کتاب مقدس را تشکیل می‌دهند که در حکایات باستانی‌ای همچون اودیسه و هزار و یک شب به کار رفته بودند. ماشین‌های زمان نیز ظاهراً در بستر داستان‌های علمی‌تخیلی از انتشار ماشین زمان به بعد بسط و گسترش یافته‌اند، اما سفر زمانی نیز به قالب قصه‌گویی مدرن راه یافته است.
یکی از ترفند‌های تعیین‌کننده در روایتگری محبوب معاصر ازشکل‌انداختن خط زمانی با فیلم‌ها و سریال‌های تلویزیونی است که طرح‌های زمانی مندرج در آن‌ها مخاطبان پرشور همین چند دهۀ قبل را نیز سردرگم می‌کند. طرح حماسی و غالباً رازآلود سریال تلویزیونی «گمشده» در میان گذشته، حال، و آینده با لذتی بی‌ملاحظه تغییر مسیر می‌دهد. فیلم جذاب 2016، «ورود»، یک طرح زمانی مبهوت‌کننده را ترسیم می‌کند که به بیش از پنجاه سال آینده می‌جهد و به حوادث آن زمان می‌پردازد، درحالی‌که سرتاسر آن می‌خواهد به وقایعی ارجاع دهد که در واقع در گذشته رخ داده‌اند.
سریال موفق فعلی «ما اینیم» بازسازی ژانر سریال آبکی خانواد‌گی‌ای است متشکل از قسمت‌هایی که هر یک از آن‌ها مجموعه‌ای است از پرش‌های زمانی، گاهی با گستردگی بیش از 50 سال. پنج دقیقۀ پایانی در قسمت اول فصل 3، که اواخر همین پاییز پخش شد، هفت بار در بازۀ زمانی 1974 تا 2018 و یک آیندۀ نامشخص احتمالاً حدود سال 2028 به عقب و جلو می‌پرد.
این پیشرفتهای روایی بیانگر یک امکان جالب‌توجه است: اینکه سرگرمی‌های پرطرفدارْ اذهان ما را برای بهترشدن در سفر زمانیِ شناختی ورزیده‌تر می‌کنند. اگر ماشین زمان ولز را امانت بگیرید و به 1955 بازگردید و آنگاه از بینندگان معمولی «دود تفنگ» و «من عاشق لوسی‌ام» بخواهید «ورود» یا «گمشده» را ببینند، جست‌وخیز زمانی عمیقاً سردرگم‌کننده‌ای را خواهند یافت.
در آن دوره، برای انتقال پرش‌های زمانی حتی یک فلاش‌بک تنها هم به ابزار‌های قابل حمل بسیار زیاد نیاز داشت؛ نمی‌دانم صفحات مواج را یادتان می‌آید یا نه؟! فقط حکایت‌های تجربی جرئت به‌چالش‌کشیدن مخاطبان را با طرح‌های زمانی پیچیده‌تر داشتند. داستان‌سرایی‌های پرطرفدار امروز خطوط زمانی داستانی خود را، با سرعت شبکۀ پیش‌فرض، باز و بسته می‌کنند.
شاید گاه‌نمایی تودرتو در داستان‌سرایی‌های عامه‌پسندْ اذهان ما را برای تأمل دربارۀ طرح‌های زمانی پیچیده‌تر ورزیده کرده باشند، اما آیا تکنولوژی جدید می‌توانست مهارت‌های ما را به‌شکلی مستقیم‌تر تقویت کند؟ مدت‌ها دربارۀ نوید‌های «دارو‌های هوشمند» مربوط به افقی شنیده‌ایم که حافظۀ ما را ارتقا می‌بخشند.
اما اگر استدلال هوموپراسپکتوس درست باشد، احتمالاً باید به جست‌وجوی پیشرفت‌ها و اکتشافاتی برآییم که قوای پیشگویانۀ ما را نیز بهبود می‌بخشند.
آن پیشرفت‌ها به‌نحوی هم‌اکنون نیز در اطراف ما حضور دارند، اما در قالب نرم‌افزار نه به‌شکل ارتقا با استفاده از دارو. اگر زمانی خود را به‌لحاظ ذهنی میان امکان‌های بدیل برای سفری آتی در نظر بگیرید -اینکه اگر باران ببارد چه می‌شود؟ - و به پیش‌بینی وضع هوای ده‌روزه تکیه کرده باشید، قوای پیشگویانۀ شما به‌لطف مهارت‌های سفر زمانی برآمده از ابرکامپیوتر‌های هواشناسی‌ای ارتقا یافته که میلیارد‌ها سناریوی جوی بدیل را زیرورو می‌کنند که از گذشته کشیده می‌شوند و طرح آن‌ها به آینده افکنده می‌شود.
این تجسم‌ها برای نخستین بار در تاریخ بشر، پیش‌بینی‌هایی بهتر از حدس به شما می‌بخشند که مثلاً وضع هوا در یک هفتۀ بعد چگونه خواهد بود. یا مثلاً محله‌ای را تصور کنید که دربارۀ انتقال به آن فکر می‌کنید -محله‌ای که اگر بتوانید آن افزایش حقوق را دریافت کنید، سرانجام تمکن مالی آن را خواهید داشت- و معلوم می‌شود که در محدودۀ سیل قرار دارد و در این باره فکر خواهید کرد که چه خواهد شد اگر حادثۀ سیلی مهیب طی ده سال آتی رخ دهد، درحالی‌که وضع آب‌وهوا بیش از پیش غیرقابل‌پیش‌بینی می‌شود.
حتی همین که به این امکان‌ها فکر می‌کنید، تقریباً به‌طور کامل مدیون شبیه‌سازی بلندمدت ابرکامپیوتر‌های هواشناسی و تبدیل گذشتۀ عمیق زمین به آیندۀ دور آن هستید.
پیش‌بینی‌های دقیق هواشناسی صرفاً یکی از دستاورد‌های اولیۀ سفر زمانی مبتنی بر نرم افزار است: الگوریتم‌هایی که به ما اجازه می‌دهند به آینده‌ای چشم بدوزیم که به‌نحوی همین چند دهۀ پیش ناممکن بود؛ و سه مؤلف دانشگاه تورنتو در کتاب مشترک جدیدی آن‌ها را «ماشین‌های پیشگو» نامیده‌اند. در سیستم‌های یادگیری ماشین‌محور، الگوریتم‌ها می‌توانند برنامه‌ریزی شوند تا، با کندوکاو مخازن عظیمی از داده‌های مربوط به حوادث گذشته، پیش‌بینی‌های فوق‌العاده دقیقی از حوادث آینده ایجاد کنند.
یک الگوریتم را می‌توان برنامه‌ریزی کرد که با تحلیل هزاران خریدوفروش مسکن و پرونده‌های مالی خریداران و بررسی فرضیه‌ها با رهگیری خریدارانی که در نهایت از پرداخت بدهی وامی‌مانند، تأخیر بازپرداخت اقساط وام‌های آینده را پیش‌بینی کنند. روشن است که نتیجۀ آن برنامه‌ریزیْ یک پیش‌بینی قطعی تخلف‌ناپذیر نیست، اما چیزی است شبیه به پیش‌بینی‌هایی که ما در گزارش‌های وضع هوا به آن‌ها تکیه می‌کنیم: طیفی از احتمالات.
این سفر زمانی که، در آن، خرید خانه‌ای را در محله‌ای با مدارس عالی تصور می‌کنید، می‌تواند با یک پیش‌بینی نرم‌افزاری نیز تقویت شود. شاید آن الگوریتم به شما هشدار دهد که 20 درصد امکان دارد که خرید مسکن شما، به‌دلیل سقوط بازار یا یک طوفان، پایان فاجعه‌باری داشته باشد یا الگوریتم دیگری را در نظر بگیرید که برای مجموعه داده‌های متفاوتی برنامه‌ریزی شده و این الگوریتم می‌تواند محلات دیگری را به شما پیشنهاد کند که در آن‌ها ارزش مسکن همچنان احتمال افزایش دارد.
این الگوریتم‌ها می‌توانند به تصحیح نقایص خطرناکی کمک کنند که در شبکۀ پیش‌فرض وجود دارد: انسان‌ها به بد عمل‌کردن در برآورد احتمالات شهره‌اند. آموس تورسکی، روان‌شناس شناختی پیشکسوت، روزگاری به‌طعنه گفته بود آنجا که بحث بر سر احتمالات باشد، انسان‌ها سه دست پیش‌فرض دارند: «اتفاق می‌افتد»، «اتفاق نمی‌افتد» و «شاید».
ما در سناریو‌های تخیلیِ شناور و ارزیابیِ احساسی که می‌توانند در پی وقوع آن‌ها در ما برانگیخته شود، فوق‌العاده‌ایم. اما تمایزنهادن میان یک شانس 20 درصدی در وقوع یک چیز و امکان 40 درصدی عدم وقوع آن، چندان مطابق طبیعت ما نیست. الگوریتم‌ها می‌توانند به ما کمک کنند که این نقطۀ شناختی کور را جبران کنیم.
در هنگام تصمیم‌های ظریفی که بالقوه با شمار عظیمی از گزینه‌های مختلف سروکار پیدا می‌کنیم نیز، سیستم‌های یادگیری ماشینی کمک بسیار بزرگی خواهند بود. انسان‌ها در ساخت و پرداخت همزمان آینده‌های تخیلی برای خطوط زمانی رقیب بسیار توانایند: در یکی از این خطوط زمانی، شغل جدیدی قبول کرده‌اید و در یکی دیگر آن را رد کرده‌اید.
اما اذهان ما وقتی لازم می‌شود چندین یا صد‌ها سیر زمانی آینده را ردگیری کنند، با سقف و محدوده‌ای محاسباتی مواجه می‌شوند؛ اما ماشین‌های پیش‌بینی‌کنندۀ هوش مصنوعی چنین محدودیتی ندارند و همین امر آن‌ها را در کمک‌رسانی به مجموعۀ معناداری از تصمیم‌های مهم زندگی، مهارت بسیار می‌بخشد؛ تصمیم‌هایی که، برای تحلیل، به داده‌های طراحی‌شدۀ ارزشمند و شمار بزرگی از آینده‌های بدیل بستگی دارند.
از قرار معلوم، انتخاب رشته‌محل تحصیلات دانشگاهی -تصمیمی که تقریباً هیچ انسانی در 200 سال قبل مجبور به گرفتن آن نبود، درحالی‌که یک سوم انسان‌های امروز باید به آن برسند- تصمیمی است که کاملاً در حیطۀ یادگیری ماشینی قرار می‌گیرد. بیش از پنج‌هزار کالج و دانشگاه در ایالات متحده وجود دارد.
روشن است که بخش عمده‌ای از آن‌ها برای همگان گزینه‌های مناسبی نیستند. اما فارغ از اینکه در کجای نردبان پیشرفتهای تحصیلی -و مزیت‌های مالی- قرار دارید، بی‌شک چندین کالج قابل‌انتخاب وجود دارد که می‌توانند برای نتایج دلخواهتان گزینه‌های مناسبی باشند. شما می‌توانید به چند تای آن‌ها سر بزنید و به توصیه‌های مشاورانتان گوش کنید و با متخصصان انتخاب‌رشته به‌صورت آنلاین یا با مطالعۀ کتاب‌های راهنمایشان مشورت کنید.
اما الگوریتم‌های این حوزه مجموعۀ بسیار بزرگ‌تری از گزینه‌ها را برایتان بررسی می‌کنند: آن‌ها می‌توانند داده‌های برآمده از میلیون‌ها تقاضانامه، رونوشت‌های دانشگاهی، نرخ ترک تحصیل‌ها، و همۀ اطلاعاتی را بررسی کنند که می‌توان از ارائۀ جمعی و رسانه‌ای دانشجویان گردآوری کرد (که امروزه شامل همه چیز می‌شود).
این الگوریتم‌ها داده‌های متقابل را نیز بررسی می‌کنند که مشاوران رسمی دانشگاهی به‌ندرت بر آن‌ها تأکید می‌کنند: مثلاً مسیر‌های شغلی موفقی که از دانشگاه می‌گذرد.
از این مجموعۀ برنامه‌نویسی‌شده، که می‌تواند چندین پیش‌بینی جداگانه برای دانشگاه‌های آتیه‌دار ایجاد کرد، هر هدف سختی -خوشبختی بلندمدت مدنظر فرد، امنیت مالی، تأثیرگذاری بر عدالت اجتماعی، شهرت، و سلامتی- که متقاضی تعریف کند نیز چشم‌انداز بهتری خواهد یافت.
روشن است که از آن داده‌ها سوءاستفاده هم می‌شود، به صاحبان شرکت‌های تبلیغاتی فروخته می‌شوند، یا در معرض سرقت سارقان سایبری نیز هستند؛ و این امر به‌درستی باعث مخالفت‌های جدی و خشمگینانه می‌شود، اما به احتمال زیاد در یک سطح برای بهترشدن توان ارزیابی ما نیز به کار می‌آیند. بعضی به این کارآمدی شدیداً اعتقاد دارند و بعضی دیگر نیز آن را انکار می‌کنند. اما به‌هرحال این وضعی است که پیش روی ماست.
در اواخر 2017، آزمایشگاه جرم‌شناسی دانشگاه شیکاگو از امضای قرارداد جدیدی برای همکاری با ادارۀ پلیس شیکاگو خبر داد که، بر اساس آن، یک «سیستم پشتیبانی از افسران پلیس» بر پایۀ یادگیری ماشینی طراحی کند تا رفتار افسرانی پیش‌بینی شود که احتمال دارد به هنگام انجام وظیفه مرتکب «رفتار خلاف مقررات» شوند.
این الگوریتم سرتاسر آرشیو عظیمی از داده‌ها را بررسی می‌کند که هر پلیسی در شیکاگو به هنگام انجام‌وظیفه مرتکب شده است: گزارش‌های دستگیری‌ها، مصادرۀ سلاح، شکایت‌های عمومی، توبیخ‌های سرپرستان و مواردی دیگر. این الگوریتم، داده‌های آرشیوی را -همراه با پرونده‌های مربوط به رخداد‌های خلاف مقررات مثل شلیک به شهروندان غیرمسلح یا به‌کاربردن بیش از حد از زور- به‌عنوان مجموعه‌ای برنامه‌ریزی‌شده به کار می‌گیرد تا بتواند الگو‌های اطلاعاتی‌ای را شناسایی کند که معضلات آینده را پیش‌بینی می‌کنند.
این تکنولوژی پیش‌بینی‌کننده ناگهان تصاویری از سبک ویران‌شهریِ فیلم «گزارش اقلیت» را به یاد می‌آورد که، در آن، ماشین‌ها شما را به پیش‌جرمی متهم و محکوم می‌کنند که هنوز واقعاً رخ نداده است.
اما رهبر پروژۀ دانشگاه شیکاگو، ینس لودویگ، با اشاره به سیستم پیش‌بینی‌ای شبیه سیستم فعلی شیکاگو، به این نکته می‌پردازد که نتیجۀ مستقیم این سیستم این است که افسران پلیس، پشتیبانی یا مشاورۀ مضاعفی دریافت کنند که به آن‌ها در حل‌وفصل بحران‌های بزرگ‌تر کمک می‌کند. لودویگ می‌گوید «قابل درک است که افراد در مورد سپردن تصمیم‌گیری نهایی به هوش مصنوعی نگران شوند، اما ایدۀ ما این نیست که هوش مصنوعی اجازۀ تصمیم‌گیری پیدا کند».
بر عکس، تصور وی این است که این سیستم «دستیاری برای تصمیم‌گیری باشد، الگوریتمی که می‌تواند به مأموران پلیس کمک کند که توجه خود را اولویت‌بندی کنند».
فارغ از آنکه ادارۀ پلیس شیکاگو چقدر در به‌کارگیری این تکنولوژی خاص مراقبت به خرج دهد، ما نباید پیامد‌های گسترده‌تر مسئله را نادیده بگیریم: ناگزیر به نظر می‌رسد که کسانی به‌لطف نظر‌های پیشگویانۀ الگوریتم‌های یادگیری ماشینی اخراج خواهند شد و چیزی در این چشم‌انداز، به‌نحوی شهودی، مایۀ اضطراب بسیاری از ما می‌شود.
بااین‌حال، ما همین الآن هم تصمیماتی مهم دربارۀ افراد می‌گیریم، اینکه چه کسی استخدام شود، چه کسی اخراج شود، به چه کسی گوش بدهیم، به چه کسی بی‌اعتنایی کنیم، تصمیماتی براساس تمایلات انسانی که می‌دانیم، در بهترین حالت، غیرقابل‌اعتماد و، در بدترین حالت، از سر تعصب هستند.
اگر این تصور چندش‌آور است که تصمیماتمان را براساس الگوریتم‌های داده‌پرداز بگیریم، شاید وضع موجودِ تصمیم‌سازی ما هم که بر پایۀ فرومایه‌ترین غرایز صورت می‌گیرند نیز بسیار چندش‌آورتر باشد.
خواه ایدۀ تقویت شبکۀ پیش‌فرض را هیجان انگیز بیابید و خواه وحشت‌آفرین، یک چیز را باید روشن کرد: این ابزار سر راه ما قرار دارند. در دهه‌های آتی، بسیاری از ما از پیش‌بینی‌های یادگیری ماشینی بهره خواهیم برد تا به ما در همۀ انواع تصمیم‌گیری در زندگی کمک کنند: مثلاً تغییرات شغلی، برنامه‌ریزی‌های مالی و گزینش‌های استخدامی.
این توسعه‌های نرم‌افزاری که می‌تواند به‌خوبی جهش بعدی به‌سوی انقلاب هوموپراسپکتوس را مشخص کند، به ما اجازه می‌دهند که، نسبت به آنچه اکنون در توان ماست، آینده را با دیدی تیزتر -و با معنای ظریف‌تری از امکان- ببینیم.
اما حتی در آن موقعیت خوش‌بینانه نیز قدرت نهفته در این الگوریتم‌های جدید خارق‌العاده خواهد بود که باعث شده لودویگ و بسیاری از دیگر اعضای جامعۀ هوش مصنوعی به‌سمت بحث و حمایت از ایجاد الگوریتم‌های متن‌باز کشیده شوند، و نه برعکس پروتکل‌های باز در اینترنت اولیه و شبکۀ جهانی اینترنت.
توسل به الگوریتم‌های پیش‌بینی‌کننده برای شکل‌دهی به تصمیم‌های شخصی یا مدنیِ مهم آن قدر چالش‌برانگیز هست که دیگر نوبت به خطرآفرینی بالقوۀ خود این فرایند یا جهت‌گیری ظریف آن براساس تحمیل‌های آگهی‌دهندگان تبلیغاتی نرسد. اگر به نظرتان مزارع ترول‌های روسی در تغذیۀ جمعی‌رسانه‌ای ما خطرناک می‌رسد، تصور کنید که وقتی آن‌ها به کل فضای خیال‌پردازی ما رسوخ کنند، چه اتفاقی خواهد افتاد.
امروزه به نظر می‌رسد که پرسه‌زنی ذهنی از همه سو تحت هجمه است. این یک گلایۀ عمومی است که استفادۀ وسواس‌گونۀ ما از گوشی‌های هوشمند دارد توانایی ما را برای تمرکز از بین می‌برد. اما اگر مسئله را از دریچۀ نگاه هوموپراسپکتوس بنگریم، درمی‌یابیم که کامپیوتری‌شدن همه چیز تهدید دیگری را پیش روی ما می‌گذارد: داشتن یک ابرکامپیوتر با ارتباط شبکه‌ای در جیبتان در همۀ اوقات فرصت بسیار زیادی از شما می‌گیرد که تمرکز خود را به آن معطوف کنید.
این امر فرصت پرسه‌زنی ذهنی شما را می‌بلعد. زمان فراغت میان وظایف فعال شناختی، که روزگاری به حالات رست منجر می‌شد، اکنون می‌تواند با اینستاگرام، یا آپدیت‌های نزدک، یا پادکست‌ها پر شود. ما، به‌جای سفر زمانی، گاه‌نمای توییتر را داریم. همزمان در گسترۀ جامعه، نوعی «نگرانی» مد شده که ما را به جای مجال‌دادن به پرسه‌های ذهنی، به دم‌غنیمت‌شمردن و به نیندیشیدن به هیچ چیز تشویق می‌کند.
یوتیوب را سرچ کنید، صد‌ها ویدئوی مدیتیشن در آن می‌یابید که به شما می‌آموزند چگونه ذهنتان را از آنچه به‌طور طبیعی انجام می‌دهد باز دارید. نظریۀ هوموپراسپکتوس بر آن است که ما باید -اگر فرصتی داریم- زمانی را در برنامه‌هایمان -و چه بسا در برنامه‌های مدرسه‌هایمان- دست و پا کنیم تا به اذهان خود مجال و فراغتی بدهیم.
به نظر مارکوس ریچل در دانشگاه واشنگتن، شاید برای ترمیم آسیب‌هایی که احتمالاً به قوای آینده‌نگرمان وارد کرده‌ایم، خیلی دیر شده باشد. تعداد اندکی از مطالعات اولیه بر آن‌اند که یاخته‌های عصبیِ دخیل در شبکۀ پیش‌فرضْ نما‌هایی ژنتیکی دارند که غالباً با انعطاف‌پذیری بلندمدت مغز، آن نفیس‌ترین صفت سیستم عصبی، همبسته‌اند.
البته انعطاف‌پذیری صرفاً بیان دیگری است از این امر که این شبکه می‌تواند ترفند‌های نو بیاموزد. اگر این مطالعات جدید نتیجه‌بخش باشند، مهارت‌های پرسه‌زنی ذهن، در جایی در کودکی ما محبوس نخواهند ماند. ما می‌توانیم در خیال‌پردازی بهتر شویم، اگر به خودمان مجال انجام آن را بدهیم.
همچنان‌که ما در صدد تکیۀ بیشتر به ماشین‌های پیشگویی هوش مصنوعی برمی‌آییم، چه بر سر قوای سفر زمانی‌مان خواهد آمد؟ شاید نتیجۀ این وضعْ وحشتناک یا رهایی‌بخشی یا ترکیب عجیبی از هر دوِ آن‌ها باشد. در حال حاضر به نظر ناگزیر می‌رسد که هوش مصنوعی قوای آینده‌پرداز ما را به شیوه‌های هدفدار جدیدی تغییر می‌دهد، خواه برای وضعی بهتر یا بدتر.
اما خوب است به این هم فکر کنیم که همۀ تکنولوژی، که به ما در فهم اولیه از شبکۀ پیش‌فرض کمک کرد، به این منجر شد که ما را به ریشه‌هایمان بازگرداند: دادن فرصتی بیشتر به اذهانمان برای پرسه‌زنی، برای گریز از قیدوبند‌های اکنون، برای برون جستن از لحظۀ کنونی.
پی‌نوشت‌ها:
• این مطلب را استیون جانسون نوشته است و در تاریخ 15 نوامبر 2018 با عنوان «The Human Brain Is a. Time Traveler» در وب‌سایت نیویورک تایمز منتشر شده است. وب‌سایت ترجمان آن را در تاریخ 31 خرداد 1399 با عنوان «سفر در زمان ممکن است؟ با مغز انسان، شاید» و ترجمۀ علی کوچکی منتشر کرده است.
•• استیون جانسون (Steven Johnson) نویسندۀ علمی و نظریه‌پرداز رسانه است. جدیدترین کتاب او دوراندیشی: ما مهم‌ترین تصمیم‌هایمان را چگونه می‌گیریم (Farsighted: How We Make the Decisions That Matter the Most) است. مرور این کتاب را به قلم اگنس کالارد می‌توانید در مطلب «وقتی می‌خواهید تصمیم بزرگی بگیرید، به عواقبش فکر نکنید» بخوانید.
[1]Random Episodic Silent Thought
[2]Homo prospectus
[3]Time Travel: A. History
[4]The Time Machine
