مواجهه هوش مصنوعی با یک زمستان دیگر

پاسخ کوتاه: بله، در تئوری هر فناوری که وعده‌های بیش از حد بدهد و نتواند در زمان وعده داده‌شده به آن عمل کند، می‌تواند دچار افت سرمایه‌گذاری و توجه عمومی (اصطلاحاً «زمستان») شود؛ اما شواهد نشان می‌دهد شرایط امروز هوش مصنوعی با دو زمستان قبلی (دهه ۱۹۷۰ و اواخر دهه ۱۹۸۰) تفاوت اساسی دارد، چون بخش بزرگی از کاربردهای فعلی آن – از جمله در دوربین مداربسته و تحلیل تصویر – همین امروز در صنعت واقعی و قابل اندازه‌گیری هستند، نه فقط وعده‌های آزمایشگاهی.

خودروهای خودران، اسکن سریع‌تر MRI که توسط رادیولوژیست‌های رباتیک تفسیر می‌شوند و دستگاه‌های ذهن‌خوان، تنها بخشی از مواردی هستند که هوش مصنوعی وعده داده جهان را برای همیشه تغییر دهد. هوش مصنوعی انواع مختلفی دارد، اما معمولاً به‌عنوان سیستمی کامپیوتری تعریف می‌شود که می‌تواند وظایف انسانی را انجام دهد و بر اساس نیاز انسان تصمیم بگیرد. از آنجا که در روزهای نخست پیدایش هوش مصنوعی، این فناوری با افت و سقوط همراه بوده، برخی پژوهشگران معتقدند با شتاب‌گرفتن دوباره‌ی سرمایه‌گذاری و انتظارات، احتمال بازگشت یک «زمستان» تازه هم وجود دارد.

در این مطلب، مفهوم زمستان هوش مصنوعی، دو دوره‌ی تاریخی آن، نشانه‌های هشداردهنده، و مهم‌تر از همه تفاوت شرایط امروز با گذشته را بررسی می‌کنیم.

زمستان هوش مصنوعی چیست؟

انسان‌ها از هزاران سال پیش ایده‌ی هوش مصنوعی را در ذهن داشته‌اند. برای مثال، یونانیان باستان معتقد بودند ماشینی برنزی به نام «تالوس» جزیره‌ی کرت را از مهاجمان دریایی محافظت می‌کند. اما هوش مصنوعی به شکل علمی، تازه از نیم‌قرن پیش هویدا شد و خود را از قلمرو افسانه به دنیای واقعی کشاند. این حوزه با کمک دانشمند برجسته‌ی کامپیوتر، آلن تورینگ، در سال ۱۹۵۰ رسمیت یافت؛ او با طرح این پرسش که «آیا ماشین‌ها هم می‌توانند فکر کنند؟» خشت بنای هوش مصنوعی را گذاشت.

اصطلاح «زمستان هوش مصنوعی» به دوره‌هایی گفته می‌شود که پس از یک موج خوش‌بینی و سرمایه‌گذاری سنگین، پیشرفت‌های واقعی به سرعتِ وعده داده‌شده اتفاق نمی‌افتد؛ در نتیجه بودجه‌ها قطع، پروژه‌ها متوقف و اعتماد عمومی به این فناوری کاهش می‌یابد.

زمستان اول: پروژه ترجمه ماشینی (۱۹۶۶ تا اواسط دهه ۱۹۷۰)

در دوران جنگ سرد، نمایندگان کنگره آمریکا به‌عنوان بخشی از یک استراتژی امنیتی بزرگ‌تر، سرمایه‌گذاری کلانی روی هوش مصنوعی انجام دادند. تمرکز اصلی آن دوره، ترجمه‌ی ماشینی، به‌ویژه از روسی به انگلیسی و برعکس، بود. به گفته‌ی «جان هاچینس»، متخصص رایانش، سال‌های ۱۹۵۴ تا ۱۹۶۶ «دهه‌ی طلایی ترجمه ماشینی» نامیده می‌شود؛ دهه‌ای که بسیاری از دانشمندان برجسته معتقد بودند دستیابی به پیشرفت‌های عمیق نزدیک است.

اما در سال ۱۹۶۶، هفت دانشمند عضو کمیته‌ی مشورتی پردازش زبان خودکار، گزارشی را به دستور دولت آمریکا منتشر کردند که نشان می‌داد ترجمه‌ی ماشینی به‌مراتب کندتر، گران‌تر و کم‌دقت‌تر از ترجمه‌ی انسانی است. همین گزارش موجب شد بودجه‌ی این پروژه به‌طور ناگهانی لغو شود؛ به قول هاچینس، ترجمه ماشینی پس از یک دهه به یک «پایان مجازی» دچار شد.

ماجرا به همین‌جا ختم نشد. در سال ۱۹۶۹، کنگره‌ی آمریکا به آژانس پروژه‌های تحقیقاتی پیشرفته‌ی دفاعی (دارپا) اجازه داد تنها تحقیقات فناورانه‌ای را تأمین مالی کند که تأثیر مستقیم روی برنامه‌های نظامی داشته باشد؛ بسیاری از پروژه‌های هوش مصنوعیِ آن دوران برای ادامه‌ی حیات مجبور شدند نام‌های دیگری برای خود انتخاب کنند تا از این محدودیت مالی عبور کنند.

زمستان دوم: افول سیستم‌های خبره (اواخر دهه ۱۹۸۰)

در اواخر دهه‌ی ۱۹۷۰، موفقیت «ماشین لیسپ» – یک ایستگاه کاری کارآمد اما گران‌قیمت – جان تازه‌ای به این حوزه بخشید و بسیاری از دانشمندان معتقد بودند لیسپ آینده‌ی سخت‌افزار هوش مصنوعی را رقم خواهد زد. اما در اواخر دهه‌ی ۱۹۸۰، با ارزان‌تر و قدرتمندتر شدن کامپیوترهای رومیزی، منابع مالی دولت‌ها به‌سمت این کامپیوترهای عمومی سوق پیدا کرد و بازار سیستم‌های خبره‌ی تخصصی هوش مصنوعی رونق خود را از دست داد.

زمستان هوش مصنوعی

این دومین ضربه‌ی سرد به هوش مصنوعی بود که تا نیمه‌ی دهه‌ی ۱۹۹۰ نیز ادامه یافت و امید بسیاری از پژوهشگران را به دلسردی تبدیل کرد. اما دو دهه‌ی گذشته، دوران خوش‌بینی بی‌نظیری درباره‌ی هوش مصنوعی بوده است. پیشرفت سخت‌افزاری، مانند ریزپردازنده‌های قدرتمند، و تکنیک‌های جدید – به‌ویژه در حوزه‌ی یادگیری عمیق – به شکل‌گیری نسلی از هوش مصنوعی انجامید که هم توجه مصرف‌کنندگان و هم توجه صنایع را جلب کرده است.

شبکه‌ی عصبی مصنوعی یکی از شاخه‌های اصلی هوش مصنوعی است که می‌تواند از نمونه‌های موجود تجربه کسب کند، خود را آموزش دهد و در نهایت یاد بگیرد. برای مثال می‌توان هزاران تصویر برچسب‌گذاری‌شده با عنوان «گربه» و «غیر گربه» را در اختیار یک شبکه‌ی عصبی قرار داد تا با بررسی خودکار، خودش یاد بگیرد گربه را از غیر گربه تشخیص دهد. این استراتژی‌های یادگیری عمیق هم‌اکنون در دستیارهای صوتی، ابزارهای خانه‌ی هوشمند و حتی در تشخیص تصویر خودروهای خودران به کار گرفته می‌شوند.

آیا زمستان سوم در راه است؟

به نظر می‌رسد امروزه پیشرفت کندتر از حد انتظار در حوزه‌ی خودروهای خودران، دانشمندان را به این فکر انداخته که باز هم زمستانی دیگر در راه است. در سال ۲۰۱۵، ایلان ماسک، بنیان‌گذار تسلا، اعلام کرده بود که تا سال ۲۰۱۸ خودروهای کاملاً خودران خیابان‌های دنیا را تسخیر خواهند کرد. جنرال موتورز سال ۲۰۱۹ و فورد سال ۲۰۲۱ را برای این اتفاق پیش‌بینی کرده بودند؛ اما هیچ‌کدام از این پیش‌بینی‌ها به‌طور کامل محقق نشد.

حادثه‌ای که در آن یک عابر پیاده توسط خودروی بدون راننده‌ی اوبر در آریزونا زیر گرفته شد و جان خود را از دست داد، یکی از نقاط عطفی بود که تردیدها درباره‌ی آمادگی این فناوری برای استفاده‌ی گسترده را تشدید کرد. به گفته‌ی «فیلیپ پیکنیفسکی»، از منتقدان شناخته‌شده‌ی هوش مصنوعی، پیشرفت یادگیری عمیق در سال‌های اخیر با کندی و سکسکه همراه بوده و همین موضوع را می‌توان نشانه‌ای از احتمال یک زمستان تازه دانست.

نشانه‌های هشداردهنده یک زمستان جدید

با مرور تاریخ، می‌توان چند نشانه‌ی تکرارشونده را شناسایی کرد که پیش از هر دو زمستان قبلی هوش مصنوعی مشاهده شده‌اند. جدول زیر این نشانه‌ها را خلاصه می‌کند.

چرا شرایط امروز هوش مصنوعی متفاوت است؟

تفاوت اصلی زمستان‌های قبلی با شرایط امروز در این است که در دهه‌های ۱۹۷۰ و ۱۹۸۰، اغلب دستاوردهای هوش مصنوعی محدود به آزمایشگاه یا نمونه‌های آزمایشی بودند و کاربرد تجاری گسترده‌ای نداشتند. اما امروز، بخش قابل‌توجهی از فناوری‌های مبتنی بر یادگیری عمیق، در محصولات واقعی و پرکاربردی که میلیون‌ها نفر روزانه از آن‌ها استفاده می‌کنند، جای گرفته‌اند؛ از تشخیص چهره و پلاک خودرو در دوربین‌های مداربسته گرفته تا دستیارهای صوتی و سیستم‌های پیشنهاددهنده. این گستردگی کاربرد عملی، ریسک سقوط ناگهانی سرمایه‌گذاری را – هرچند نه به‌طور کامل – کاهش می‌دهد.

کاربرد واقعی هوش مصنوعی در صنعت نظارت تصویری

یکی از حوزه‌هایی که هوش مصنوعی در آن از مرحله‌ی وعده به مرحله‌ی کاربرد روزمره رسیده، صنعت دوربین مداربسته و نظارت تصویری است. برای نمونه، فناوری یادگیری عمیق در دوربین مداربسته امروز برای تشخیص دقیق‌تر افراد و اشیا از تصاویر پرنویز استفاده می‌شود؛ همچنین سیستم‌های تشخیص چهره مبتنی بر هوش مصنوعی در کاربردهای امنیتی و کنترل تردد جای خود را باز کرده‌اند. فناوری‌هایی مانند HDCVI TEN نیز نشان می‌دهند صنعت نظارت تصویری چگونه هوش مصنوعی را به‌عنوان بخشی جدایی‌ناپذیر از زیرساخت انتقال تصویر پذیرفته است، نه صرفاً یک ویژگی تبلیغاتی. حتی در مقیاس خانه‌های هوشمند، تحلیل تصویر مبتنی بر یادگیری ماشین بخشی از تجربه‌ی روزمره‌ی کاربران شده است.

این نمونه‌ها نشان می‌دهند که برخلاف دوره‌های قبلی، امروز کاربردهای هوش مصنوعی معیارهای سنجش‌پذیر و بازگشت سرمایه‌ی مشخصی دارند؛ موضوعی که احتمال یک افت ناگهانی و کامل سرمایه‌گذاری را کمتر می‌کند، هرچند رکود موقت یا کندی رشد در برخی زیرشاخه‌ها (مانند خودروی کاملاً خودران) همچنان محتمل است.

چگونه می‌توان از تکرار زمستان هوش مصنوعی جلوگیری کرد؟

• وعده‌ها را با زمان‌بندی واقع‌بینانه و مبتنی بر داده‌ی فنی اعلام کنیم، نه بر اساس شور و رقابت بازاریابی
• بین دستاوردهای آزمایشگاهی و کاربرد واقعی در محیط پرنویز و متغیر، تمایز قائل شویم
• سرمایه‌گذاری را به‌سمت مسائل مشخص و قابل اندازه‌گیری هدایت کنیم، نه صرفاً برچسب «هوش مصنوعی»
• شفافیت درباره‌ی محدودیت‌های فعلی مدل‌ها (مانند نیاز به داده‌ی زیاد و حساسیت به تغییر شرایط) را حفظ کنیم

سوالات متداول

۱. زمستان هوش مصنوعی دقیقاً به چه معناست؟
به دوره‌ای گفته می‌شود که پس از موج خوش‌بینی و سرمایه‌گذاری سنگین در هوش مصنوعی، به دلیل عقب‌ماندن دستاوردهای واقعی از وعده‌ها، بودجه‌ها و توجه عمومی به‌شدت کاهش می‌یابد.

۲. چند زمستان هوش مصنوعی تا امروز رخ داده است؟
بر اساس تاریخ این حوزه، دو دوره‌ی اصلی شناخته‌شده وجود دارد: زمستان اول پس از شکست پروژه‌ی ترجمه‌ی ماشینی در اواسط دهه‌ی ۱۹۷۰ و زمستان دوم پس از افول سیستم‌های خبره در اواخر دهه‌ی ۱۹۸۰.

۳. آیا امروز هم ممکن است چنین اتفاقی بیفتد؟
احتمال کندی رشد در برخی زیرشاخه‌ها (مانند خودروی کاملاً خودران) وجود دارد، اما سقوط کامل و همه‌جانبه بعید به نظر می‌رسد، چون بخش بزرگی از هوش مصنوعی امروز – از جمله در دوربین مداربسته و تحلیل تصویر – در محصولات واقعی و پردرآمد به کار گرفته شده است.

۴. چه صنایعی کمترین ریسک را در برابر زمستان احتمالی هوش مصنوعی دارند؟
صنایعی که هوش مصنوعی را به‌عنوان ابزار کمکی برای حل مسئله‌ای مشخص و قابل اندازه‌گیری به کار می‌برند – مانند نظارت تصویری، تشخیص چهره و تحلیل رفتار – نسبت به صنایعی که صرفاً بر مبنای هایپ سرمایه‌گذاری کرده‌اند، ریسک کمتری دارند.

منبع :سایت روزنامه فناوران

از مطالب دیگر ما دیدن فرمایید :

• ایرانی‌ها روزی ۷ ساعت در فضای مجازی می‌چرخند!
• هوش مصنوعی پیش‌بینی کرد: فرانسه فاتح جام جهانی فوتبال

نظرات خود را در مورد مطالب ما برایمان بنویسید.