
برای پاسخ به این سوال که آیا هوش مصنوعی میتواند جایگزین انسانها شود، نگاهی به فناوری پشت این سیستمها مفید است. یادگیری ماشینی، شبکههای عصبی و هوش مصنوعی مولد چه تواناییهایی دارند و چه تواناییهایی ندارند؟
این یکی از سوالاتی است که متخصصان هوش مصنوعی اغلب میشنوند: آیا هوش مصنوعی جایگزین ما خواهد شد؟ و سوال بعدی: کدام مشاغل از بین خواهند رفت؟ این سوالات به هیچ وجه جدید نیستند و قبلاً بارها پرسیده شدهاند. در اوایل دهه ۱۹۸۰، مردم سعی کردند با تلاش برای توضیح جهان به رایانهها، آنها را هوشمند کنند. نتیجه، سیستمهای بزرگی از قوانین بود، به عنوان مثال برای ترجمهها: سیستمهایی با ۵۰،۰۰۰ قانون و فهرستهای واژگان عظیم وجود داشت که مشخص میکرد کدام کلمه باید ترجمه شود و چگونه. نتایج به طرز شگفتآوری خوب بود و مردم شروع به نگرانی کردند. خارقالعادهترین ایدهها در مورد چگونگی تسلط ماشینها بر همه چیز در مدت زمان کوتاهی پدیدار شد.
کمی بعد، مشخص شد که این سیستمها در نهایت چندان هوشمند نیستند: برای مثال، یکی از برنامهها جملهی «Wir packen das» (ما آن را بستهبندی خواهیم کرد) را به «بیایید آن را بستهبندی کنیم» و جملهی «Das passt mir nicht in den Kram» (این معمولاً در این موارد به من نمیآید) ترجمه کرد. بنابراین، این سیستمهای مبتنی بر قانون، بهویژه با جملات مجازی مشکل داشتند. با این حال، بزرگترین مشکل سیستمهای مبتنی بر قانون، عدم قابلیت نگهداری آنها بود: اگر خطایی در ترجمه رخ میداد، تیمهای توسعه به سادگی نمیتوانستند بفهمند که برای رفع آن باید کدام پیچ را بچرخانند. برای درک اینکه آیا وضعیت امروزه اساساً تغییر کرده است، نگاهی دقیقتر به فناوری پشت سیستمهای جدید هوش مصنوعی مفید است.
یادگیری ماشین
سیستمهای هوش مصنوعی جدید که از دهه ۲۰۰۰ شاهد افزایش آنها بودهایم، اساساً متفاوت از سیستمهای مبتنی بر قانون دهه ۱۹۸۰ عمل میکنند: آنها از دادههای گذشته برای جستجوی الگوها با استفاده از روشهای آماری استفاده میکنند که میتوانند در آینده مورد استفاده قرار گیرند. این روشها یادگیری ماشینی نامیده میشوند . در اینجا، قوانینی که جهان بر اساس آنها عمل میکند توسط ما انسانها از پیش تعیین نشدهاند؛ بلکه ماشین آنها را با استفاده از روشهای آماری از دادهها استخراج میکند. این امر منجر به این عبارت گیجکننده شده است که ماشینها "خودشان یاد میگیرند". اما نمیتوان از "خود" یا یادگیری عمدی با اهداف خودساخته صحبت کرد: ماشینها توسط انسانها برنامهریزی میشوند. به آنها روشی داده شده است که اساساً آنچه را که در دادههای موجود ظاهر میشود و چند بار تکرار میشود، میشمارد. این روش همچنین شکلی را که الگوها یا قوانین یافت شده در آن ذخیره میشوند، تعیین میکند.
با یک مثال ساده میتوان این موضوع را به راحتی درک کرد: ایجاد یک درخت تصمیم از دادهها. به عنوان یک خواننده، احتمالاً قبلاً درختهای تصمیم را دیدهاید: شما از بالا شروع میکنید و در هر نقطه یک سؤال وجود دارد که پاسخ آن یا به سمت چپ یا به سمت راست منتهی میشود. شکل ، مثال بسیار سادهای از یک درخت تصمیم برای خرید خودرو را نشان میدهد.
چنین درختهایی را میتوان به طور خودکار از دادههای گذشته ایجاد کرد. میتوان تعداد زیادی از خریداران خودرو را مشاهده کرد و دادهها را جمعآوری کرد: قیمت خودرو چقدر است؟ بودجه واقعی آنها چقدر است؟ خودرو در چه مواردی با ویژگیهای مورد نظر آنها مطابقت دارد؟ در چه مواردی با آنها متفاوت است؟ با استفاده از روشهای آماری، میتوان یک درخت تصمیم از این دادهها ایجاد کرد و پیشبینی کرد که یک خریدار چه زمانی خودرو را انتخاب خواهد کرد. این به نوبه خود میتواند به شرکتهای خودروسازی کمک کند تا تعیین کنند که کدام خودرو را به چه کسی نشان دهند.
روشی که به طور خودکار درختهای تصمیمگیری را از دادهها میسازد چگونه کار میکند؟ ابتدا، میتوانید ببینید که هر سوال، مجموعه دادهها را به دو زیرگروه تقسیم میکند. در هر مرحله، تلاش میشود تا ویژگی و سوال حاصل در دادهها پیدا شود که به احتمال زیاد ایجاد یک زیرگروه تا حد امکان یکنواخت را تضمین کند. به عنوان مثال، سوال "آیا ماشین در محدوده بودجه من است؟" میتواند سوالی باشد که نشان میدهد افراد بلهگو به احتمال زیاد خریدار هستند و افراد خیرگو به احتمال زیاد غیرخریدار. اما همچنین میتواند سوال "آیا دو مورد از مهمترین الزامات من برای ماشین برآورده شده است؟" باشد که به بهترین شکل دادهها را به دو گروه تقسیم میکند که هر کدام نسبتاً همگن هستند. این به دادهها و در نتیجه به رفتار افرادی که میخواهید بررسی کنید بستگی دارد. ایده این است که سوالی را پیدا کنید که پاسخ آن یک زیرگروه با خریداران زیاد و یک زیرگروه با غیرخریداران زیاد ایجاد کند. اساساً، شما به سادگی تمام احتمالات را بررسی میکنید و میسنجید که اگر در مورد این یا آن ویژگی سوال کنید، زیرگروههای مربوطه چقدر همگن خواهند بود.
برای انجام این کار، توسعهدهندگان روش باید فرمولی برای ارزیابی همگنی زیرگروهها ارائه دهند. حداقل دوازده فرمول برای این کار وجود دارد و هر یک از این فرمولها به درختهای تصمیمگیری متفاوتی منجر میشوند. بنابراین، هیچ راه عینی برای محاسبه قابل اعتماد بهترین درخت تصمیمگیری ممکن وجود ندارد. هنگامی که "بهترین" سوال را پیدا کردید، همین فرآیند را برای هر زیرگروه ادامه میدهید تا زمانی که زیرگروههایی پیدا کنید که آنقدر همگن باشند که این را برای تصمیمگیریهای خوب کافی بدانید.
این مثال به وضوح نشان میدهد که چگونه میتوان مجموعهای از قوانین را از دادههای گذشته محاسبه کرد تا رفتار آینده را پیشبینی کرد. با این حال، آنچه درک آن چندان آسان نیست، تعامل بین دادهها و روشی است که منجر به اولویتبندی یک یا چند سوال میشود. در واقع، بیش از 20 روش برای تولید درختهای تصمیمگیری از دادهها وجود دارد و هر کدام، حتی اگر بر اساس دادههای یکسانی باشند، نتایج بسیار متفاوتی تولید میکنند. این مثال همچنین نشان میدهد که البته، دادههای آموزشی نیز کاملاً توسط انسانها تعریف میشوند - هیچ یک از سیستمهای هوش مصنوعی به طور مستقل آنلاین نمیشوند و دادهها را بر اساس یک هدف خود تعریف شده جمعآوری نمیکنند. و در آخر، انسانها معیارهایی را که کیفیت چنین سیستمهایی با آنها ارزیابی میشود نیز تعیین میکنند: سپس سیستم آموزش داده میشود تا زمانی که به سطح قابل قبولی از کیفیت برسد.
این فرآیند فقط مربوط به جمعآوری دادههای بیشتر و بیشتر نیست. شما همچنین میتوانید با دادههای ورودی بازی کنید، به عنوان مثال: شاید ویژگیهایی که یک خریدار میخواست روی ماشین خود ببیند، اما در ماشین وجود ندارند، تمایل او را برای خرید کاهش دهند، مگر اینکه قیمت نیز به همان نسبت کاهش یابد. بنابراین میتوانید یک ویژگی جدید را از دادههای شناخته شده محاسبه کنید، که ممکن است چیزی شبیه به این باشد: "آیا قیمت برابر است با بودجه منهای تعداد ویژگیهای برآورده نشده ضربدر ۵۰۰ یورو؟" به این کار مهندسی ویژگی میگویند و امکانات فقط توسط خلاقیت انسان محدود میشوند. بنابراین، تا زمانی که کیفیت چنین مدل آموخته شدهای هنوز مناسب نباشد، دانشمندان کامپیوتر میتوانند هر تعداد دستگیره و اهرم را برای استخراج اطلاعات بیشتر از دادهها تنظیم کنند.
شبکههای عصبی
این امر به ویژه در مورد شبکههای عصبی صادق است . این شبکهها به چیزی به نام نورون متکی هستند. این کاملاً بیولوژیکی به نظر میرسد و به کاری که حیوانات انجام میدهند نزدیک است. با این حال، در واقع یک فرمول ریاضی است. این فرمول مقدار زیادی داده ورودی دریافت میکند و یک عدد واحد را از آن محاسبه میکند. آنچه در طول آموزش آموخته میشود، وزنهایی است که دادههای ورودی مربوطه با آنها ارزیابی میشوند.
برای مثال، هنگام آموزش یک سیستم تشخیص تصویر، به هر نورون تمام پیکسلهای تصویر اصلی به صورت اعداد ارائه میشود. این اعداد وزندهی میشوند و یک عدد جدید از آنها محاسبه میشود. وزنها برای هر تصویر در مجموعه دادههای آموزشی تنظیم میشوند تا احتمال پاسخ صحیح بیشتر و احتمال پاسخ نادرست کمتر شود. بنابراین، اگر دستگاه در طول آموزش تصویری از یک سگ دریافت کند اما یک هرم را "تشخیص" دهد، وزن تمام فرمولها (نورونها) تغییر میکند تا دفعه بعد احتمال تشخیص سگ کمی بیشتر شود.
با حجم زیادی از دادههای آموزشی و تعداد زیادی جلسات آموزشی، میتوان سیستمهایی ایجاد کرد که بتوانند اشیاء موجود در تصاویر را با درجه خاصی از قابلیت اطمینان تشخیص دهند. با این حال، این شبکههای عصبی زمانی بهترین عملکرد را دارند که نورونها در لایهها قرار گرفته باشند. لایه اول پیکسلهای اصلی را میبیند. لایه دوم نتایج لایه اول را میبیند و آنها را بیشتر پردازش میکند. لایه سوم نتایج لایه دوم را دریافت میکند و به همین ترتیب ادامه مییابد. سپس لایه آخر پاسخ محاسبه شده را خروجی میدهد. در نتیجه، شبکههای عصبی از تعداد زیادی فرمول ریاضی با تعداد زیادی وزن تشکیل شدهاند که همه آنها باید از دادهها آموخته شوند. در اینجا نیز واریانس زیادی در شکل دقیق معادلات ریاضی وجود دارد - هیچ کس دقیقاً نمیداند کدام لایه از نورونها باید از کدام شکل معادله به بهترین شکل استفاده کند. تا زمانی که کیفیت سیستم هنوز مناسب نباشد، میتوان روی ساختار دقیق لایهها و البته همچنین روی شکل دادههای آموزشی و کمیت و کیفیت آن کار کرد.
بنابراین در اینجا نیز هیچ راهی برای تضمین بیطرفی وجود ندارد: هر تصمیمی منجر به پاسخهای متفاوتی خواهد شد. این موضوع این سوال را مطرح میکند که چه زمانی سیستمهای هوش مصنوعی در محاسبات خود قابل اعتماد و قابل درک هستند، زیرا تنها در آن صورت میتوانند جایگزین انسانها شوند.
قابلیت ردیابی
بنابراین، سیستمهای جدید هوش مصنوعی عموماً دو مرحله را طی میکنند: مرحله آموزش که در آن قوانین به طور خودکار با استفاده از یک روش آماری بر اساس دادههای گذشته انتخاب شده توسط انسانها استخراج و در قالب خاصی، به اصطلاح مدل آماری ، ذخیره میشوند. این مدل میتواند یک درخت تصمیم یا یک شبکه عصبی باشد. «هوش» در ترتیب پرسیدن سوالات یا در وزنهای آموخته شده فرمولها نهفته است. در مرحله دوم، این قوانین سپس برای محاسبه تصمیمی برای یک موقعیت جدید یا برای نوشتن متن، پیکسلی کردن یک تصویر یا ایجاد یک فایل صوتی استفاده میشوند.
این مرحله دوم کاملاً قابل درک است، زیرا دادههای ورودی جدید از طریق مدل آماری اجرا میشوند و محاسبات بسیار ساده نتیجه را تولید میکنند. با این حال، آنچه این روشها به ما اجازه انجام آن را نمیدهند، درک انگیزههای پشت یک تصمیم تولید شده توسط کامپیوتر است. از این گذشته، فقط ناهنجاریهای آماری در دادههای آموزشی ذخیره شدهاند. اینکه آیا اینها واقعاً مرتبط هستند یا صرفاً یک همبستگی آماری - یک ناهنجاری آماری که هیچ نقش علّی در پدیدهای که باید درک شود، ایفا نمیکند - هیچ کس نمیتواند به ما بگوید. از این نظر، ماشینها جعبههای سیاه هستند ، یعنی سیستمهای غیرقابل نفوذ.
از این نظر، آنها کاملاً با حیوانات خانگی ما و حتی همکاران مورد علاقهمان متفاوت نیستند: در نهایت، ما هرگز نمیتوانیم به طور کامل پیشبینی کنیم که سگ ما چه کاری انجام خواهد داد یا چرا کاری را انجام داده است. اما هوشهای مربوط به هر یک از ما یک پایه مشترک دارد که میتوانیم بر اساس آن بسازیم - چیزی که ماشینها فاقد آن هستند. با همکاران مورد علاقهمان، جنبههای بیشتری اضافه میشود که به ما امکان میدهد تصمیمات آنها را درک کنیم: آموزشهای مربوط به ما فرآیندهایی را فراهم کرده است که تصمیمات را قابل فهم میکند و ما یک زبان مشترک برای انتقال انگیزههای خود برای تصمیمگیری داریم. اینکه هنوز شکافهایی در این مورد وجود دارد و اینکه ما به عنوان انسان همیشه مطمئن نیستیم که چرا تصمیمی گرفتهایم و ممکن است فقط پس از آن آن را توجیه کنیم، بیربط است. با این وجود، ما هنوز این پایه مشترک فرآیندهای تصمیمگیری و ارتباط در مورد تصمیمات را داریم که در سیستمهای هوش مصنوعی وجود ندارد. این موضوع مرا به سوالی که در ابتدا مطرح کردم میرساند: آیا سیستمهای هوش مصنوعی میتوانند جایگزین ما شوند؟
قابل تعویض؟
ابتدا به این سوال در مورد سیستمهایی که برای تصمیمگیری یا پشتیبانی از تصمیمات انسانی از طریق محاسبات کامپیوتری طراحی شدهاند، پاسخ میدهم. برای اینکه یک ماشین بتواند جایگزین ما در تصمیمگیری شود، باید بتواند این کار را به طور قابل اعتمادی انجام دهد. بنابراین باید بتوانیم در تمام موقعیتهایی که از آن استفاده میکنیم، به آن برای انجام کاری که یک انسان منطقی انجام میدهد، تکیه کنیم.
از آنجایی که ما نمیتوانیم از ماشینها برای تعیین فرآیند تصمیمگیری - یعنی این سوال که کدام دادههای ورودی ارزیابی میشوند، چرا و چگونه - استفاده کنیم، تنها گزینه ما مشاهده و ارزیابی رفتار ماشین در موقعیتهای مختلف است. این به طور قابل توجهی کمتر از این است که یک انسان توضیح دهد که چگونه به اقدامات خود میرسد، زیرا در این صورت شما فقط میتوانید در مورد موقعیتهایی که در آن رفتار را مشاهده کردهاید، اظهار نظر کنید. از سوی دیگر، فرآیند تصمیمگیری ارائه شده توسط یک انسان، به ما این امکان را میدهد که ارزیابی کنیم که آن انسان چگونه تصمیمات خود را در طیف وسیعی از موقعیتها میگیرد. این محدودیت در آزمایش صرف قابلیت اطمینان تصمیمات خودکار به این معنی است که - بر اساس فناوری فعلی - سیستمهای هوش مصنوعی را نمیتوان در جایی که کیفیت تصمیمات قابل ارزیابی نیست، استفاده کرد.
این امر، به عنوان مثال، در مورد تصمیمات به اصطلاح تکین ، یعنی تصمیماتی که هیچ سابقه تاریخی ندارند و اثرات آنها به وضعیت اولیه دقیق بستگی دارد، صدق میکند. این شامل تقریباً تمام تصمیمات سیاسی، مانند تصمیماتی که در طول همهگیری ویروس کرونا گرفته شده است، میشود. حتی به صورت گذشتهنگر، کیفیت تصمیمات موافق یا مخالف قرنطینه در کشورهای مختلف به دلیل شرایط جمعیتی متفاوت، فقط میتواند به طور تقریبی ارزیابی شود. دلیل این امر فقدان دادههای آموزشی، قابلیت ردیابی (یعنی توجیهات) و کنترل کیفیت قابلیت اطمینان است. بنابراین، سیستمهای هوش مصنوعی در اصل نمیتوانند جایگزین تصمیمات انسانی در این موارد شوند.
با این حال، در سیاست، همیشه وقتی معیارهای مختلف و رقیب مورد ارزیابی قرار میگیرند، مسئله قضاوتهای ارزشی مطرح است. قضاوتهای ارزشی، قضاوتهایی هستند که متخصصان اجازه ندارند خودسرانه در مورد آنها اختلاف نظر داشته باشند. این شامل نمرات مدرسه نیز میشود، به عنوان مثال: هیچ الگوریتمی وجود ندارد که منجر به نمره شود. با این حال، به عنوان یک جامعه، ما با این وجود خواستار آن هستیم که آنچه یک معلم "بسیار خوب" توصیف میکند، معلم دیگری "مردود" توصیف نکند. نمرات باید عملکردی را ارزیابی کنند که بتوانیم در یک چارچوب خاص در مورد آن توافق کنیم. بنابراین، یک اختلاف عمده همیشه باید برای سایر متخصصان قابل توجیه و قابل درک باشد. از آنجایی که ما نمیتوانیم در اینجا هیچ قانونی به کامپیوتر بدهیم و ماشین نمیتواند این قوانین را از دادهها به روشی که ما بتوانیم بفهمیم استخراج کند، ماشین نیز نمیتواند چنین قضاوتهای ارزشی را برای ما انجام دهد. در مواردی که میتوان رفتار ماشین را از نظر قابلیت اطمینان بررسی کرد، وضعیت متفاوت است.
این اغلب زمانی امکانپذیر است که دستگاه ملزم به انجام محاسبات ریسک باشد . سپس، به عنوان مثال، رویدادهای بیمه یا افراد را در کلاسهای مختلف ریسک طبقهبندی میکند. بعداً، میتوان محاسبه کرد که آیا طبقهبندی در یک کلاس پرخطر توجیهپذیر بوده است یا خیر، به عنوان مثال در مورد بیمه خودرو. اوضاع زمانی دشوار میشود که طبقهبندی، آینده را تغییر دهد: شخصی که در دادگاه توسط دستگاه، ریسک بالای تکرار جرم به او نسبت داده میشود، ممکن است نسبت به کسی که فقط ریسک پایینی به او نسبت داده شده است، حکم زندان طولانیتری دریافت کند. با این حال، حکم زندان، چشمانداز یافتن شغل پس از زندان را تغییر میدهد که به نوبه خود احتمال جرایم بیشتر را تغییر میدهد. در چنین موقعیتهایی که آینده را تغییر میدهند، بنابراین نمیتوان در آینده تأیید کرد که تصمیم دستگاه چقدر خوب بوده است. بنابراین، وقتی صحبت از تصمیمات ریسک میشود، دستگاه فقط میتواند در موارد منتخب جایگزین ما شود.
سادهترین رویکرد این است که یک ماشین، حقایق را محاسبه کند . حقایق، گزارههایی هستند که میتوانند با استفاده از یک روش، به صورت بینالاذهانی تعیین شوند. «بینالاذهانی» به این معنی است که هر انسانی که از این روش پیروی میکند، به نتیجه یکسانی میرسد. نتیجه یک ماشین که پیچها را از نظر نقص بررسی و رد میکند، میتواند در هر زمانی بررسی و از نظر کیفیت ارزیابی شود. ماشینهای تشخیصدهنده حقایق، در صورتی که کیفیت آنها به اندازه کافی بالا باشد، میتوانند جایگزین انسانها شوند.
این امر منجر به نتیجه گیری زیر در مورد این سوال میشود که آیا تصمیمات انسانی را میتوان با تصمیمات ماشینی جایگزین کرد یا خیر: ماشینهای مبتنی بر یادگیری ماشینی اساساً نمیتوانند توجیهی برای تصمیمات خود به ما ارائه دهند. بنابراین، آنها تنها در صورتی میتوانند جایگزین ما در تصمیمات ما شوند که حداقل بتوانیم قابلیت اطمینان آنها را تأیید کنیم. این فقط در مورد تصمیمات واقعی و تا حد محدودی برای ارزیابی ریسک صادق است. قضاوتهای ارزشی و به ویژه تصمیمات منفرد، مانند تصمیمات رایج در سیاست، را نمیتوان با ماشینها جایگزین کرد.
اما سیستمهای هوش مصنوعی دیگری نیز وجود دارند که چیزی تولید میکنند - به همین دلیل است که به آنها هوش مصنوعی مولد میگویند . این سیستمها شامل ChatGPT، برنامه زبان معروف که میتواند متن بنویسد، و MidJourney، که میتواند از توضیحات، تصاویر تولید کند، میشوند. سایر سیستمهای هوش مصنوعی میتوانند ویدیو تولید کنند، فایلهای صوتی ایجاد کنند یا ترجمه کنند. در اینجا نیز نمیتوانیم قابلیت اطمینان را به طور جامع آزمایش کنیم - اولاً به این دلیل که مشخص نیست "بهترین پاسخ" در هر مورد چیست، و ثانیاً به این دلیل که کاربردهای بسیار زیادی وجود دارد که همه آنها را نمیتوان به طور سیستماتیک آزمایش کرد. اما آنچه در اینجا بیشتر مورد توجه مردم است این سوال است: آیا ماشینها در فعالیتهای خلاقانه ما نیز جایگزین ما خواهند شد؟
آیا دستگاه خلاق است؟
خلاقیت به چه معناست؟ اساساً، خلاقیت به معنای بیرون کشیدن چیزی جدید از فضایی از امکانات است که نه خیلی بدیهی و نه خیلی پوچ باشد. مردم میخواهند از خلاقیت شگفتزده شوند، اما در عین حال میخواهند بتوانند آن را طبقهبندی کنند. چیزی که واقعاً جدید است نباید خیلی از چیزهای آشنا فاصله بگیرد؛ باید همچنان توسط دریافتکنندگانش قابل پردازش باشد. باید یک جنبه زمانی به این مشاهده اساسی اضافه شود: آنچه جدید و خلاقانه است، در سالهای آینده دیگر اینگونه نخواهد بود. هر کسی که در سال ۱۹۳۱ از تصویر سالوادور دالی از زمان به شکل ساعتهای ذوب شده و تغییر شکل یافته شگفتزده شده باشد، به سرعت تصاویر مشابه را کسلکننده خواهد یافت. بنابراین، خلاقیت به معنای یافتن آن نقطه شیرین پویا و در حال تغییر است که دیگران آن را خلاقانه میدانند.
برای انجام این کار، یک ماشین باید به طور قابل اعتمادی با آخرین روندها و دادههای مربوط به نحوه واکنش مردم به آنها آموزش داده شود. من معتقدم که این کار در آینده نیز نسبتاً دشوار خواهد بود. ماشینها میتوانند به ایجاد ارتباطات جدید کمک کنند - گاهی اوقات به روشهایی که برای انسانها تعجبآور است. به هر حال، یادگیری ماشین مبتنی بر فرآیندهای ارتباطی است، بنابراین جای تعجب نیست که ارتباطاتی را نیز ایجاد کند که ما را شگفتزده، سرگرم یا ناامید کند. با این حال، بیشتر شبیه این است که ناگهان صدها کارآموز در سال اول آموزش خود داشته باشید: ایدههای جالب زیادی وجود دارد، اما آنها دقیقاً در جایی که باید باشند، نیستند.
بنابراین، انسانها و خلاقیت انسانی را نمیتوان در سالهای آینده با سیستمهای هوش مصنوعی جایگزین کرد. با این حال، آنچه مسلم است این است که کسانی که میتوانند ایدههای خود را به روشی قابل فهم برای رایانهها (به اصطلاح مهندسی سریع ) تدوین کنند و سپس بر اساس این پیشنهادها ایدههای واقعاً خلاقانهای را توسعه دهند، بسیار سریعتر خواهند بود. با این حال، حرکت زیادی وجود خواهد داشت که در آن ایدهها لازم نیست واقعاً خلاقانه باشند، بلکه صرفاً برای سرگرمی یا حتی صرفاً یک عامل احساس خوب در نظر گرفته شدهاند: به عنوان مثال، وقتی هدف برانگیختن خاطرات در گیرنده است. یک دستور پخت پای سیب جدید در حالت ایدهآل باید طعم کیک یکشنبه مادربزرگ را داشته باشد و به یک دسر ساختارشکن تبدیل نشود.
نتیجهگیری این است: در آیندهای قابل پیشبینی، هوش مصنوعی فقط در تصمیمگیریهایی که نیاز به شناسایی حقایق یا خطرات باشد - و در مواردی که این کار را با کیفیت و سرعت کافی انجام میدهد - جایگزین انسانها خواهد شد. بقیه مسئولیت همچنان بر عهده انسانها است. در حوزه خلاقیت، ماشینها میتوانند جایگزین ایدههایی شوند که ارتباطات نزدیک به بدیهیات هستند. آنها نمیتوانند واقعاً خلاق شوند زیرا نمیتوانند تمایز ظریف بین بدیهیات و پوچی را تشخیص دهند و نمیتوانند نقطه شیرین خلاقیت را پیدا کنند . با این حال، انسانی که امکانات و محدودیتهای سیستمهای هوش مصنوعی را برای کار خود تشخیص میدهد، مطمئناً جایگزین فردی خواهد شد که این کار را نمیکند.
نویسنده:
کاترینا آ. زویگ،استاد دانشگاه صنعتی راینلاند-فالتز در کایزرسلاوترن است، جایی که او ریاست آزمایشگاه پاسخگویی الگوریتم و برنامه علوم اجتماعی را بر عهده دارد.
منبع: