وقتی اسم «هوش مصنوعی و رباتیک» را میشنیدم، چیزی که در ذهنم شکل میگرفت خیلی ساده بود:
ربات.
رباتی که راه میرود، حرف میزند، چیزی را جابهجا میکند و شاید حتی بتواند یک روز برای خودش تصمیم بگیرد.
اسم رشته هم که «هوش مصنوعی و رباتیک» بود؛ دیگر چه چیزی واضحتر از این؟
من قرار بود ربات بسازم.
یا دستکم تصور میکردم قرار است بسازم.
اما چند وقت بعد از ورود به دانشگاه، به جای اینکه مشغول ساختن رباتی باشم که در راهروهای دانشگاه راه برود، خودم پشت کامپیوتر نشسته بودم و با کدی کلنجار میرفتم که حاضر نبود آنطور که من میخواستم اجرا شود!
آن موقع هنوز نمیدانستم این تازه اول ماجراست.
فکر کنم یکی از اولین سوءتفاهمهای من درباره این رشته همین بود.
وقتی میگویی «رباتیک»، ناخودآگاه انتظار داری بالاخره یک جایی یک ربات جلویت ظاهر شود.
اما دانشگاه خیلی زود به تو یاد میدهد که قبل از اینکه ربات بسازی، باید چیزهای دیگری یاد بگیری.
برنامهنویسی.
الگوریتم.
ریاضیات.
کنترل.
داده.
یادگیری ماشین.
و بعدتر شبکههای عصبی و یادگیری عمیق.
یعنی به جای اینکه از همان ابتدا پیچ و مهرههای یک ربات را ببندی، ممکن است ساعتها با یک صفحه کد و چند خطای عجیبوغریب درگیر باشی.
و بله...
گاهی یک «;» جاافتاده میتواند تمام تصوراتت از آیندهی درخشان علمیات را نابود کند!
قبل از ورود به این رشته، برنامهنویسی برایم بیشتر شبیه یک مهارت جانبی بود.
چیزی که اگر بلد باشی خوب است.
اما وقتی وارد هوش مصنوعی میشوی، کمکم متوجه میشوی کدنویسی فقط یک ابزار فرعی نیست.
یکی از زبانهایی است که با آن باید مسئلهات را به ماشین توضیح بدهی.
اگر بخواهی با داده کار کنی، به کد نیاز داری.
اگر بخواهی یک مدل بسازی، به کد نیاز داری.
اگر بخواهی مدل را آموزش بدهی، آزمایش کنی، نتیجه بگیری و خطاها را بررسی کنی، باز هم به کد نیاز داری.
و آنجا بود که فهمیدم:
شاید قرار نیست همیشه ربات را با دستم بسازم؛ گاهی باید مغز آن را با کد بسازم.
اینجا دیگر اسمها کمی ترسناکتر شدند.
شبکه عصبی.
یادگیری عمیق.
نورون.
لایه.
پارامتر.
تابع فعالسازی.
تابع خطا.
بهینهسازی.
اگر قبل از ورود به دانشگاه این کلمات را میدیدم، احتمالاً فکر میکردم مربوط به یک مقاله علمی بسیار پیچیده هستند که هیچ ربطی به من ندارند.
اما کمکم این مفاهیم تبدیل شدند به بخشی از زندگی روزمرهام.
شبکه عصبی در ظاهر چیزی شبیه یک ساختار پیچیده از لایهها و محاسبات است.
اما ایدهی اصلی آن برای من همیشه جذاب بود:
به جای اینکه تمام قوانین یک مسئله را خودمان یکییکی برای ماشین بنویسیم، میتوانیم با استفاده از داده و یک روش آموزشی مناسب، به مدل اجازه بدهیم الگوهایی را یاد بگیرد که برای حل مسئله به کارش میآیند.
مثلاً اگر بخواهیم مدلی برای تشخیص تصاویر بسازیم، به جای اینکه تکتک ویژگیهای تصویر را به صورت دستی تعریف کنیم، میتوانیم از یک شبکه عصبی استفاده کنیم که در فرایند آموزش، نمایشهای مناسب را از داده یاد بگیرد.
و ناگهان چیزی که از بیرون شبیه «هوش» به نظر میرسد، تبدیل میشود به هزاران و میلیونها محاسبه.
شاید این قسمت برایم جالبترین تغییر ذهنی بود.
در فیلمها، هوش مصنوعی معمولاً یک موجود مشخص است.
یک ربات.
یک صدا.
یک چهره.
یک سیستم که با انسان حرف میزند.
اما در دنیای واقعی، هوش مصنوعی میتواند خیلی نامرئیتر باشد.
ممکن است پشت یک سیستم تشخیص تصویر باشد.
پشت پیشنهادهایی که یک سایت به تو میدهد.
پشت تشخیص گفتار.
پشت ترجمه.
پشت تحلیل داده.
پشت یک سیستم کنترل.
یا حتی پشت یک مدل کوچک که قرار است روی یک دستگاه با منابع محدود اجرا شود.
یعنی ممکن است هوش مصنوعی آنقدر خوب در یک سیستم حل شده باشد که اصلاً متوجه حضورش نشوی.
و این برای من جالبتر از چیزی بود که اول تصور میکردم.
یکی از چیزهایی که در این مسیر یاد گرفتم این بود که در هوش مصنوعی، فقط اینکه یک مدل عملکرد خوبی داشته باشد کافی نیست.
گاهی یک مدل دقت خیلی خوبی دارد، اما بیش از حد سنگین است.
حافظه زیادی مصرف میکند.
کند است.
یا برای دستگاهی که قرار است روی آن اجرا شود مناسب نیست.
گاهی لازم است مدل را کوچکتر کنیم.
گاهی باید سرعت را افزایش دهیم.
گاهی مصرف انرژی اهمیت پیدا میکند.
گاهی باید بین دقت و هزینهی محاسباتی تعادل برقرار کنیم.
اینجا دیگر فقط بحث «هوش» نیست.
بحث مهندسی است.
و شاید همین جا بود که فهمیدم چرا رشته من فقط «هوش مصنوعی» نیست.
بخش مهمی از کار، پیدا کردن راهی است که یک ایده واقعاً در دنیای واقعی کار کند.
پایاننامهام هم به نوعی ادامه همین داستان بود.
موضوعم درباره انتخاب و کوانتیزهکردن مدلهای یادگیری عمیق و تأثیر آن روی منابع محاسباتی بود.
اگر این جمله برایتان کمی سنگین به نظر میرسد، کاملاً قابل درک است!
خودم هم اگر چند سال قبل این عبارت را میدیدم، احتمالاً خیلی راحت از کنارش رد میشدم.
اما پشت این اصطلاحات، یک سؤال ساده وجود داشت:
چطور میتوانیم مدلهای یادگیری عمیق را طوری استفاده کنیم که با منابع محدود هم قابل استفاده باشند؟
و اینجا دیگر خبری از رباتی که در ذهنم تصور کرده بودم نبود.
من بودم و یک کامپیوتر، دادهها، مدلها، کدها، نتایج آزمایشها و کلی سؤال جدید.
و راستش را بخواهید، در نهایت متوجه شدم این مسیر، آنقدرها هم با تصور اولیهام فاصله ندارد.
فقط رباتی که فکر میکردم قرار است بسازم، تبدیل شده بود به چیزی که اول نمیدیدمش:
یک سیستم که باید یاد بگیرد، تصمیم بگیرد و در دنیای واقعی کار کند.
اگر قبل از انتخاب رشته کسی از من بپرسد:
«هوش مصنوعی و رباتیک بخوانم؟ قرار است ربات بسازم؟»
احتمالاً اول لبخند میزنم.
بعد میگویم:
«ممکنه.
ولی قبلش باید با کدنویسی، ریاضیات، الگوریتم، داده، یادگیری ماشین و کلی خطای عجیبوغریب کنار بیای!»
چون چیزی که قبل از ورود به دانشگاه نمیدانستم این بود که رباتیک و هوش مصنوعی فقط درباره ساختن موجودات فلزی و باهوش نیست.
گاهی ساختن یک ربات از ساختن مغز آن شروع میشود.
و برای ساختن آن مغز، قبل از هر چیز باید یاد بگیری چطور با یک ماشین حرف بزنی.
با کد.
با داده.
با ریاضی.
با الگوریتم.
و شاید عجیبترین قسمت داستان همین باشد:
من وارد رشتهای شدم که فکر میکردم قرار است در آن ربات بسازم؛
اما چیزی که در نهایت بیشتر از هر چیز دیگری ساختم، توانایی حل مسئله بود.
و اگر از من بپرسید کدام قسمت این مسیر بیشتر از همه غافلگیرم کرد، جوابم دیگر «ربات کجاست؟» نیست.
جوابم این است:
اینکه پشت خیلی از چیزهایی که ما اسمشان را «هوش» میگذاریم، تعداد زیادی سؤال، خطا، آزمایش، کد و آدمی نشسته که هنوز دارد تلاش میکند بفهمد چرا این بار هم برنامهاش اجرا نشد!