ویرگول
ورودثبت نام
فرزانه کوئینی
فرزانه کوئینیفرزانه کوئینی نویسنده و پژوهشگر هوش مصنوعی
فرزانه کوئینی
فرزانه کوئینی
خواندن ۶ دقیقه·۲ ماه پیش

هوش مصنوعی خواندم؛ اما آیا واقعاً می‌دانم هوش مصنوعی چیست؟

وقتی می‌گویم «هوش مصنوعی خوانده‌ام»، معمولاً اولین چیزی که در ذهن آدم‌ها شکل می‌گیرد، ربات است.

یک ربات انسان‌نما که راه می‌رود، حرف می‌زند، جواب سؤال می‌دهد و شاید حتی یک روز جای انسان‌ها را بگیرد.

راستش را بخواهید، قبل از اینکه وارد این رشته شوم، تصور من هم خیلی دور از این تصویر نبود.

فکر می‌کردم قرار است با ربات‌ها سر و کار داشته باشم، چیزهای عجیب و غریب بسازم و کم‌کم وارد دنیایی شوم که بیشتر شبیه فیلم‌های علمی‌تخیلی است تا دانشگاه.

اما بعد فهمیدم ماجرا خیلی پیچیده‌تر و در عین حال، خیلی ساده‌تر از این حرف‌هاست.

هوش مصنوعی بیشتر از اینکه درباره‌ی «ربات» باشد، درباره‌ی یاد دادن حل مسئله به ماشین‌ها است.

و اینجا بود که سؤال دیگری برایم شکل گرفت:

اگر چند سال هوش مصنوعی خوانده‌ام، آیا واقعاً می‌دانم هوش مصنوعی چیست؟

هوش مصنوعی واقعاً «هوش» دارد؟

این شاید اولین چیزی باشد که باید درباره‌اش صحبت کنیم.

وقتی می‌گوییم یک سیستم «هوشمند» است، لزوماً منظورمان این نیست که مثل انسان فکر می‌کند.

یک مدل هوش مصنوعی می‌تواند عکس را تشخیص دهد، متن تولید کند، صدای انسان را به متن تبدیل کند، بیماری را از روی تصویر پزشکی پیش‌بینی کند یا پیشنهاد بدهد چه فیلمی را ببینیم.

اما آیا این یعنی واقعاً می‌فهمد؟

اینجا پاسخ دیگر آن‌قدر ساده نیست.

ما می‌توانیم سیستمی بسازیم که در یک کار مشخص عملکرد فوق‌العاده‌ای داشته باشد، بدون اینکه بتوانیم با اطمینان بگوییم آن سیستم دنیا را همان‌طور که انسان تجربه می‌کند، «می‌فهمد».

مثلاً اگر مدلی تعداد زیادی تصویر گربه و سگ ببیند، می‌تواند یاد بگیرد تصویر جدید را دسته‌بندی کند.

اما این «یاد گرفتن» الزاماً همان چیزی نیست که ما از یادگیری یک کودک انتظار داریم.

کودک ممکن است یک گربه را ببیند، لمس کند، صدایش را بشنود، حرکتش را مشاهده کند و مفهوم «گربه» را در ارتباط با دنیای واقعی شکل دهد.

مدل یادگیری ماشین، بسته به مسئله و طراحی آن، ممکن است از الگوهای آماری موجود در داده‌ها استفاده کند تا خروجی مناسب را پیش‌بینی کند.

همین تفاوت کوچک، سؤال‌های بسیار بزرگی ایجاد می‌کند.

پس ماشین چطور یاد می‌گیرد؟

اینجا یکی از جذاب‌ترین بخش‌های رشته شروع می‌شود.

ما معمولاً به جای اینکه تک‌تک قوانین را به کامپیوتر بگوییم، به آن داده می‌دهیم و از الگوریتم می‌خواهیم الگوهایی را پیدا کند که برای مسئله مورد نظر مفیدند.

فرض کنید می‌خواهیم مدلی بسازیم که تصاویر گربه و سگ را تشخیص دهد.

قرار نیست برای تمام عکس‌های دنیا قانون بنویسیم که:

«اگر گوش‌ها این‌طور بود و چشم‌ها این اندازه بود و دم این شکل را داشت، پس سگ است.»

به جای آن، تعداد زیادی نمونه در اختیار مدل قرار می‌دهیم و الگوریتم در فرایند آموزش، پارامترهای خودش را طوری تنظیم می‌کند که خطای پیش‌بینی کمتر شود.

اینجا مفاهیمی مثل یادگیری ماشین، شبکه‌های عصبی، تابع خطا، بهینه‌سازی و یادگیری عمیق وارد ماجرا می‌شوند.

و ناگهان چیزی که از بیرون شبیه «هوش» به نظر می‌رسد، تبدیل می‌شود به مجموعه‌ای از ریاضیات، داده، الگوریتم و محاسبات.

شاید یکی از جذاب‌ترین قسمت‌های این رشته برای من همین باشد.

پشت چیزی که برای کاربر نهایی جادویی به نظر می‌رسد، معمولاً تعداد زیادی محاسبه و تصمیم مهندسی وجود دارد.

اما هرچه داده بیشتر باشد، نتیجه بهتر است؟

ای کاش به همین سادگی بود.

یکی از چیزهایی که در هوش مصنوعی یاد می‌گیری این است که داده فقط باید زیاد نباشد؛ باید مناسب هم باشد.

اگر داده‌های آموزشی مشکل داشته باشند، مدل هم می‌تواند مشکل داشته باشد.

اگر داده‌ها نامتوازن باشند، ممکن است مدل برای بعضی گروه‌ها بهتر از گروه‌های دیگر عمل کند.

اگر داده‌های آموزشی با داده‌های دنیای واقعی تفاوت زیادی داشته باشند، مدلی که روی کاغذ عملکرد خوبی داشته، ممکن است در عمل آن‌قدرها هم خوب نباشد.

و اینجا یک مفهوم مهم وارد می‌شود:

دقت مدل به تنهایی داستان کاملی را تعریف نمی‌کند.

ممکن است یک مدل دقت بسیار بالایی داشته باشد، اما برای استفاده واقعی بیش از حد سنگین باشد.

ممکن است مدلی کمی دقت پایین‌تری داشته باشد، اما بسیار سریع‌تر و کم‌مصرف‌تر باشد و برای یک دستگاه کوچک انتخاب مناسب‌تری باشد.

این دقیقاً همان جایی است که هوش مصنوعی از یک موضوع صرفاً دانشگاهی به یک مسئله مهندسی تبدیل می‌شود.

هوش مصنوعی فقط مدل نیست

این را شاید کسی که تازه با هوش مصنوعی آشنا شده کمتر بداند.

گاهی فکر می‌کنیم تمام کار این است که یک مدل را انتخاب کنیم، داده را به آن بدهیم و منتظر نتیجه بمانیم.

اما در یک پروژه واقعی، داستان خیلی طولانی‌تر است.

داده باید آماده شود.

باید مشخص شود چه مسئله‌ای را قرار است حل کنیم.

باید مدل مناسبی انتخاب شود.

مدل باید آموزش ببیند.

باید ارزیابی شود.

باید خطاهایش بررسی شود.

گاهی لازم است مدل کوچک‌تر یا سریع‌تر شود.

گاهی باید بین دقت، سرعت، حافظه و مصرف انرژی تعادل برقرار کرد.

و در نهایت باید دید آیا چیزی که ساخته‌ایم واقعاً در دنیای واقعی کاربرد دارد یا نه.

شاید به همین دلیل است که هرچه بیشتر هوش مصنوعی می‌خوانم، کمتر می‌توانم یک جمله ساده برای تعریف آن پیدا کنم.

چون هوش مصنوعی فقط یک چیز نیست.

مجموعه‌ای از سؤال‌هاست.

و رباتیک کجای این داستان قرار می‌گیرد؟

اسم رشته من «هوش مصنوعی و رباتیک» است و این قسمت هم خودش داستان جالبی دارد.

رباتیک می‌تواند جایی باشد که هوش مصنوعی با دنیای فیزیکی برخورد می‌کند.

یک ربات فقط یک نرم‌افزار نیست.

باید محیط را حس کند، اطلاعات دریافت کند، تصمیم بگیرد و بر اساس آن عمل کند.

یعنی سنسورها، کنترل، مکانیک، الکترونیک، برنامه‌نویسی و هوش مصنوعی می‌توانند در کنار هم قرار بگیرند.

اما حتی اینجا هم همیشه قرار نیست رباتی شبیه انسان داشته باشیم.

گاهی یک ربات صنعتی که در یک کارخانه کار مشخصی انجام می‌دهد، از نظر فنی بسیار مهم‌تر از رباتی است که فقط ظاهر انسان دارد.

شاید یکی از چیزهایی که دانشگاه به من یاد داد همین بود:

ظاهر فناوری، لزوماً مهم‌ترین بخش آن نیست.

پس بعد از این همه سال، آیا می‌دانم هوش مصنوعی چیست؟

فکر می‌کنم جوابم کمی عجیب باشد.

بله و نه.

بله، چون حالا می‌دانم پشت بسیاری از چیزهایی که اسم «هوش مصنوعی» روی آن‌ها گذاشته می‌شود چه مفاهیمی وجود دارد.

می‌دانم مدل چگونه آموزش می‌بیند، داده چه اهمیتی دارد، چرا مدل‌ها خطا می‌کنند و چرا یک مدل قوی همیشه بهترین انتخاب برای یک مسئله مشخص نیست.

اما از طرف دیگر، هرچه بیشتر یاد می‌گیرم، بیشتر متوجه می‌شوم که هنوز سؤال‌های بزرگی وجود دارند.

مثلاً اینکه دقیقاً چه زمانی می‌توانیم بگوییم یک ماشین «می‌فهمد»؟

آیا هوش فقط توانایی حل مسئله است؟

آیا چیزی که ما هوش مصنوعی می‌نامیم واقعاً هوش است یا مجموعه‌ای بسیار پیچیده از روش‌های محاسباتی؟

و شاید مهم‌تر از همه:

مرز بین تقلید هوشمندانه و فهم واقعی کجاست؟

برای بعضی از این سؤال‌ها پاسخ‌های مشخصی داریم.

برای بعضی دیگر هنوز نه.

و شاید همین چیزی است که هوش مصنوعی را برای من جذاب می‌کند.

وقتی وارد این رشته شدم، فکر می‌کردم قرار است درباره ماشین‌هایی یاد بگیرم که قرار است روزی مثل انسان فکر کنند.

حالا بیشتر از قبل می‌فهمم که مسئله فقط ماشین نیست.

هوش مصنوعی، ما را مجبور می‌کند دوباره درباره خود انسان هم سؤال بپرسیم.

اینکه وقتی می‌گوییم «هوش»، دقیقاً از چه چیزی حرف می‌زنیم؟

وقتی می‌گوییم «یادگیری»، منظورمان چیست؟

و وقتی می‌گوییم یک موجود چیزی را «می‌فهمد»، از کجا مطمئنیم؟

شاید بعد از چند سال درس خواندن در رشته هوش مصنوعی و رباتیک، هنوز نتوانم در یک جمله بگویم هوش مصنوعی چیست.

اما حالا یک چیز را بهتر می‌دانم:

گاهی ارزشمندترین چیزی که از یک رشته یاد می‌گیری، فقط پاسخ سؤال‌هایش نیست؛ سؤال‌های جدیدی است که باعث می‌شود از خودت بپرسی.

هوش مصنوعیهوش
۳
۰
فرزانه کوئینی
فرزانه کوئینی
فرزانه کوئینی نویسنده و پژوهشگر هوش مصنوعی
شاید از این پست‌ها خوشتان بیاید