در کنار توسعه هوش مصنوعی، باید به فکر نهادینه کردن آن در زندگی مردم باشیم

حضرت آیت‌الله خامنه‌ای در طول سالهای اخیر در چندین نوبت به مسئولان کشور، توجه ویژه به مسأله «هوش مصنوعی» را یادآور شده‌اند. ایشان با اشاره به شتاب بی‌سابقه پیشرفت‌های فناوری در حوزه هوش مصنوعی، تأکید دارند که این فناوری در اداره آینده جهان نقشی تعیین‌کننده خواهد داشت. ایشان معتقدند که «هوش مصنوعی با شتابی حیرت‌انگیز در حال پیشرفت است، به‌گونه‌ای که انسان از سرعت این فناوری متحیر می‌شود. از این رو، یکی از مسائل اساسی که باید مورد تأمل، تکیه و تعمیق قرار گیرد، هوش مصنوعی است.» ۱۴۰۳/۰۶/۰۶

رهبر انقلاب اسلامی با هشدار درباره خطرات بهره‌بردار بودن صرف از این فناوری، بر ضرورت تسلط بر لایه‌های عمیق و متنوع هوش مصنوعی تأکید میکنند و میگویند:  
«بهره‌بردار بودن در مسئله هوش مصنوعی امتیاز محسوب نمی‌شود. این فناوری لایه‌های عمیق و متنوعی دارد که در اختیار دیگران است. اگر نتوانیم بر این لایه‌ها مسلط شویم، در آینده ممکن است ساختارهایی مشابه آژانس‌های بین‌المللی ایجاد شود که برای استفاده از بخش‌های مختلف هوش مصنوعی، اجازه یا محدودیت اعمال کنند. قدرت‌طلبان و فرصت‌طلبان دنیا به دنبال چنین اقداماتی هستند.» ۱۴۰۳/۰۶/۰۶

حضرت آیت‌الله خامنه‌ای تأکید میکنند که کشور باید حداقل در میان ده کشور برتر جهان در حوزه هوش مصنوعی قرار گیرد و به دولت چهاردهم توصیه کرده‌اند که «در زمان دولت سیزدهم، سازمانی به نام "سازمان ملی هوش مصنوعی" زیر نظر رئیس‌جمهور تشکیل شد. اگر این سازمان همچنان با نظارت مستقیم رئیس‌جمهور به فعالیت خود ادامه دهد، امیدواری زیادی برای دستیابی به اهداف متصور در این حوزه وجود خواهد داشت.»
 
رهبر انقلاب از مسئولان خواسته‌اند تا با برنامه‌ریزی دقیق، فناوری هوش مصنوعی را به‌عنوان یکی از ارکان اصلی پیشرفت کشور در اولویت قرار دهند و زمینه‌های رشد آن را در همه سطوح فراهم کنند.

یکی از مولفه‌های مهم در شناخت کامل و دقیق هر پدیده نوظهور در جامعه، توجه به ریشه‌ها و مبانی بنیادین شکل‌گیری آن است. این رویکرد به مخاطب کمک می‌کند تا با درک عمیق‌تر و مؤثرتر با آن پدیده مواجه و واکنش مناسب‌تری از خود نشان دهد. هوش مصنوعی نیز به عنوان یکی از این ابزارهای مدرن، از این قاعده مستثنی نیست. آشنایی با تاریخچه و روند ورود این فناوری در جامعه، ابزار ارزشمندی برای مواجهه هوشمندانه با پیامدها و کاربردهای آن محسوب می‌شود.
به همین مناسبت رسانهKHAMENEI.IR  در گفتگو با دکتر سعید قاضی مغربی، عضو هیئت علمی دانشگاه آزاد اسلامی، تاریخچه شکل‌گیری این پدیده را مورد بررسی قرار داده است.
 
هوش مصنوعی چگونه به عنوان یک فناوری در تحول دیجیتال تعریف می‌شود و چه مسیری را در طول تاریخ پیموده است؟
تحول دیجیتال در واقع شامل دو فرآیند اصلی است: یکی دیجیتالی شدن موضوعات و دیگری گسترش اینترنت. این دو فرآیند، به‌طور همزمان منجر به شکل‌گیری چهار فناوری اصلی شده‌اند: داده‌های کلان (Big Data)، محاسبات ابری (Cloud Computing)، اینترنت اشیا (IoT) و هوش مصنوعی (AI).
 
اگر در این جلسه بخواهیم به بررسی هوش مصنوعی بپردازیم، باید اشاره کنیم که هوش مصنوعی در طول تاریخ خود دستخوش فراز و نشیب‌های بسیاری بوده است. در برخی از مقاطع زمانی شاهد پیشرفت‌های چشمگیر آن بوده‌ایم و در برخی دیگر، این حوزه با رکود مواجه شده است. نخستین بارقه‌های جدی در زمینه هوش مصنوعی در دهه ۱۹۵۰ در سطح جهانی مطرح شد، و آزمایش تورینگ به‌عنوان معیاری برای سنجش توانایی‌های هوش ماشین‌ها معرفی گردید. هدف اصلی این بود که کامپیوتری ساخته شود که قادر به اتخاذ تصمیمات مشابه انسان باشد و در این راستا، کامپیوترهای مختلف از طریق این آزمایش ارزیابی می‌شدند تا مشخص شود که آیا آن‌ها قادر به جایگزینی انسان هستند یا خیر.

بحث اصلی بر سر این بود که ماشینی ساخته شود که همانند انسان، دارای هوش باشد. اما هوش انسان به‌عنوان یک ویژگی مستقل وجود ندارد؛ بلکه هوش انسان بر پایه مفاهیم، دانش و تجربیات گذشته شکل می‌گیرد. دانش، از اهمیت ویژه‌ای برخوردار است؛ زیرا اگر فردی از دانش کافی برخوردار نباشد، به‌طور طبیعی نمی‌تواند از هوش خود بهره‌برداری کند. داده‌های پیشین نیز نقش مهمی ایفا می‌کنند و باید در دسترس باشند. به‌عنوان مثال، اگر فردی از نظر ذهنی هوشمند باشد اما هیچ‌گونه اطلاعاتی در دست نداشته باشد و در یک صحرای خشک و بی‌آب و علف قرار بگیرد، قادر به انجام هیچ‌گونه کاری نخواهد بود. بنابراین، داده‌ها و اطلاعات پایه‌، از ارکان اساسی هوش به شمار می‌روند.

در گام بعدی، نیازمند الگوریتم‌هایی هستیم که بتوانند به‌طور مؤثر تصمیم‌گیری کنند. به‌عنوان مثال، فرض کنید که قصد دارید از یک خودرو سبقت بگیرید. ماشین مقابل با سرعت معینی در حال حرکت است و شما باید با سرعت بیشتری حرکت کنید تا بتوانید از آن سبقت بگیرید. اگر متوجه شوید که خودرویی از روبرو در حال حرکت است، تصمیم خواهید گرفت که یا از ماشین مورد نظر سبقت بگیرید یا به پشت آن برگردید. در برخی موارد، ممکن است تصمیم بگیرید که همپای خودرویی که می‌خواهید از آن سبقت بگیرید حرکت کنید، اما در لحظه‌ای کوتاه تصمیم خود را تغییر دهید و به پشت آن بازگردید. این تصمیمات، بر مبنای داده‌های گذشته و حال استوار هستند. مغز انسان، در شرایطی که حتی ممکن است تنها چند ثانیه طول بکشد، تمامی این تصمیم‌گیری‌ها را به‌طور همزمان پردازش و اجرا می‌کند.

و حالا بشر تصمیم گرفته بود تا این قدرت تصمیم‌گیری را به کامپیوتر منتقل کند.
بله در ابتدای کار، کامپیوترها بر اساس یک منطق ثابت عمل می‌کردند. به‌عنوان مثال، اگر تعدادی عدد به کامپیوتر داده می‌شد، می‌توانست آن‌ها را مرتب کند. این عمل، نوعی طبقه‌بندی بود که بر اساس یک منطق از پیش تعیین‌شده انجام می‌شد.

سیستم‌ها در آن زمان به این شکل بودند و زمانی که از کامپیوترها می‌خواستیم کاری انجام دهند، انتظار داشتیم که هوشمندی سیستم مبتنی بر یک منطق خاص باشد. به‌عنوان نمونه، در حوزه کشاورزی، از کامپیوتر برای طراحی یک سیستم آبیاری هوشمند استفاده کردیم. برای این کار، ابتدا لوله‌کشی‌های لازم را در مزرعه انجام دادیم، شیرهای آب را نصب کردیم و سپس این سیستم را به یک مخزن و پمپ متصل کردیم. برنامه‌ای تنظیم کردیم تا سیستم هر روز ساعت هشت صبح به مدت نیم ساعت آب‌پاشی کند و بعد از ظهر، بین ساعت چهار تا پنج یک ساعت دیگر آبیاری انجام دهد.

این سیستم هوشمند، طبق الگوریتمی که به آن داده شده بود، هیچ‌گونه خطایی نداشت و دقیقاً طبق برنامه‌ریزی انجام می‌داد. اما این سیستم قادر به تطبیق با شرایط روزمره نبود. به‌عنوان مثال، اگر شب گذشته باران می‌بارید و زمین خیس شده بود، این سیستم همچنان طبق برنامه به آبیاری می‌پرداخت و تصمیم نمی‌گرفت که به دلیل بارندگی نیازی به آبیاری مجدد نیست. برای اینکه سیستم بتواند تصمیمات بهتری بگیرد، لازم بود داده‌هایی نظیر رطوبت خاک در نقاط مختلف مزرعه را جمع‌آوری کند. همچنین، در صورتی که میزان آب مخزن کاهش می‌یافت یا فشار آب کافی نبود، سیستم باید قادر می‌بود زمان آبیاری را بر اساس این داده‌ها تغییر دهد.

در آغاز، کامپیوترها ادعاهای بزرگی در این زمینه داشتند. صنایع مختلف و بازارهای مالی به این حوزه ورود پیدا کردند و شروع به سرمایه‌گذاری در آن کردند. اما در دهه‌های ۶۰ و ۷۰، هوش مصنوعی وارد دوره‌ای از رکود شدید شد و هیچ‌گونه پشتیبانی جدی از آن به عمل نیامد.

در واقع این اولین مقطع زمانی بود که هوش مصنوعی به نوعی با شکست روبه‌رو شد.
بله در دهه‌های ۶۰ و ۷۰ میلادی، هوش مصنوعی وارد یک دوره رکود و خاموشی شد. در آن زمان، دانشمندان ادعاهایی را مطرح کرده بودند، اما نتایج ملموسی از آن‌ها به دست نیامده بود. سرمایه‌گذاران نیز که به این ادعاها امیدوار شده بودند، به این حوزه وارد شدند و تصور می‌کردند که می‌تواند در صنایع مختلف و بازارهای مالی رشد کند؛ بنابراین، شروع به سرمایه‌گذاری کردند. با این حال، این سرمایه‌گذاری‌ها به نتایج قابل‌توجهی نرسید و عملاً هوش مصنوعی وارد دوره‌ای از رکود شد. در این دوران، توجه عموم به این فناوری کاهش یافت و برخی از افرادی که به این حوزه وارد شده بودند، حتی مورد تمسخر قرار گرفتند و تلاش‌هایشان چندان مورد پذیرش قرار نگرفت.

این وضعیت ادامه یافت تا دهه‌های ۷۰ و ۸۰ میلادی که در این دوران، بحث سیستم‌های اکسپرت یا خبره مطرح شد. ایده اصلی در این دوره این بود که مجموعه‌ای از قوانین متمرکز ایجاد کنیم و سپس ماشین‌ها را به یادگیری این قوانین آموزش دهیم. هدف این بود که یادگیری‌ها به‌روز شود تا دیگران نیز بتوانند از آن بهره‌برداری کنند.

برای مثال، تصور کنید که یک متخصص قلب با تجربه داریم که جراحی‌های پیچیده قلب را انجام می‌دهد و در سطح جهانی شناخته شده است. سایر پزشکان می‌خواهند از تخصص او بهره‌مند شوند. در این سیستم، متخصص مذکور مجموعه‌ای از فیلم‌های آموزشی تهیه می‌کند که در آن‌ها به‌طور دقیق توضیح می‌دهد که در طول عمل جراحی چه اقداماتی باید انجام شود. به‌عنوان مثال، او ممکن است بگوید: «ابتدا این کار را انجام دهید، سپس این عمل را انجام دهید، و به این ترتیب عمل را پیش ببرید.»

این فیلم‌ها و داده‌ها در اختیار سایر پزشکان قرار می‌گیرد، حتی اگر آن‌ها در کشورهای مختلف باشند. چنین سیستمی به پزشکان این امکان را می‌دهد که از تخصص و نکات کلیدی متخصص قلب بهره‌برداری کنند.
علاوه بر این، در صورتی که این متخصص قلب روش جدیدی را در عمل‌های خود به کار گیرد و به نکته‌ای جدید دست یابد، لازم است که سیستم به‌روزرسانی شود. در این صورت، یک بسته به‌روزرسانی به سیستم افزوده می‌شود که تغییرات جدید را در اختیار دیگران قرار می‌دهد و مشخص می‌کند که در مواجهه با شرایط خاص در حین عمل، پزشکان چه اقداماتی باید انجام دهند.

این تحولات در دهه‌های ۷۰ و ۸۰ میلادی در بخش‌های مختلف صنعت، بازارهای مالی، بانکداری، تجارت و پزشکی موجب ایجاد تغییرات اساسی شد.

و فناوری یک گام رو به جلو برداشت.
بله، ما یک گام جلوتر رفتیم، اما هنوز خواسته‌های بشر به‌طور کامل عملیاتی نشده بود. به‌عنوان یک جراح، هنگامی که با یک کیس جدید مواجه می‌شدم که در شرایط قبلی مشابه آن وجود نداشت، نمی‌دانستم باید چه اقدامی انجام دهم. این مشکل برای همه جراحان ممکن است پیش آید و نمی‌توان انتظار داشت که هر آنچه یک استاد با تجربه گفته، در هر موقعیت جدید به‌طور دقیق قابل استفاده باشد. به هر دلیلی، بیمار جدیدی با شرایط فیزیولوژیکی متفاوت، نیازمند پاسخ متفاوتی است.
مشکل اصلی این بود که هزینه اولیه برای به‌کارگیری یک متخصص معروف بسیار بالا بود. همچنین، به‌روزرسانی مداوم این سیستم‌ها چالش دیگری بود. اگر شما به‌عنوان متولی اقتصادی این موضوع باشید و بخواهید این اطلاعات را در اختیار پزشکان قرار دهید، باید هزینه‌ای دریافت کنید. اگر الگویی که ارائه می‌دهید، مربوط به پنج سال پیش باشد، هیچ‌کس تمایلی به پرداخت هزینه نخواهد داشت. اما اگر اعلام کنید که این الگو، آخرین یافته‌ها را از یک ماه پیش شامل می‌شود، افراد تمایل خواهند داشت که هزینه بپردازند.

در واقع، در سیستم‌های امروزی دنیا، به هر موضوعی از منظر اقتصادی نگاه می‌شود و نمی‌توان از این دیدگاه عبور کرد. بنابراین، زمانی که به مسائل نگریسته شد، متوجه شدند که خواسته‌ها برآورده نمی‌شود. یکی از مشکلاتی که مانع از تحقق کامل هوش مصنوعی شد، عدم وجود ابزارهای ریاضی مناسب بود. هوش انسان بر پایه الگوریتم‌های پیچیده است و ما نمی‌توانستیم با چند الگوریتم ساده، مسائل پیچیده را حل کنیم.

به‌عنوان مثال، وقتی که می‌خواهید از یک چهارراه در تهران عبور کنید، هر چهارراه با چهارراه دیگر تفاوت دارد. شرایط صبح، بعد از ظهر و شب نیز متفاوت است. آیا می‌توان یک الگوریتم ثابت برای عبور از هر چهارراه در طول سال طراحی کرد؟ قطعاً نه. شما شرایط را می‌بینید، خودروها و افراد را مشاهده می‌کنید و بر اساس وضعیت موجود، تصمیم می‌گیرید. اما سیستم‌های خبره قادر به انجام چنین کارهایی نبودند.

وضعیت مشابهی در سیستم‌های مالی نیز وجود داشت و این چالش‌ها مانع پیشرفت قابل‌توجه در این حوزه‌ها شد.

بگذارید یک مثال دیگر بزنم. هنگامی که قرار است یک سیستم مالی در یک بانک برای شناسایی کلاهبرداری با استفاده از کارت‌های اعتباری طراحی شود، آیا الگوریتم‌های مربوط به کلاهبرداری دیروز و امروز مشابه هستند؟ قطعاً نه. اگر من بخواهم به یک سیستم مالی آموزش دهم که کدام روش‌های کلاهبرداری از کارت‌های اعتباری وجود دارد، باید بگویم که این الگوریتم‌ها مربوط به یک سال پیش است. این اطلاعات یک سال پیش به‌طور عمومی در دسترس است و اگر به‌روزرسانی نشود، دیگر ارزش پرداخت نخواهد داشت. این مسئله در سایر حوزه‌ها نیز صدق می‌کند.

بنابراین، این سیستم‌ها باید به‌طور مداوم به‌روزرسانی شوند و فرآیند به‌روزرسانی آن‌ها هزینه‌بر است. این هزینه‌ها باعث ایجاد چالش‌هایی می‌شوند.

در نهایت، سیستم‌های اکسپرت پیشرفت خوبی داشتند و یک گام ما را جلو بردند، اما آنچه که ادعا می‌کردند، بسیار پیشرفته‌تر از آن چیزی بود که در عمل به آن دست یافته بودند. این خوب است که بشر تشنه پیشرفت باشد و برای رفع این تشنگی تلاش کند، اما بزرگ‌نمایی می‌تواند به عقب‌نشینی نیز منتهی شود. حالت خوف و رجا می‌تواند مفید باشد؛ هم امید به آینده وجود دارد و هم نگرانی‌هایی که باید در نظر گرفته شوند.

یکی از معضلاتی که به نظر میرسد نوع بشر با سیستم‌های هوشمند دارد، از دست رفتن برخی مشاغل است. ایا این موضوع قرار است منتهی به پدید آمدن برخی مشکلات اجتماعی در جوامع گوناگون شود؟
این موضوع در همه حوزه‌ها قابل مشاهده است. به‌عنوان مثال، در زمینه‌هایی مانند اتومبیل، موبایل و تلویزیون، بسیاری بر این باور بودند که تلویزیون باعث خواهد شد که سینما و تئاتر از میان بروند، اما در عمل، هر یک از این وسایل جایگاه خاص خود را پیدا کردند.

در حوزه هتل‌داری نیز، شرکت‌هایی به‌وجود آمدند که به شما می‌گویند: «می‌خواهید به مسافرت بروید؟ مشکلی نیست! من به شما می‌گویم که در فلان روستا یا خانه چه امکاناتی در دسترس است.» این امر باعث نمی‌شود که رونق هتل‌داری آسیب ببیند، زیرا هر کدام از این گزینه‌ها ویژگی‌های خاص خود را دارند. ممکن است من بخواهم در یک مکان آرام و دور از هیاهوی شهر اقامت داشته باشم، یا ترجیح دهم در یک هتل در مرکز شهر برای خرید و گردش بمانم.

موضوع دیگری که مطرح می‌شود این است که برخی مشاغل به‌طور کامل از بین می‌روند و همه افراد نمی‌توانند خود را با فناوری‌های جدید تطبیق دهند. این چالش‌ها نیازمند توجه و مدیریت صحیح هستند تا بتوانیم از فناوری‌ها به بهترین نحو بهره‌برداری کنیم.

یادم است در اوایل انقلاب، در کشور ما تلویزیون‌ها و رادیوهای لامپی زیادی وجود داشت. ناگهان فناوری الکترونیک از لامپ به ترانزیستور تغییر کرد. آن زمان، شما تلویزیون‌های پرتابل بزرگی می‌خریدید که پشت آن‌ها پر از لامپ‌های بزرگ بود. این لامپ‌ها مصرف برق زیادی داشتند و ولتاژ بالایی تولید می‌کردند، که می‌توانست خطر برق‌گرفتگی ایجاد کند. مهندسان برای تعمیر این تلویزیون‌ها، لامپ خراب را خارج کرده و یک لامپ جدید جایگزین می‌کردند تا مشکل برطرف شود.

با گذشت زمان، فناوری به سمت ترانزیستور پیش رفت. برد تلویزیون‌ها کوچک‌تر شد و لامپ‌ها به‌طور لحیم شده در داخل تلویزیون قرار گرفتند، به‌طوری‌که دیگر نمی‌توانستید آن‌ها را به‌راحتی تعویض کنید. این تغییر باعث شد که برخی مهندسان که تخصصشان در لامپ‌ها بود، نتوانند خود را با فناوری جدید تطبیق دهند و در نهایت از بازار خارج شدند. این نوع تغییرات برای بسیاری از مشاغل ممکن است رخ دهد.

در حقیقت، در هر مرحله از انتقال فناوری از یک مرحله به مرحله‌ی دیگر، افرادی که تنها بر مبنای تجربه خود عمل می‌کردند و دانش فنی لازم را نداشتند، ممکن است عقب بمانند. این افراد به مخالفان فناوری تبدیل می‌شوند. در حوزه هوش مصنوعی نیز، بسیاری از کسانی که از سیستم‌های خبره و هوشمند کسب درآمد می‌کردند، به محض ظهور فناوری‌های جدید، به مخالفان آن تبدیل شدند. این افراد معمولاً صاحبان سرمایه بودند و اگر می‌توانستند خود را با فناوری‌های جدید تطبیق دهند، برنده می‌شدند، اما در غیر این صورت از عرصه خارج می‌شدند.

برای مثال، شرکت کداک که زمانی پیشرو در صنعت عکاسی بود، امروزه دیگر خبری از آن نیست. برندهایی مانند سونی اریکسون و نوکیا نیز به همین سرنوشت دچار شدند. اما برندهایی مانند آمازون و نت‌فلیکس به موفقیت رسیدند زیرا خود را با فناوری‌های جدید هوش مصنوعی تطبیق داده و بر روی آن سرمایه‌گذاری کردند.

ما در زمینه‌های نظری پیشرفت‌های قابل ملاحظه‌ای داشته ایم. بفرمایید که برای عملیاتی کردن این یافته‌ها چه مسائلی پیش‌رو داریم؟
یکی از مشکلات اصلی، فناوری و تجهیزات مورد نیاز برای تحقق این امر است. اکنون که از نظر ریاضی و منطقی توانسته‌ایم پیشرفت‌هایی داشته باشیم، باید بررسی کنیم که چگونه می‌توانیم این پیشرفت‌ها را عملیاتی کنیم.

برخی از کارها برای انسان‌ها آسان است، اما برای ماشین‌ها یا کامپیوترها پیچیده‌تر و دشوارتر به نظر می‌رسد. به‌عنوان مثال، صحبت کردن. ما به راحتی صحبت می‌کنیم، اما کامپیوترها بیست یا سی سال پیش قادر به انجام این کار نبودند. نوشتن نیز همین‌طور است؛ ما به سادگی آنچه را که در ذهن داریم می‌نویسیم. تعاملات انسانی نیز برای انسان‌ها کاملاً طبیعی است. به‌عنوان مثال، اگر به یک کودک عکسی از یک گربه نشان دهید و از او بپرسید که این چیست، او به راحتی پاسخ می‌دهد: «این گربه است»، حتی اگر آن مدل گربه را قبلاً ندیده باشد. او از تجربیات پیشین خود برای استنباط استفاده می‌کند.
 
اما کامپیوترها نمی‌توانند به این سادگی استنباط کنند. اگر به یک کامپیوتر بگویید که این تصویر یک گربه است، باید به آن آموزش دهید که این هم گربه است و آن هم گربه است. باید به او ده‌ها گربه نشان دهید تا بتواند تشخیص دهد. اگر گربه‌ای را نشان دهید که مطابق با مدل‌های قبلی نباشد، کامپیوتر قادر به شناسایی آن نخواهد بود.

بنابراین، یکی از مسائل اساسی در هوش مصنوعی، یادگیری است. به همین دلیل، مفهوم «یادگیری ماشین» (Machine Learning) مطرح می‌شود. یادگیری ماشین به این معناست که شما مجموعه‌ای از داده‌ها را به سیستم وارد می‌کنید و سیستم از این داده‌ها ویژگی‌هایی استخراج می‌کند. به‌عنوان مثال، گربه را توصیف می‌کند: حیوانی چهارپا با دم و سر. این ویژگی‌ها باید استخراج شوند، همان‌طور که مغز انسان این کار را انجام می‌دهد.

زمانی که ویژگی‌ها استخراج شدند، اگر گربه‌ای دیگر به سیستم نشان دهید، سیستم ویژگی‌های جدید را با ویژگی‌های قبلی مقایسه می‌کند. اگر نود درصد از ویژگی‌ها را شبیه به مدل قبلی داشته باشد و دو درصد متفاوت باشد، آن دو ویژگی جدید را به مجموعه ویژگی‌های قبلی اضافه می‌کند. به همین دلیل است که الگوریتم‌های هوش مصنوعی امروز می‌توانند به سوالات پاسخ دهند و فردا نیز پاسخ‌های جدیدی ارائه کنند، زیرا در این مدت چیزهای جدیدی آموخته‌اند.

در حقیقت، همان‌طور که من به‌عنوان انسان در تعامل با جامعه، هر روز چیزهای جدیدی یاد می‌گیرم، تصمیماتی که امروز می‌گیرم با تصمیماتی که دیروز گرفتم متفاوت است، چرا که در این فاصله زمانی تجربیات جدیدی به دست آورده‌ام.

یعنی هوش مصنوعی دائماً در حال بروزرسانی خود است؟                
بله، دقیقاً همین‌طور است. سیستم‌هایی مثل چت جی‌بی‌تی به‌طور مداوم با تعاملات جدید و داده‌های ورودی از کاربران مختلف به‌روزرسانی می‌شوند. این یادگیری مداوم باعث می‌شود که پاسخ‌ها همیشه تغییر کنند و بهبود یابند. به عبارت دیگر، سیستم بر اساس اطلاعات و تجربیات جدیدی که از تعاملات قبلی کسب کرده، می‌تواند پاسخ‌های به‌روزتری ارائه دهد.

در مورد ویکی‌پدیا هم همین‌طور است. ویکی‌پدیا یک دانشنامه‌ی آزاد است که به‌طور مستمر توسط کاربران به‌روز می‌شود. هر فردی می‌تواند اطلاعات جدیدی را اضافه کند و این اطلاعات به‌سرعت در سیستم قرار می‌گیرد. این فرایند باعث می‌شود که ویکی‌پدیا همیشه به‌روز باشد و به سرعت تغییرات جدید را منعکس کند. این در حالی است که در سیستم‌های قدیمی مثل فرهنگ‌نامه‌ی دهخدا، اضافه کردن یک کلمه یا تغییرات جدید مستلزم بروزرسانی‌های بزرگ و زمان‌بر بود که اغلب سال‌ها طول می‌کشید.
 
اما در سیستم‌های هوش مصنوعی، فرآیند به‌روزرسانی به گونه‌ای دیگر عمل می‌کند. در این سیستم‌ها، با استفاده از الگوریتم‌ها، دانش قبلی و اطلاعات فعلی ترکیب شده و تصمیم‌های جدید گرفته می‌شود. به‌عنوان مثال، در مورد سبقت گرفتن که عرض کردم، سیستم هوش مصنوعی تجربه‌ی قبلی را به‌عنوان ورودی برای تصمیم‌گیری‌های آینده استفاده می‌کند. اگر در آینده دوباره وارد شرایط مشابه شوید، سیستم بر اساس دانش جدیدی که از تجربه‌ی قبلی به دست آورده، می‌تواند به گونه‌ای متفاوت عمل کند.

یکی دیگر از ویژگی‌های جالب این سیستم‌ها این است که اطلاعات از زبان‌ها و فرهنگ‌های مختلف به هم متصل می‌شود. فرض کنید شما سؤالی به زبان فارسی می‌پرسید، شخصی دیگر همان سؤال را به انگلیسی می‌پرسد و فردی دیگر به ژاپنی. این تعاملات مختلف به‌طور همزمان در سیستم ذخیره می‌شود و باعث می‌شود که دانش و تصمیم‌گیری‌ها به‌طور مداوم و بهینه‌تر پیشرفت کند.

به‌طور کلی، این سیستم‌ها به دلیل استفاده از داده‌های مداوم و به‌روز، می‌توانند همواره بهینه و دقیق‌تر عمل کنند و پاسخ‌ها و پیش‌بینی‌های خود را به‌طور مداوم بهبود دهند.

یادگیری ماشین چگونه به سیستم‌ها کمک می‌کند تا داده‌ها را طبقه‌بندی و برچسب‌گذاری کنند؟ به عنوان مثال، در جداسازی انواع ماشین‌ها در یک خیابان، چه اطلاعاتی برای این فرآیند نیاز است و چگونه می‌توان درصد هر نوع ماشین را محاسبه کرد؟
ببینید سیستم‌های مبتنی بر هوش مصنوعی و یادگیری ماشین برای انجام وظایف پیچیده نیاز به داده‌های گسترده دارند. یکی از مهم‌ترین مراحل در این فرآیند، طبقه‌بندی داده‌ها و حذف داده‌های نامربوط است. این کار به متخصصان داده (Data Scientists) و تحلیلگران داده (Data Analysts) سپرده می‌شود تا داده‌های ورودی را به گونه‌ای سازمان‌دهی کنند که سیستم بتواند از آن‌ها بهره‌برداری کند.

پس از این که داده‌ها دسته‌بندی و تمیز شدند، نوبت به استخراج ویژگی‌ها می‌رسد. به طور مثال، اگر بخواهیم ماشین‌ها را دسته‌بندی کنیم، ویژگی‌هایی مانند نوع خودرو (سواری، ون، کامیون)، مدل، اندازه، رنگ، نوع موتور و دیگر مشخصات می‌توانند به عنوان ویژگی‌ها استخراج شوند. این ویژگی‌ها به سیستم کمک می‌کنند تا تفاوت‌ها و شباهت‌ها را تشخیص دهد و از آن‌ها برای پیش‌بینی و تصمیم‌گیری استفاده کند.

اما مسأله‌ی دیگری که در اینجا مطرح می‌شود، تغییرات روزافزون در فناوری‌ها و داده‌ها است. مثلاً همانطور که اشاره کردید، ممکن است تغییراتی در طراحی ماشین‌ها به وجود آید که نیازمند به‌روزرسانی مداوم ویژگی‌ها و الگوریتم‌ها باشد. دیلایت‌ها، دوربین‌های جدید، سیستم‌های خودران و دیگر فناوری‌های نوین به‌طور مداوم در حال تغییر هستند، و سیستم‌های هوش مصنوعی باید قادر باشند این تغییرات را شناسایی کرده و مطابق با آن‌ها به روز شوند.

سیستم‌های مسیریابی مبتنی بر هوش مصنوعی نیز به همین روش عمل می‌کنند. آن‌ها از داده‌های جمع‌آوری‌شده توسط کاربران و خودروهای مختلف برای تخمین وضعیت مسیرها و تراکم ترافیک استفاده می‌کنند. این سیستم‌ها می‌توانند داده‌ها را به‌طور مداوم جمع‌آوری کنند و از این اطلاعات برای ارائه پیشنهادات بهینه استفاده نمایند. مثلاً زمانی که تعداد زیادی از خودروها از یک خیابان خاص عبور کنند و سرعت آن‌ها کاهش یابد، سیستم متوجه می‌شود که آن مسیر شلوغ است و می‌تواند به کاربران پیشنهاد مسیرهای دیگر را بدهد.

در واقع، این نوع سیستم‌ها به شدت وابسته به یادگیری ماشین و شبکه‌های عصبی هستند، زیرا قادرند با تحلیل داده‌های ورودی و یادگیری از آن‌ها، به‌طور مداوم بهینه‌سازی شوند و عملکرد خود را در زمان واقعی ارتقا دهند.

بنابراین، هوش مصنوعی و یادگیری ماشین نه تنها می‌توانند از داده‌های گذشته استفاده کنند، بلکه می‌توانند به‌طور مداوم اطلاعات جدید را دریافت کنند و الگوریتم‌های خود را برای تطبیق با شرایط جدید به‌روز کنند. این باعث می‌شود که این سیستم‌ها به‌طور پایدار و بهینه عمل کنند و با چالش‌های جدید به خوبی مواجه شوند.

به غیر از یادگیری ماشین به عنوان یکی از پایه‌های هوش مصنوعی، این فناوری دیگر بر چه پایه‌هایی استوار است؟
شبکه‌های عصبی مصنوعی در هوش مصنوعی بر اساس ساختار عصب‌ها در مغز انسان طراحی شده‌اند. در مغز انسان، عصب‌ها از نقاط مختلف بدن سیگنال‌هایی به نورون‌ها (سلول‌های عصبی) منتقل می‌کنند، و مغز بر اساس این سیگنال‌ها فرمان‌هایی صادر می‌کند. به عنوان مثال، اگر انگشت شما به جسم داغی برخورد کند، سیگنال‌هایی از این دما به مغز منتقل می‌شود و فرمانی صادر می‌کند تا دست خود را بردارید. این واکنش سریع ناشی از سیگنال‌های ورودی است که مغز پردازش می‌کند.

در شبکه‌های عصبی، این فرآیند مشابه است. لایه‌های مختلف در شبکه‌های عصبی اطلاعات را از ورودی به خروجی منتقل می‌کنند. مثلاً وقتی که سیگنالی به لایه‌های پنهان شبکه عصبی وارد می‌شود، این سیگنال‌ها در لایه‌های مختلف پردازش شده و در نهایت تصمیمی گرفته می‌شود، مانند فرمانِ برداشتن دست از روی جسم داغ.

آستانه‌ی حساسیت نیز در اینجا نقش دارد. همان‌طور که ممکن است حساسیت شما نسبت به دمای اجسام مختلف متفاوت باشد، شبکه‌های عصبی نیز ممکن است به داده‌های ورودی با حساسیت‌های مختلف واکنش نشان دهند. در این سیستم‌ها، داده‌های آموزشی که در طی زمان دریافت می‌شوند، تأثیر زیادی در تصمیم‌گیری نهایی دارند. برای مثال، اگر شما با سیگنال‌های ورودی مختلف روبه‌رو باشید، رفتار و واکنش‌های شبکه عصبی تغییر خواهد کرد.

به همین ترتیب، شبکه‌های عصبی در یادگیری ماشین به‌طور خاص برای وظایف مختلف آموزش می‌بینند. مثلاً یک ماشین خودران به‌طور متفاوت از یک سیستم تقلید صدا آموزش می‌بیند، زیرا نیاز به تصمیم‌گیری‌های متفاوتی دارد. در یک سیستم خودران، شبکه‌های عصبی باید شرایط مختلف جاده‌ای، موانع، و سایر عوامل محیطی را شبیه‌سازی و پردازش کنند.

یک مثال دیگر در این زمینه نرم‌افزارهای شطرنج است. اگر شما به‌عنوان یک بازیکن مبتدی با نرم‌افزار شطرنج بازی کنید، نرم‌افزار تشخیص می‌دهد که شما حرکات ابتدایی انجام می‌دهید و سطح بازی خود را برای شما تنظیم می‌کند. اما اگر یک بازیکن حرفه‌ای با نرم‌افزار بازی کند، نرم‌افزار خود را به سطح حرفه‌ای‌تر تنظیم می‌کند تا چالش بیشتری برای بازیکن ایجاد کند. این رفتارها نمایانگر یادگیری شبکه عصبی است که می‌تواند تصمیمات خود را بر اساس داده‌های ورودی و تجارب قبلی تغییر دهد.

به عنوان سوال پایانی، به نظر میرسد که یکی از مشکلاتی که در این عرصه با آن مواجه هستیم تفاوت قائل نشدن بین هوشمندسازی و هوش مصنوعی است و این تفاوت قائل نشدن باعث بروز مشکلاتی در تخصیص بودجه، برنامه‌ریزی و ... شده است.
بله، تفاوت بین سیستم‌های هوشمند و هوش مصنوعی ممکن است برای بسیاری از افراد پیچیده باشد و این عدم وضوح در تعاریف، می‌تواند تأثیر زیادی بر تخصیص منابع و بودجه‌ها داشته باشد. به‌ویژه در زمینه‌هایی که کشورها به دنبال رقابت در حوزه‌های نوین فناوری مانند هوش مصنوعی هستند، این تفاوت‌ها باید به‌درستی شفاف‌سازی شوند.

چین به‌طور خاص در سال ۲۰۱۶ اعلام کرد که برای رسیدن به هدف خود مبنی بر تبدیل شدن به رهبر هوش مصنوعی دنیا تا سال ۲۰۳۰، به پنج میلیون متخصص هوش مصنوعی نیاز دارد. این نشان‌دهنده‌ی اهمیت استراتژیک این فناوری در برنامه‌ریزی‌های ملی است. در مقابل، ما باید این سوالات را مطرح کنیم که در کجا قرار داریم؟ راهبرد ما برای رقابت در این حوزه چیست؟ آیا از اقدامات و دستاوردهای کشورهای پیشرفته در زمینه‌ی هوش مصنوعی اطلاع داریم و چه تفاوت‌هایی بین ما و آن‌ها وجود دارد؟

با توجه به اهمیت هوش مصنوعی و جایگاه آن در توسعه فناوری، باید راهبرد روشنی در این زمینه تدوین کنیم. یکی از اشکالات موجود این است که کشور ما هنوز در راستای سند تحول دیجیتال گام‌های کافی برنداشته است. این در حالی است که برای تحقق اهداف بلندمدت در زمینه هوش مصنوعی، باید زیرساخت‌ها و سیستم‌های اطلاعاتی کشور به‌طور مؤثر و یکپارچه سازمان‌دهی شوند. همان‌طور که اگر داده‌ها در سرورهای دیگر کشورها ذخیره شوند، عملاً مانند این است که دسترسی به آن‌ها محدود است، در هوش مصنوعی نیز باید مدل‌ها و داده‌های خود را به‌طور مستقل در داخل کشور مدیریت و به‌روز رسانی کنیم.

یکی دیگر از چالش‌ها این است که هوش مصنوعی به‌تنهایی کافی نیست، بلکه باید سیستم‌های دیجیتال کشور، مانند اینترنت اشیاء (IoT)، به‌طور مؤثر پیاده‌سازی شوند تا داده‌های عظیمی که از طریق این دستگاه‌ها به‌دست می‌آید، به درستی طبقه‌بندی و مدیریت شوند. برای مثال، در آینده‌ای نه چندان دور، لباس‌ها و عینک‌ها می‌توانند اطلاعات شخصی را منتقل کنند و به ما هشدارهایی بدهند. اما برای بهره‌برداری از این اطلاعات، باید به یک ساختار قوی از داده‌ها و مدیریت دسترسی‌ها دست یابیم. سوال اصلی این است که چه نهادی مسئول این امر است و ما چه اقداماتی برای تحقق آن انجام داده‌ایم؟

اما از همه اینها مهم‌تر، آموزش است. اگر هوش مصنوعی را در کشور پیاده‌سازی کنیم، اما مردم نحوه استفاده از آن را ندانند، این فناوری به هیچ دردی نمی‌خورد. برای مثال، با وجود گوشی‌های هوشمند، بسیاری از افراد از تمام امکانات آن‌ها بهره‌برداری نمی‌کنند، چون آموزش کافی در این زمینه ندیده‌اند. وقتی مردم ندانند که گوشی‌های هوشمند فقط برای برقراری تماس نیستند، بلکه امکانات بسیار بیشتری دارند، از آن‌ها بهره‌برداری بهینه نمی‌شود. همین مسئله برای هوش مصنوعی نیز صادق است. باید آموزش‌های لازم را در زمینه‌ی استفاده از این فناوری به مردم بدهیم تا بتوانند از آن بهره‌مند شوند.

در نهایت، ما باید راه‌حل‌هایی برای این مسائل پیدا کنیم و در کنار توجه به توسعه فناوری، به فکر چگونگی نهادینه کردن آن در زندگی روزمره مردم باشیم تا واقعاً بتوانیم از این تکنولوژی‌ها بهره‌برداری مفید و مؤثر داشته باشیم.