rss §همچنین در روزنامه اعتماد چاپ شده بود
آیا ممکن است ما در مراحل آغازین یک سیستم
خودکاتالیزور باشیم. کاتالیزور یا آسانگر را از زمان دبیرستان به یاد داریم: مادهای که به یک مخلوط واکنشی اضافه میشود تا سرعت رسیدن آن به حالت تعادل را افزایش دهد بدون اینکه خودش دستخوش تغییر شود. در یک پله بالاتر، خودکاتالیزور وضعیتی است که در آن یکی از محصولات واکنش، کاتالیزور همان واکنش است و در نتیجه سرعت واکنش دائما در حال افزایش.
این روزها رشد علم بسیار کند شده است. دهها و صدها دانشمند تلاش میکنند تا علم را ذرهای به جلو ببرند و تحولی که مصرف کنندگان باید یک سال انتظارش را بکشند، اضافه شدن امکان ارسال و دریافت فایل به آیفون است. مدتها است که دیگر خبری از کشفهای عظیم نیست. خودرو اختراع شده، هواپیما به پرواز درآمده، انسان روی ماه قدم گذاشته، طاعون کنترل شده و این روزها خبری مثل احتمال عرضه یک آی.پد. هفت اینچی یا ساخت یک نیروگاهی اتمی جدید بعد از شصت سال که از ساخت اولین نمونه این نیروگاهها میگذرد تبدیل شده به سرتیتر داغ اخبار علمی.
اما چرا؟ شاید قبلا تمام چیزهای راحت و دم دست اختراع شدهاند. شاید هم انسان برای سرعت بخشیدن دوباره به رشد علمی نیازمند ابزاری جدید است. ما این روزها به کامپیوترهایمان افتخار می کنیم. کامپیوترهایی که سریعترین و خوشحافظهترین و حرفگوشکنترین دستیارهای بشریت هستند اما با این نقیصه بزرگ که از خودشان ابتکاری ندارند. کامپیوترها واقعا خنگند. برای سرعت بخشیدن به علم، دم دست ترین کاری که میتوانیم بکنیم هوشمند کردن کامپیوترها است. یعنی خارج کردن کامپیوترها از زمره موجودات بسیار سریع، دقیق ولی نفهم و وارد کردن آنها به پروسه واقعی تحلیل مساله و نوشتن الگوریتمهایی برای حل مشکلات جهان و نه فقط اجرای این الگوریتمها. البته اینجا هم خبرهای بدی انتظار ما را میکشند. هوش مصنوعی در شکل آکادمیک آن مدتها است که بسیار کند پیش میرود و تنها حوزه فعلی تغییر سریع در الگوریتمهای یادگیرنده و هوش مصنوعی در دو حوزه کاملا متفاوت – و اتفاقا در بعدی دیگر شدیدا مشابه – جریان دارد: جنگ واقعی و بازیهای کامپیوتری.
در مورد جنگ ترجیح میدهم حرفی نزنم اما در مورد بازیها وضع بسیار جذاب است: خاصیت خودکاتالیزوری هوش. بازیها در حال حاضر دارای بهترین هوش مصنوعیهایی هستند که در اطرافمان میتوانیم ببینیم. در بازیهای کامپیوتری، الگوریتمها واقعا در مقابل شما میجنگند، مخفی میشوند، مقاومت میکنند و گاهی واقعا شکست دادن آنها مشکلتر از شکست دادن انسانها است. این یعنی کودکان – و البته بزرگسالانی که هنوز آدم بزرگ نشده اند – در حال آموختن و پرورش استعدادهایشان در مقایسه با کامپیوترها هستند. این آدمها در بازیهایی مانند «تمدن» یا «سیم سیتی» تلاش خواهند کرد تا از هوش مصنوعی کامپیوترها جلو بزنند و با درک بهتر توسعه سیاسی یا شهرسازی، جهان بهتری در کامپیوتر خلق کنند. این بچهها با درک بهتری از جهان بزرگ خواهند شد و هوش مصنوعیهای بهتری برای بازیها خواهند نوشت که به مثابه خودشان نیازمند نسل پیشرفتهتری از بازیکنها خواهد بود. این مساله میتواند در جنبههای دیگر – از هدفگیری بهتر تا خلق گرافیک کامپیوتری چشمگیرتر – نیز اتفاق بیافتد و کل چرخه به عنوان یک سیستم خودکاتالیزور، در یک حلقه بازخوردی مثبت نه فقط سرعت که شتاب رشد علم را هم بهبود بخشد. همین حالا هم اگر به وضعیت کامپیوترها و کارتهای گرافیکی و بازیهایتان نگاه کنید، خواهید توانست مراحل اولیه این واکنش زنجیرهای را شاهد باشید.
هیجان زده نشویم! نه رشد علم اینقدر کند شده و نه یک عامل مجزا مثل بازی خواهد توانست به این راحتیها باعث شود که دنیای ما، جهان بهتری شود اما دفعه بعد که کودکی را دیدیم که به شکلی بازی میکند که برای ما غیرقابل درک است، به این فکر کنیم که شاید یک چرخه خودکاتالیزور در حال اجرا است.
کامنت مهم از سولوژن به این مطلب ژورنالیستی که چون حتما باید همراه این مقاله خونده بشه کپی می کنم اینجا
جادی جان!
نوشتهات خیلی خوب نبود و حرفهای بیسند و مدرک زیاد داشت. مثلا یعنی چه پیشرفت علم کند شده است؟ دادهای داری که چنین نشان دهد؟ چون ایفون دیر به دیر آپدیت میشود، پیشرفت علم کند شده؟ از کی تا به حال طراحیی آیفون جزو علم محسوب میشود؟ چنین کاری جزو تکنولوژی است و نه علم و اتفاقا پیشرفت تکنولوژی نیز کند نشده بلکه ما کمی بیصبر شدهایم!
در ضمن گفتهای هوش مصنوعی در شکل آکادمیک آن مدتهاست که بسیار کند پیش میرود. چنین حرفای نادرست است. سرعت پیشرفت پژوهش بر هوش مصنوعی اتفاقا روز به روز بیشتر میشود. اشتباه از اینجا پیش میآید که تصورات و قولهای اولیهای که در دههی شصت دربارهی هوش مصنوعی داده میشد محقق نشده است. و از طرف دیگر راه حل پیشنهادیی آن زمان (symbolic AI) تقریبا در دههی هشتاد به سنگ خورد. دههی هشتاد میشود بیست سی سال پیش و آدمها بیست سی سال است که در مسیرهای دیگری پژوهش میکنند. تصور اینکه چون symbolic AI به سنگ خورد، پس کلا پژوهش AI ولمعطل است نادیده گرفتن سه دهه از رشتهایست که پنجاه سال بیشتر قدمت ندارد. همچنین این بدان معنا نیست که سرعت پژوهش و پیشرفت کمتر شده، بلکه بدان معناست که مسالهی AI پیچیدهتر از آن است که در سالههای ابتدایی تصور میشد و نیاز به کار بیشتری دارد. و البته توجه کن که حل مسالهی AI یکی از بزرگترین -اگر نه بزرگترین- مسالهایست که بشر تاکنون به خود دیده است. ساخت یک موجود هوشمند با قابلیتهای انسان یا بالاتر چیزی نیست که تاکنون مشابهاش انجام شده باشد.
جادی جان!
نوشتهات خیلی خوب نبود و حرفهای بیسند و مدرک زیاد داشت. مثلا یعنی چه پیشرفت علم کند شده است؟ دادهای داری که چنین نشان دهد؟ چون ایفون دیر به دیر آپدیت میشود، پیشرفت علم کند شده؟ از کی تا به حال طراحیی آیفون جزو علم محسوب میشود؟ چنین کاری جزو تکنولوژی است و نه علم و اتفاقا پیشرفت تکنولوژی نیز کند نشده بلکه ما کمی بیصبر شدهایم!
در ضمن گفتهای هوش مصنوعی در شکل آکادمیک آن مدتهاست که بسیار کند پیش میرود. چنین حرفای نادرست است. سرعت پیشرفت پژوهش بر هوش مصنوعی اتفاقا روز به روز بیشتر میشود. اشتباه از اینجا پیش میآید که تصورات و قولهای اولیهای که در دههی شصت دربارهی هوش مصنوعی داده میشد محقق نشده است. و از طرف دیگر راه حل پیشنهادیی آن زمان (symbolic AI) تقریبا در دههی هشتاد به سنگ خورد. دههی هشتاد میشود بیست سی سال پیش و آدمها بیست سی سال است که در مسیرهای دیگری پژوهش میکنند. تصور اینکه چون symbolic AI به سنگ خورد، پس کلا پژوهش AI ولمعطل است نادیده گرفتن سه دهه از رشتهایست که پنجاه سال بیشتر قدمت ندارد. همچنین این بدان معنا نیست که سرعت پژوهش و پیشرفت کمتر شده، بلکه بدان معناست که مسالهی AI پیچیدهتر از آن است که در سالههای ابتدایی تصور میشد و نیاز به کار بیشتری دارد. و البته توجه کن که حل مسالهی AI یکی از بزرگترین -اگر نه بزرگترین- مسالهایست که بشر تاکنون به خود دیده است. ساخت یک موجود هوشمند با قابلیتهای انسان یا بالاتر چیزی نیست که تاکنون مشابهاش انجام شده باشد.
سلام
حقیقتش اینه که من (شخصا) با هر دوی شما موافقم :دی
به نظر من بر میگرده به دیدگاه:
الان که همکلاسیهام آخرین واحدهای دوره ی لیسانسشون رو میگذرونن، همه برای apply کردن، افتادن دنبال مقاله دادن و یه سری هاشون هم تونستن مقاله های accept شده توی IEEE، Springer یا … داشته باشن.
خیلی هم مقاله زیاد می خونن.
توی این پروسه، این مطلب برای من جالب بود که توی مقالات مختلف هیچ مشخصه ی گنده ای ندیدم که اون کار رو در حد “مرز دانش” بدونم؛ در حالی که IEEE ها که قاعدتا بیشتر از من می دونن، اونها رو در حد مرز دانش می دونن.
عمدتا (مخصوصا توی هوش مصنوعی) به این سمت پیش میرن که من فلان مساله رو با فلان متد جلو بردم و از اون یه سری نتیجه گرفتم. اون نتایج چه خوب و یا بد باشن، کمک به دیگران می کنن که علم رو ببرن جلو. (اگر خوب باشن، یعنی از همین راه برید جلو، اگر هم بد باشن، یعنی بقیه ی راهها رو امتحان کنین)
حالا دیدگاه من اینه که اینا در مقابل پیشرفتهای گنده ای مثل تشخیص تصویرهای دقیق (Image Recognition) هیچی نیستن، ولی حقیقت اینجاست که اون گامهای کوچیک باعث میشن تا گوگل Goggles بتونه عالی کار کنه.
به نظر من این تفاوت دیدگاه افرادی مثل جادی، یا من با دیدگاه افرادی مثل سولوژن هستش که باعث میشه ما بگیم علم سرعت پیشرفت علم کنده و اونا بگن خیلی هم تنده …
(اینا فقط نظرات شخصی من بود)