«ایلان ماسک» زندگی خود را صرف ساختن آینده مردم می‌کند. او از طریق کارآفرینی در حوزه «وب» ثروت خود را به دست آورده و به تاسیس یک شرکت انرژی خورشیدی برای تولید برق سبز، یک شرکت تولید خودروهای برقی برای رهانیدن رانندگان از شر موتورهای درون‌سوز و یک شرکت فناوری اکتشاف فضایی، به نام اسپیساکس، برای تحقق رویایش مبنی بر ایجاد کلونی انسانی در مریخ در زمان حیاتش، کمک کرده است. او از آن دسته از تکنولوژیستهاست که تصور می‌شود با خوشبینی بی حد و حصر به آینده نگاه می‌کند.
اما همه تکنولوژیهای آینده مورد تایید او نیستند. او در سخنرانی ماه اکتبر خود در موسسه تکنولوژی ماساچوست هوش مصنوعی را «احضار شیطان» توصیف کرد و ایجاد رقیب برای هوش انسانی را بزرگترین تهدیدی که جهان با آن رو به رو است، معرفی کرد. او تنها کسی نیست که چنین تفکری دارد. نیک استروم، فیلسوف دانشگاه آکسفورد که به توسعه نظریه «خطرات وجودی» کمک کرده است، خطر هوش مصنوعی پیشرفته را همچون اصابت شبهسیارههای غول پیکر به زمین و جنگ هستهای تمام عیار میداند. خطرات وجودی، خطراتی هستند که به طور کلی انسان را تهدید میکنند. لرد ریس، رئیس سابق انجمن سلطنتی بریتانیا، در کمبریج مرکزی برای مطالعه خطر وجودی تاسیس کرده است و خطر ناشی از هوش مصنوعی را جدی تلقی می‌کند.
چنین نگرانیهایی درست برعکس خوشبینیهایی است که این حوزه را احاطه کرده و موجب پیشرفت سریع آن در چند سال اخیر شده است. شرکتهایی مانند گوگل، فیسبوک، آمازون و بایدو به رقابت در حوزه هوش مصنوعی وارد شدهاند، آنها محققان را شکار میکنند، آزمایشگاه تاسیس و شرکتهای نوپا را خریداری میکنند. این شرکتهای تکنولوژی نگران این مساله نیستند که محصولاتشان از آنها پیشی بگیرند.
جریان اطلاعاتی که از کامپیوترهای متصل به اینترنت، تبلتها و گوشیهای هوشمند بیرون میآید و قدرت محاسباتی عظیمی که برای پردازش این اطلاعات لازم است، نشان میدهد الگوریتمهای این کامپیوترها بیش از پیش قادر به درک زبانها، تشخیص تصاویر و امثال آن هستند. بسیاری از کارها، وابسته به تشخیص الگوها و تفسیر نمادها هستند. اما اگر کامپیوتر جانشین افرادی شود که این کار را انجام میدهند، افراد بیشتری به صف بیکاران خواهند پیوست.
تحقیق درباره هوش مصنوعی به اندازه خود کامپیوتر قدمت دارد. اغلب مطالعات اخیر مربوط به زیرشاخهای است که «یادگیری عمیق» نامیده می‌شود. در یادگیری عمیق کامپیوترها از طریق جزء جزء کردن یک سری دادههای بزرگ، به خودشان آموزش میدهند. الگوریتم‌هایی به این شیوه ایجاد شدهاند که راهی برای پل‌زدن روی شکافهایی است که کل تحقیقات هوش مصنوعی را دچار مشکل کرده است: معمولا کارهایی که برای انسان دشوار است، برای کامپیوتر ساده است و برعکس. هنگام حل معادلات پیچیده ریاضی، سادهترین کامپیوترها از باهوشترین افراد، ماهرتر هستند. در عین حال، اکثر کامپیوترها، در گذشته، در انجام کارهایی که به نظر انسانها بسیار پیشپا افتاده است، دچار مشکل بودند. این کارها عبارتند از تشخیص چهره، بازشناسی گفتار و تشخیص اشیا در تصاویر. یادگیری ماشین روشی است که به کامپیوتر یاد میدهد برای خود قواعدی را ایجاد کند و وقتی شیئی را دید آن را بشناسد. ماشین این کار را از طریق تحلیل آماری دادههای فراوان انجام میدهد.
بسیاری از سیستمها برای بسط دادن آمار مورد نیازشان از قدیمیترین بخش تکنولوژی هوش مصنوعی، یعنی شبکه عصبی، استفاده میکنند. شبکه عصبی در دهه 1950 و با الهام از شبکه عصبی مغز اختراع شد. یاختههای عصبی فوقالعاده پیچیده هستند. حتی امروزه، شبیهسازیهای به کار رفته در هوش مصنوعی کاریکاتوری از واقعیت است. اما نتایج اولیه این شبیهسازیها نشان میدهد حتی ابتداییترین شبکهها برای انجام برخی کارها بسیار مناسب هستند. شبکههای عصبی اولیه به دهها یا صدها یاخته عصبی محدود و در یک لایه سازمان یافته بودند. اما جدیدترین آنها، که توسط شرکتهایی مانند گوگل به کار میروند، دارای میلیاردها یاخته عصبی هستند.
محققان توانستهاند با الهام گرفتن از مغز انسان، این یاختهها را در لایههای متمایز و سلسله مراتبی جای دهند. هر لایهی شبکه به سطح متفاوتی از انتزاع مرتبط است. برای مثال برای پردازش یک تصویر، پایینترین لایه، تصویر خام را پرورش میدهد. این لایه چیزهایی مانند روشنی و رنگهای هر پیکسل و چگونگی توزیع این ویژگیها در تصویر را ثبت می‌کند. لایه بعدی این مشاهدات را به مقولههای انتزاعیتر ترکیب می‌کند و کنارهها، سایهها و امثال آن را تشخیص میدهد. لایه بعدی این کنارهها و سایهها را تحلیل می‌کند، به دنبال ترکیباتی میگردد که عضوهایی مانند چشم، لب و گوش را تشکیل میدهند. و درنهایت اینها به صورت تمثالی از یک چهره ترکیب میشوند، البته نه هر چهرهای، بلکه چهره خاصی که شبکه قبلا دیده است. در سال 2012 تیمی در گوگل به رهبری دکتر «اندرو ان.جی» به یک ماشین دارای سیستم «یادگیری بینظارت» میلیونها تصویر ویدئویی یوتیوب را نشان داد. این ماشین آموخت چیزهای مشترکی که میبیند، ازجمله چهره انسان و گربه درحالتهای مختلف را دستهبندی کند.
آموزش عمیق به تصاویر محدود نمیشود. بلکه یک تکنیک الگوی تشخیص چندمنظوره است. یعنی برای هر فعالیتی که به میزان فراوانی از دادهها دسترسی داشته باشد، از اداره یک کسب و کار بیمه گرفته تا تحقیقات ژنتیکی، مفید است. ترجمه ماشینی نیز از طریق یادگیری عمیق پیشرفت خواهد کرد. بخشهای مختلف هوش مصنوعی را میتوان به یکدیگر پیوند زد و یک سیستم توانمندتر ایجاد کرد. برای مثال، در مه سال 2014 شرکت مایکروسافت در کنفرانس کالیفرنیا یک برنامه کامپیوتری به نمایش گذاشت که قادر به ترجمه همزمان بود. یکی از محققان این شرکت به انگلیسی با همکار آلمانیاش صحبت میکرد و فرد آلمانی این صحبتها را به آلمانی میشنید، به این ترتیب که یک برنامه هوش مصنوعی امواج صوتی را به عبارات انگلیسی تبدیل میکرد و یک برنامه هوش مصنوعی دیگر این عبارات را از انگلیسی به آلمانی ترجمه میکرد و برنامه دیگری آنها را به گفتار آلمانی تبدیل میکرد.
گوشیهای هوشمندتر، روباتهای رویایی و هوشمند کردن اینترنت خیلی خوب است. اما آیا این اقدامات نگرانیهای ایلان ماسک و دیگران را تصدیق می‌کند؟ آیا ممکن است توسعه کامپوترهای خود برنامهریز به این مسیر ختم شود که ماشینها از خالقانشان هوشمندتر شوند؟ در پاسخ باید گفت انجام دادن کاری براساس قوانین و قواعد با انجام دادن واقعی آن به هیچ وجه یکسان نیست. درواقع مشکل سردرگمی درباره واژه«هوش» است. هماکنون کامپیوترها کارهایی را انجام دهند که در گذشته تنها مغز انسان قادر به انجام آنها بود. یک برنامه دستهبندی تصاویر ممکن است کاملا دقیق عمل کند، اما هدف، انگیزه و حتی شناختی از خود ندارد. اسخر دیکسترا، دانشمند حوزه هوش مصنوعی، معتقد است پرسیدن این سوال که آیا کامپیوتر میتواند فکر کند مثل پرسیدن این سوال است که«آیا زیردریایی میتواند شنا کند».
در هر صورت، کامپیوتر هوشمندتر میتواند یک تکنولوژی کاملا دگرگونکننده باشد، البته نه به دلایل ارائه شده توسط ماسک یا لرد ریس. شاید روزی هوشی با ویژگیهای مغز انسان برای ماشینها خلق شود. اما درحال حاضر، بهترین توصیه این است که تهدید تسلط کامپیوترها بر جهان را نادیده بگیریم و بدانیم که آنها نمیخواهند شغل ما را بگیرند.