چرا هوش مصنوعی هرگز یک انسان نمی‌شود؟

دانشمندی برجسته در علوم رایانه معتقد است یکی از مهم‌ترین فرضیه‌های آلن تورینگ که بیش از هفت دهه مسیر پژوهش‌های هوش مصنوعی را شکل داده از ابتدا اشتباه بوده است. به باور او مهم‌ترین مولفه‌های هوش انسان از جمله شهود، تجربه زیسته، فرهنگ، احساسات و دانش ضمنی اصولا قابل برنامه‌ریزی در ماشین‌ها نیستند و به همین دلیل هوش مصنوعی هرگز به هوش عمومی انسانی (AGI) دست نخواهد یافت.

به گزارش ساینس دیلی، پیتر جی دنینگ از چهره‌های شناخته‌شده علوم رایانه در مقاله تحلیلی تازه‌ای با عنوان «اشتباه تورینگ؛ رهایی از یوغ ماشین‌های ناهوشمند (Turing's Mistake: Escaping the Yoke of Unintelligent Machines)» دیدگاه‌های رایج درباره آینده هوش مصنوعی را به چالش کشیده و استدلال کرده است که مسیر تحقیقات هوش مصنوعی طی ۷۵ سال گذشته بر پایه دو فرض نادرست بنا شده است.

دنینگ در این مقاله به ایده‌هایی بازمی‌گردد که آلن تورینگ در سال ۱۹۵۰ مطرح کرد، زمانی که بسیاری از دانشمندان تصور می‌کردند هوش انسان می‌تواند مستقل از بدن وجود داشته باشد و بنابراین بتوان آن را به شکل نرم‌افزار روی یک رایانه دیجیتال بازسازی کرد.
او همچنین با ایده مشهور بازی تقلید یا همان آزمون تورینگ (Turing Test) مخالفت می‌کند؛ آزمونی که سال‌ها به عنوان معیاری برای سنجش هوشمندی ماشین‌ها شناخته می‌شد.

دنینگ می‌نویسد: این دو ادعا بخش بزرگی از پژوهش‌ها و توسعه هوش مصنوعی را شکل داده‌اند. فرض من این است که پذیرش این دیدگاه‌ها ما را به وضعیت آشفته‌ای رسانده که امروز در حوزه هوش مصنوعی با آن روبه‌رو هستیم.

هوش مصنوعی به هوش انسانی نمی‌رسد

به اعتقاد دنینگ سامانه‌های هوش مصنوعی که امروز توسعه می‌یابند احتمال بسیار کمی برای دستیابی به هوش عمومی مصنوعی (Artificial General Intelligence یا AGI) دارند؛ یعنی سطحی از هوش که بتواند مانند انسان در هر زمینه‌ای استدلال، یادگیری و تصمیم‌گیری کند.

او هشدار می‌دهد که اگرچه این سامانه‌ها احتمالا هرگز مانند انسان فکر نخواهند کرد اما می‌توانند خطرات جدی و پیش‌بینی‌ناپذیری برای بشر ایجاد کنند.

دانش ضمنی حلقه گمشده هوش مصنوعی

هسته اصلی استدلال دنینگ بر مفهومی به نام دانش ضمنی (Tacit Knowledge) استوار است. به گفته او انسان حجم عظیمی از دانش را در اختیار دارد که هرگز نمی‌تواند آن را به طور کامل با کلمات توضیح دهد یا به نماد‌هایی تبدیل کند که ماشین‌ها قادر به پردازش آن باشند.

او پنج دسته اصلی از این دانش را معرفی می‌کند که به اعتقادش از دسترس یادگیری ماشین خارج هستند. این پنج دسته عبارت‌اند از: عقل سلیم و درک بدیهی از جهان، تعاملات روزمره با انسان‌ها و محیط پیرامون، احساسات، ادراک و تجربه‌های حسی، مهارت‌های عملی و عملکردی، فرهنگ، تاریخ و پیش‌زمینه اجتماعی مشترک میان انسان‌ها.

دنینگ برای اثبات ادعای خود به پروژه مشهور Cyc اشاره می‌کند.این پروژه که از دهه ۱۹۸۰ توسط پژوهشگر آمریکایی داگلاس لنات (Douglas Lenat) آغاز شد با هدف ساخت بزرگ‌ترین پایگاه دانش عقل سلیم برای رایانه‌ها طراحی شده بود.

پس از حدود ۴۰ سال فعالیت این سامانه موفق شد ۲۵ میلیون مدخل دانشی را گردآوری کند، اما دنینگ می‌گوید حتی چنین مجموعه عظیمی نیز نتوانست رایانه‌ها را به سطحی از درک عقل سلیم برساند که بتوانند مانند یک متخصص واقعی تصمیم‌گیری کنند.

او می‌نویسد: پروژه Cyc نشان داد بخش بزرگی از دانشی که انسان‌ها را به متخصص تبدیل می‌کند اساسا قابل بیان در قالب گزاره‌های منطقی نیست.

دنینگ یکی دیگر از محدودیت‌های اساسی هوش مصنوعی را تفاوت میان دانستن چه چیزی (Know What) و دانستن چگونه (Know How) می‌داند.

به گفته او ماشین‌ها می‌توانند اطلاعات، قوانین و توصیف نتایج را ذخیره کنند اما انتقال مهارت‌های عملی که در بدن و تجربه انسان شکل گرفته‌اند تقریبا غیرممکن است.

او برای توضیح این موضوع مثال نوازنده ویولن را مطرح می‌کند. یک نوازنده حرفه‌ای می‌تواند قطعه‌ای بسیار زیبا اجرا کند، اما قادر نیست دقیقا توضیح دهد چگونه بدن، احساسات و تجربه‌هایش او را به آن اجرا رسانده‌اند.

دنینگ تاکید می‌کند حتی اگر یک ربات بتواند حرکات چنین نوازنده‌ای را تقلید کند هرگز احساس نوازنده هنگام اجرای موسیقی یا احساس شنونده هنگام شنیدن آن را درک نخواهد کرد.

به باور او مفاهیمی مانند شهود، الهام، احساس درونی، خلاقیت خودجوش و تخیل همگی بخشی از دانش ضمنی هستند و قابل تبدیل به دستورالعمل‌های رایانه‌ای نیستند.

دنینگ این مانع را «مسئله بازنمایی (Representation Problem) می‌نامد. رایانه‌ها تنها زمانی قادر به انجام محاسبات هستند که داده‌ها و دستورالعمل‌ها به شکلی فیزیکی و قابل پردازش برای آنها کدگذاری شده باشند، اما دانش ضمنی چنین ویژگی‌ای ندارد.

او توضیح می‌دهد: پشت هر واژه، چاهی عمیق از دانش ضمنی قرار دارد که به آن معنا می‌بخشد. واژه‌ها تنها نماد معنا هستند نه خود معنا.
به همین دلیل دنینگ معتقد است مدل‌های زبانی بزرگ مانند ChatGPT، Claude و Gemini تنها کلمات را دستکاری می‌کنند و معنای واقعی آنها را نمی‌فهمند.

از دیدگاه او، چون دانشمندان هنوز دقیقا نمی‌دانند دانش ضمنی در بدن انسان چگونه شکل می‌گیرد و ذخیره می‌شود راهی نیز برای انتقال آن به ماشین وجود ندارد.

او می‌گوید: هنوز نمی‌دانیم دانش ضمنی در بدن انسان چگونه میزبانی می‌شود. تنها می‌دانیم که این دانش تجسم‌یافته است و نمی‌دانیم باید چه چیزی را در بدن اندازه‌گیری کنیم تا آن را آشکار سازیم.

چرا زمینه و بافت معنای کلمات را تغییر می‌دهد؟

دنینگ بخش مهمی از مقاله خود را به مفهوم زمینه یا بافت (Context) اختصاص داده است. او معتقد است انسان‌ها همواره سخنان یکدیگر را با توجه به شرایط، روابط، پیشینه گفت‌و‌گو و موقعیت اجتماعی تفسیر می‌کنند.

برای نمونه یک جمله واحد می‌تواند بسته به شرایط صادقانه باشد، طعنه‌آمیز باشد، شوخی باشد، از روی عصبانیت بیان شود یا نشانه محبت باشد.

علاوه بر این انسان‌ها از طریق زمینه متوجه می‌شوند چه زمانی باید شوخی کنند، چه زمانی ملاحظه داشته باشند و حتی چگونه مفهوم حرف‌هایی را که گفته نشده‌اند درک کنند.

دنینگ می‌نویسد: اگر ریشه هر فرض درباره زمینه فعلی را دنبال کنید به گفت‌و‌گو‌های قبلی و زمینه‌های پیشین می‌رسید و این زنجیره تا بی‌نهایت ادامه پیدا می‌کند.

فرهنگ؛ مانعی که مدل‌های زبانی از آن عبور نمی‌کنند

به اعتقاد دنینگ فرهنگ نیز بخشی از همان دانش ضمنی است. فرهنگ تنها مجموعه‌ای از اطلاعات نیست بلکه شامل مواردی مانند ارزش‌ها، هنجار‌های اجتماعی، قضاوت‌ها، تاریخ مشترک، روابط انسانی، احساس تعلق، قدرت، مراقبت و همدلی می‌شود.

او تاکید می‌کند بزرگ‌تر کردن مدل‌های زبانی و افزایش تعداد پارامتر‌های آنها این مشکل را حل نخواهد کرد.

به گفته او: افزایش مقیاس مدل‌های زبانی هرگز باعث نمی‌شود آنها دانش تجسم‌یافته انسانی یعنی همان فرهنگ را به دست آورند؛ بنابراین این مدل‌ها به هدف آزمون تورینگ یعنی تولید تفکری غیرقابل تشخیص از انسان نخواهند رسید.

انسان و ماشین دو جهان کاملا متفاوت

دنینگ در ادامه استدلال می‌کند که ممکن است شبکه‌های عصبی مصنوعی نوعی دانش ضمنی مخصوص ماشین‌ها ایجاد کنند، دانشی که انسان‌ها قادر به درک آن نباشند.

او می‌نویسد: ماشین‌ها قادر به خواندن دانش ضمنی ما نیستند و ما نیز دانش ضمنی آنها را درک نمی‌کنیم. ما و ماشین‌ها مانند دو موجود بیگانه در دو سوی شکافی غیرقابل عبور قرار داریم

تهدید اصلی هوش مصنوعی از نگاه دنینگ

به اعتقاد این پژوهشگر بزرگ‌ترین تهدید آینده هوش مصنوعی ظهور ابرهوش‌هایی نیست که از انسان باهوش‌تر شوند. خطر واقعی شکل‌گیری شبکه‌هایی از سامانه‌های هوشمند اما فاقد درک انسانی است که می‌توانند در مقیاسی گسترده و به شیوه‌ای غیرقابل پیش‌بینی تصمیم‌گیری کرده و مشکلات جدی ایجاد کنند.

او هشدار می‌دهد اگر ماشین‌ها نتوانند زمینه‌های ناگفته و مقاصد واقعی انسان را درک کنند هم‌راستا کردن رفتار آنها با اهداف انسانی ممکن است هرگز به طور کامل امکان‌پذیر نباشد. به گفته دنینگ این تهدید حتی از سناریوی تسلط یک ابرهوش مصنوعی بر بشر نیز جدی‌تر است.

تاکید بر حفظ ویژگی‌های انسانی

دنینگ در پایان مقاله از انسان‌ها می‌خواهد در برابر وابستگی کامل به ماشین‌ها مقاومت کنند و ویژگی‌های منحصر‌به‌فرد خود را حفظ کنند.
او معتقد است جامعه باید بپذیرد که ورود ماشین‌های هوشمند، فرهنگ و شیوه زندگی انسان را دگرگون خواهد کرد اما نباید اجازه داد انسان‌ها برای سازگار شدن با ماشین‌ها مانند آنها فکر کنند یا تحت سلطه سامانه‌هایی قرار گیرند که هرگز از درک کامل تجربه انسانی برخوردار نخواهند بود.

به باور او مهم‌ترین وظیفه بشر در عصر هوش مصنوعی، بازتعریف و پاسداشت تفاوت‌های بنیادین میان انسان و ماشین است. این تفاوت‌ها شامل آگاهی، تجربه زیسته، احساسات، فرهنگ، خلاقیت و دانش ضمنی می‌شوند و از دیدگاه او همین ویژگی‌ها باعث می‌شوند هوش انسانی همچنان فراتر از توانایی ماشین‌ها باقی بماند.

انتهای پیام/