به گزارش ایکنا، کتاب «افسانه هوش مصنوعی» نوشته اریک لارسون کارآفرین آمریکایی حوزه فناوری و دانشمند علوم رایانه که در سال ۲۰۲۱ از طرف انتشارات دانشگاه هاروارد منتشر شد، به همت محمد مظفرپور ترجمه و از سوی انتشارات امیرکبیر و با همکاری خانه اندیشه‌‌ورزان روانه بازار نشر شد.

اریک لارسون در این کتاب به نقد فضای کلی حاکم بر مباحث مرتبط با حوزه هوش مصنوعی پرداخته و معتقد است که این فضا به شدت به جنجال‌های تبلیغاتی رسانه‌ای آلوده شده و این مسئله باعث غفلت از ضعف‌های اساسی موجود در این حوزه علمی شده است. نویسنده، ماجرای کتاب را با واکاوی تست تورینگ و کار‌های بزرگان این حوزه از جمله گودل، پیرس و کرزویل آغاز کرده و با ایجاد تمایز بین شهود(intuition) و نبوغ(ingenuity) ادعا می‌کند، هوش مصنوعی نمی‌تواند به شهود که مختص انسان است، دست یابد و صرفاً در سطح نبوغ باقی خواهد ماند.

لارسون در ادامه به شکست‌ها و پیروزی‌های هوش مصنوعی در روبوت‌هایی مانند یوجن گوستمن پرداخته و نشان می‌دهد بسیاری از ادعا‌ها درباره موفقیت‌های ظاهری این ماشین‌های هوشمند، افسانه‌پردازی بوده و درباره توانمندی‌های این ماشین‌ها اغراق شده است.

ایده ایجابی کتاب، حرکت به سمت فرضیه‌ربایی(Abduction) به جای قیاس و استقرا برای حل معضلات پیش روی هوش مصنوعی است. اریک لارسون که دستی در فلسفه و نیز علوم رایانه دارد، می‌گوید: قبلاً هم تلاش‌هایی برای پرداختن به این روش منطقی انجام شده است، اما به بن‌بست خورده‌اند؛ چرا که این تلاش‌ها به معنی واقعی کلمه، مبتنی بر فرضیه‌ربایی نبوده‌اند، بلکه به صورتی پنهان روی همان قیاس و استقرا بنا شده‌اند.

اما منظور از فرضیه‌ربایی چیست. فرض کنید یک کیسه پر از لوبیا دارید. اگر چند دانه لوبیا از آن بیرون بیاورید و ببینید همه این دانه‌ها سفید هستند با استقرا به این نتیجه خواهید رسید که همه دانه‌های لوبیا موجود در کیسه، سفید هستند. اگر از ابتدا بدانید همه لوبیا‌های موجود در کیسه سفید هستند با قیاس به این نتیجه خواهید رسید که هر دانه‌ای را از درون کیسه بیرون بکشید، سفید خواهد بود. حال فرض کنید یک کیسه پر از لوبیا سفید دارید و تعدادی لوبیا سفید هم در کنار این کیسه دارید. فرضیه‌ربایی به شما می‌گوید این چند لوبیا از درون همان کیسه آمده‌اند.

در مقدمه این کتاب آمده است: همه شواهد نشان می‌دهند، هوش انسان و هوش ماشین بسیار متفاوت هستند. افسانه هوش مصنوعی اصرار دارد که این تفاوت‌ها موقتی هستند و سیستم‌های قوی‌تر درنهایت بر آن‌ها غلبه خواهند کرد. آینده‌پژوهانی همچون «رِی کِرزویل» و فیلسوفی به نام «نیک بوستروم» که از مبلغان برجسته این افسانه به شمار می‌روند، طوری حرف می‌زنند که گویی نه‌تنها هوش مصنوعی در حد هوش انسانی اجتناب‌ناپذیر است، بلکه مدت کوتاهی پس از تحقق آن، ماشین‌های ابرهوشمند از ما بسیار پیشی خواهند گرفت، این یک اشتباه عمیق است؛ موفقیت در دستاورد‌های محدود، ما را یک قدم هم به هوش عمومی نزدیک نمی‌کند. سیستم‌ها برای هوش عمومی نیاز به استنباط‌هایی دارند که از طریق آن‌ها بتوانند برای مثال، روزنامه بخوانند یا مکالمه‌ای پایه برقرار کنند یا مانند «رُزی» روبات کارتون «جِتسون‌ها» دستیار شوند. این استنباط‌ها را نمی‌توان با دانش کنونی ما در حوزه هوش مصنوعی برنامه‌نویسی کرد، آموخت یا مهندسی کرد.

در بخشی از کتاب آمده است: موفقیت کلان‌داده در صنعت و سایر بخش‌ها به سرعت منجر به ادعا‌هایی اغراق‌آمیز در مورد قدرت استنتاجی منحصربه فرد داده‌ها شد. تا سال ۲۰۰۸ ادعای کریس اندرسون، سردبیر مجله «وایرد» مبنی بر اینکه کلان‌داده، پایان نظریه در دانش را رقم زده است، به هیاهویی بزرگ تبدیل شده بود. دانشمندان و دیگر اعضای جامعه روشنفکری خیلی زود دریافتند که وجود نظریه ضروری است، چون نه فقط مجموعه داده نمی‌توانست بیندیشد و خود را تفسیر کند، بلکه این مسئله، نوعی بروز فرهنگی برای موفقیت گیج‌کننده سیل داده‌ها نیز به شمار می‌رفت.

در واقع علت مسئله این بود که در ابتدا آش شله‌قلمکاری از تکنیک‌های آماری قدیمی‌تر در استفاده برای علوم داده و یادگیری ماشین در هوش مصنوعی وجود داشت که بینش‌های مورد تقاضای برخاسته از کلان‌داده، آن‌ها را به اشتباه به خود حجم‌داده مربوط می‌دانست. این گزاره از همان ابتدا به طرز مضحکی اشتباه بود. نقاط‌داده، واقعیت‌ها هستند و خودشان نمی‌توانند دارای بینش باشند. گرچه این امر صرفاً با نگاه به گذشته ظاهر شده است، ولی از گذار توجه موفقیت‌های اولیه یادگیری عمیق در تشخیص بصری اشیا در مسابقات ImageNet نشانه آغاز کلان‌داده به سمت روش‌های یادگیری ماشین(که خود از کلان‌داده بهره می‌گرفتند) و به تعبیر بهتر، به سمت حوزه هوش مصنوعی که به سرعت در حال گسترش بود، به شمار می‌رفت.

نویسنده در انتهای کتاب، دو فصل را به دانش اعصاب نوروساینس اختصاص داده و ادعا می‌کند که افسانه‌پردازی درباره توانمندی‌های هوش مصنوعی، بدترین آسیب خود را در این حوزه از دانش نشان داده است.

انتهای پیام