آيا كامپيوتر مي تواند فكر كند؟

يكي از جالب ترين و هيجان انگيزترين پرسشهايي كه تاكنون تاريخ فلسفه به خود ديده، پرسشي است كه آلن تورينگ، فيلسوف و رياضيدان انگليسي در سال 1950 طي مقاله اي به نام Computing Machinery and Intelligenceيا <ماشين محاسباتي و هوشمندي> مطرح كرد. او پرسيد: آيا ماشين مي*تواند فكر كند؟ و براي اينكه ذهن مخاطب را از پريشاني درباره ماهيت اين ماشين برهاند، توضيح داد كه منظور او از ماشين، يك كامپيوتر است؛ ماشيني كه قادر به انجام محاسبات نرم افزاري است. به اين ترتيب براي اولين بار اين پرسش در ذهن نوع بشر پديد آمد كه: آيا كامپيوتر ميتواند فكر كند؟

خود تورينگ نتوانست پاسخ قطعي اين پرسش را پيدا كند، اما براي يافتن پاسخ مناسب در آينده، يك راهبرد خلاقانه پيشنهاد كرد. او آزموني طراحي كرد كه خود آن را <بازي تقليد> ناميد. تورينگ پرسيد: <آيا يك ماشين، يعني يك كامپيوتر، ميتواند آزمون تقليد را با موفقيت پشت سربگذارد؟> آيا يك كامپيوتر ميتواند با يك انسان چنان گفت وگو كند كه او فريب بخورد و تصور كند در حال گفت وگو با يك انسان است؟

او آزمون بازي تقليد را چنين شرح داد: يك پرسشگر - يك انسان - همزمان در حال گفت وگو با دو نفر است. هر يك از اين دو نفر در اتاق هاي جداگانه اي قرارگرفته اند و پرسشگر نميتواند هيچيك از آنها را ببيند. يكي از اين دو نفر يك انسان است و ديگري يك ماشين؛ يعني يك كامپيوتر. پرسشگر بايد با اين دو نفر شروع به گفت وگو كند و بكوشد بفهمد كداميك از اين دو انسان است و كداميك ماشين. اگر كامپيوتر بتواند طوري جواب دهد كه پرسشگر نتواند انسان را از ماشين تميز دهد، آنگاه ميتوان ادعا كرد كه اين ماشين هوشمند است.

تورينگ براي آسانتركردن شرايط اين آزمون و پرهيز از پيچيدگي هاي اضافي، آن را به محاوره اي متني و روي كاغذ محدود كرد تا مجبور به درگير شدن با مسائل انحرافي مانند تبديل متن به گفتار شفاهي و تنظيم تُن صدا و لهجه نباشيم. او همچنين براساس يك سري محاسبات، پيش بيني كرد كه پنجاه سال بعد، يعني در سال 2000 انسان قادر خواهد بود كامپيوترهايي بسازد كه در يك گفت وگوي پنج دقيقه اي، فقط هفتاد درصد پرسشگرها بتوانند كشف كنند كه در حال گفت وگو با يك انسان هستند يا يك ماشين. او برخورداري از يك ميليارد بيت حافظه (125 ميليون بايت - حدود 120 مگابايت) را يكي از مشخصه هاي اصلي اين كامپيوتر دانست.
تورينگ همچنين در اين مقاله يك سري استدلالهاي مخالف با نظريه و آزمون خود را مطرح كرد و كوشيد به آنها پاسخ دهد. نخست، تصور اينكه ماشين هاي هوشمندي ساخته شوند كه بتوانند فكر كنند، وحشتناك است. تورينگ در پاسخ مي گويد: اين نكته اي انحرافي است؛ زيرا بحث اصلي او بايدها و نبايدها نيست، بلكه بحث درباره ممكن ها است. ديگر اينكه، ادعا مي شود محدوديت هايي درباره نوع پرسشهايي كه ميتوان از كامپيوتر پرسيد وجود دارد؛ زيرا كامپيوتر از منطق خاصي پيروي مي كند. اما تورينگ در پاسخ مي گويد: خود انسان هنگام گفت وگو پرغلط ظاهر مي شود و نمي توان گفتار هر انساني را لزوماً منطقي كرد. او پيش بيني كرد كه منشا اصلي هوشمندي ماشينِ فرضي او، حافظه بسيار زياد و سريعي است كه يك كامپيوتر مي تواند داشته باشد. بنابراين، از نگاه تورينگ، ماشيني همچون كامپيوتر Deep Blue كه كاسپاروف، قهرمان شطرنج را شكست داد، مي توان يك ماشين هوشمند تلقي كرد.
در عين حال تورينگ اين نظر را كه " آزمون مورد بحث معتبر نيست؛ زيرا انسان داراي احساسات است و مثلاً موسيقي دراماتيك مي سازد" رد كرد و گفت: هنوز هيچ سند قابل قبولي وجود ندارد كه ثابت كند فقط ما انسانها داراي احساسات هستيم؛ زيرا مشخص نيست مفهوم دقيق اين واژه به لحاظ علمي چيست.
در سال 1956 جان مك كارتي، يكي از نظريه پردازان پيشگام اين نظريه در آن زمان، اصطلاح "هوش مصنوعي" را براي اولين بار در نخستين كنفرانسي كه به اين موضوع اختصاص يافته بود، به كار برد. او همچنين زبان برنامه نويسي LIPSرا ابداع كرد كه در همين زمينه كاربرد دارد.

 دانشمندان بعداً اين تاريخ را به عنوان تاريخ تولد علم هوش مصنوعي انتخاب كردند. تقريباً در همان زمان جان فون نيومان نظريه بازيها را معرفي كرد. اين نظريه بديع و درخشان كه بعداً در اكثر حوزه هاي علم، از جمله جامعه شناسي، اقتصاد و سياست كاربردهايي پيدا كرد، نقش مؤثري در پيشبرد جنبه هاي نظري و عملي هوش مصنوعي داشت. چند سال بعد، در 1968، آرتور سي كلارك، در رمان معروف خود، يعني اوديسه فضايي 2001 اصطلاح <آزمون تورينگ> را به جاي <بازي تقليد> سرزبانها انداخت. از زماني كه تورينگ اين فرضيه را مطرح كرده است، هزاران دانشمند با هدف ساختن ماشيني كه بتواند آزمون تورينگ را با موفقيت تمام كند، دست به كار شده اند. اما هنوز هيچكس موفق نشده است چنين ماشيني بسازد و پيش بيني تورينگ هم درست از آب درنيامده است.


چالشهاي بنيادين هوش مصنوعي

البته امروزه هوش مصنوعي به واقعيت نزديك شده است و تقريباً ميتوان گفت وجود دارد، اما دلايل اساسي متعددي وجود دارند كه نشان مي دهند چرا هنوز شكل تكامل يافته هوشي كه تورينگ تصور مي كرد، به وقوع نپيوسته است. به طور كلي خود نظريه تورينگ مخالفاني جدي دارد. بعضي از اين منتقدان اصلا هوش ماشيني را قبول ندارند و برخي ديگر صرفاً كارآمدي آزمون تورينگ را براي اثبات هوشمندي زير سؤال ميبرند.

 يكي از مهم ترين مباحث مطرح در اين زمينه، موضوع شبيه سازي است. غالباً پرسيده مي شود آيا صرف اينكه ماشيني بتواند نحوه صحبت كردن انسان را شبيه سازي كند، به معني آن است كه هوشمند است؟ به عنوان مثال، شايد شما هم درباره روبات هاي نرم افزاري كه ميتوانند چت كنند (Chatter Bots) چيزهايي شنيده باشيد.(1) اين روباتها از روشهاي تقليدي استفاده ميكنند و به تعبيري، نمونه مدرن و اينترنتي آزمون تورينگ هستند.
مثلاً روبات ELIZA يكي از اينهاست. اين روبات را ژوزف وايزن بام، يكي ديگر از پژوهشگران نامدار اين حوزه اختراع كرد. اليزا در برخي مكالمات ساده مي تواند طرف مقابل خود را به اشتباه بيندازد. طوري كه مخاطب ممكن است فكر كند درحال گپ زدن با يك انسان است. البته اليزا هنوز نتوانسته است آزمون تورينگ را با موفقيت پشت سر بگذارد. با اين حال تكنيك هاي شبيه سازي مورد انتقاد گروهي از دانشمندان است. يكي از مشهورترين انتقادات در اين زمينه را فيلسوفي به نام جان سيرل (John Searle) مطرح كرده است. او معتقد است بحث هوشمندي ماشينهاي غيربيولوژيك اساساً بي ربط است و براي اثبات ادعاي خود مثالي مي آورد كه در مباحث تئوريك هوش مصنوعي"بحث اتاق چيني" ناميده مي شود. سيرل ابتدا نقد خود درباره هوش ماشيني را در 1980 مطرح كرد و سپس آن در مقاله كاملتري كه در 1990 منتشر كرد، بسط داد.
ماجراي اتاق چيني به اين صورت است: فرض كنيد داخل اتاقي يك نفر نشسته است و كتابي از قواعد سمبول هاي زبان چيني در اختيار دارد. براي اين فرد عبارات سمبول هاي چيني روي كاغذ نوشته ميشود و از زير درِ اتاق به داخل فرستاده ميشود. او بايد با مراجعه به كتاب قواعد پاسخ مناسب را تهيه كند و روي كاغذ پس بفرستد. اگر فرض كنيم كتاب مرجع مورد نظر به اندازه كافي كامل است، اين فرد ميتواند بدون اينكه حتي معني يك نماد از سمبول هاي زبان چيني را بفهمد، به پرسشها پاسخ دهد. آيا ميتوان به اين ترتيب نتيجه گرفت كه پاسخ دهنده هوشمند است؟
استدلال اصلي اين منتقد و ديگر منتقدان موضوع شبيه سازي اين است كه ميتوان ماشيني ساخت (مثلاً يك نرم افزار لغتنامه) كه عبارات و اصطلاحات را ترجمه كند. يعني ماشيني كه كلمات و سمبول هاي ورودي را دريافت و سمبول ها و كلمات خروجي را توليد كند؛ بدون اينكه خود ماشين معني و مفهوم اين سمبول ها را درك كند. بنابراين آزمون تورينگ حتي در صورت موفقيت نيز نميتواند ثابت كند كه يك ماشين هوشمند است.
در مقابل اين انتقاد دو نظر وجود دارد: يك دسته از دانشمندان كه بيشتر به نظريه تورينگ معتقدند، مي گويند اساساً چه دليلي وجود دارد كه باور نكنيم (دست كم) بخش بزرگي از آنچه را كه هوشمندي انسان تلقي مي كنيم، معلومات تقليدي تشكيل داده باشد؟ در واقع تمام سندي كه ما درباره متفكر بودن انسان داريم رفتاري است كه انديشه او پديد مي آورد، ولي درباره ماهيت و ساختار اين انديشه چيز زيادي نمي دانيم. دسته دوم، كساني هستند كه معتقدند اگر ماشينها بتوانند با دنياي پيرامون خود كنش و واكنش داشته باشند، آنگاه مي توانند فكر كنند. منظور اين است كه كامپيوترها نيز مانند ما داراي حس بينايي، شنوايي، لامسه و حسهاي ديگر باشند. در اين صورت، تركيب همزمان <پاسخ هاي تقليدي> با <واكنش مناسب به محيط> يعني همان <هوشمندي>. اتفاقاً كسي مانند جان سيرل نيز تفكرات مشابهي دارد؛ با اين تفاوت كه به طور خاص او شكل ايده آل كنش و واكنش مورد نياز را همان تعامل بيولوژيكي مي داند.
انتقادات ديگري نيز به آزمون تورينگ وارد ميشود. ازجمله اينكه ممكن است يك ماشين هوشمند باشد، ولي نتواند همچون انسان ارتباط برقرار كند. ديگر اينكه، در آزمون تورينگ فرض ميشود كه انسان مورد آزمايش - يكي از دو نفري كه داخل اتاق در بسته به سؤالات پاسخ ميدهد - به اندازه كافي هوشمند است. در حالي كه با استناد به استدلال خود تورينگ ميتوان نتيجه گرفت كه خيلي از افراد مانند بچه ها و افراد بيسواد در اين آزمون مردود مي شوند؛ نه به دليل هوشمندي ماشين، بلكه به دليل نداشتن مهارت كافي در ارتباط گيري از طريق مكاتبه.
مسئله ديگري كه در بحث هوش مصنوعي اهميت دارد، موضوع <قالب و محتوا> است. منظور از قالب يا Context در اينجا، ظرفي است كه محتوا داخل آن قرار مي گيرد.
يكي از پايه هاي هوشمندي انسان توجهي است كه او به قالب محتوا - و نه صرفاً خود محتوا - دارد. به عنوان مثال، وقتي مي گوييم <شير>، اين كلمه به تنهايي معاني متفاوتي دارد، ولي هنگامي كه همين واژه داخل يك جمله قرار مي گيرد، فقط يك معني صحيح دارد. انسان ميتواند معاني كلمات را نه فقط به صورت مجرد، بلكه با دنبال كردن نحوه وابستگيشان به جمله تشخيص دهد.

مشابه همين هوشمندي، در تمام حس هاي پنجگانه انسان وجود دارد. به عنوان مثال، از نظر علمي ثابت شده است كه گوش انسان مي تواند هنگام توجه به صحبت هاي يك انسان ديگر در محيطي شلوغ، كلمات و عباراتي را كه نمي شنود، خودش تكميل كند يا چشم انسان مي تواند هنگام مشاهده يك تصوير، قسمت هاي ناواضح آن را با استفاده از دانسته هاي بصري قبلي خود تكميل كند.
از اين رو كارشناسان معتقدند، دانش پيش زمينه يا <آرشيو ذهني> يك موجود هوشمند نقش مؤثري در هوشمندي او بازي ميكند. در حقيقت منشأ پيدايش برخي از شاخه هاي مدرن و جديد دانش هوش مصنوعي همچون <سيستم هاي خبره> و <شبكه هاي عصبي> همين موضوع است و اساسا با اين هدف پديد آمده اند كه بتوانند به ماشين قدرت آموختن و فراگيري بدهند؛ هرچند كه هر يك از اين شاخه ها، از پارادايم متفاوتي براي آموزش به ماشين استفاده مي كنند و همين تفاوتها مبنا و اساس دو جريان فكري عمده در محافل علمي مرتبط با هوش مصنوعي را پديد آورده اند.


شاخه هاي علم هوش مصنوعي

امروزه دانش مدرن هوش مصنوعي به دو دسته اصلي تقسيم ميشود: يكي <هوش مصنوعي سمبوليك يا نمادين> (Symbolic AI) و ديگري هوش غيرسمبوليك كه پيوندگرا (Connection AI) نيز ناميده مي شود.
هوش مصنوعي سمبوليك از رهيافتي مبتني بر محاسبات آماري پيروي ميكند و اغلب تحت عنوان <يادگيري ماشين> يا (Machine Learning) طبقه بندي مي شود. هوش سمبوليك ميكوشد سيستم و قواعد آن را در قالب سمبول ها بيان كند و با نگاشت اطلاعات به سمبول ها و قوانين به حل مسئله بپردازد. در ميان معروف ترين شاخه هاي هوش مصنوعي سمبوليك مي توان به سيستمهاي خبره (Expert Systems) و شبكه هاي Bayesian اشاره كرد.
يك سيستم خبره ميتواند حجم عظيمي از داده ها را پردازش نمايد و بر اساس تكنيك هاي آماري، نتايج دقيقي را تهيه كند. شبكه هاي Bayesian يك تكنيك محاسباتي براي ايجاد ساختارهاي اطلاعاتي و تهيه استنتاج هاي منطقي از روي اطلاعاتي است كه به كمك روشهاي آمار و احتمال به دست آمده اند. بنابراين در هوش سمبوليك، منظور از <يادگيري ماشين> استفاده از الگوريتمهاي تشخيص الگوها، تحليل و طبقه بندي اطلاعات است.
اما هوش پيوندگرا متكي بر يك منطق استقرايي است و از رهيافت <آموزش/ بهبود سيستم از طريق تكرار> بهره مي گيرد. اين آموزشها نه بر اساس نتايج و تحليلهاي دقيق آماري، بلكه مبتني بر شيوه آزمون و خطا و <يادگيري از راه تجربه> است. در هوش مصنوعي پيوندگرا، قواعد از ابتدا در اختيار سيستم قرار نمي گيرد، بلكه سيستم از طريق تجربه، خودش قوانين را استخراج ميكند. متدهاي ايجاد شبكه هاي عصبي (Neural Networks) و نيز به كارگيري منطق فازي (Fuzzy Logic) در اين دسته قرار مي گيرند.
براي درك بهتر تفاوت ميان اين دو شيوه به يك مثال توجه كنيد. فرض كنيد مي خواهيم يك سيستم OCR بسازيم. سيستم OCR نرم افزاري است كه پس از اسكن كردن يك تكه نوشته روي كاغذ مي تواند متن روي آن را استخراج كند و به كاراكترهاي متني تبديل نمايد.
بديهي است كه چنين نرم افزاري به نوعي هوشمندي نياز دارد. اين هوشمندي را با دو رهيافت متفاوت مي توان فراهم كرد. اگر از روش سمبوليك استفاده كنيم، قاعدتاً بايد الگوي هندسي تمام حروف و اعداد را در حالتهاي مختلف در بانك اطلاعاتي سيستم تعريف كنيم و سپس متن اسكن شده را با اين الگوها مقايسه كنيم تا بتوانيم متن را استخراج نماييم. در اينجا الگوهاي حرفي-عددي يا همان سمبول ها پايه و اساس هوشمندي سيستم را تشكيل مي دهند.

 روش دوم يا متد <پيوندگرا> اين است كه يك سيستم هوشمند غيرسمبوليك درست كنيم و متن هاي متعددي را يك به يك به آن بدهيم تا آرام آرام آموزش ببيند و سيستم را بهينه كند. در اينجا سيستم هوشمند مي تواند مثلاً يك شبكه عصبي يا مدل مخفي ماركوف باشد. در اين شيوه سمبولها پايه هوشمندي نيستند، بلكه فعاليتهاي سلسله اعصاب يك شبكه و چگونگي پيوند ميان آنها مبناي هوشمندي را تشكيل مي*دهند.
در طول دهه هاي 1960 و 1970 به دنبال ابداع اولين برنامه نرم افزاري موفق در گروه سيستمهاي مبتني بر دانش (Knowledge-based) توسط جوئل موزس، سيستمهاي هوش سمبوليك به يك جريان مهم تبديل شد. ايده و مدل شبكه هاي عصبي ابتدا در دهه 1940 توسط Warren McCulloch و Walter Pitts معرفي شد. سپس در دهه 1950 كارهاي روزنبالت (Rosenblatt) درمورد شبكه هاي دولايه مورد توجه قرارگرفت.

 در 1974 الگوريتم back propagation توسط Paul Werbos معرفي شد، ولي متدولوژي شبكه هاي عصبي عمدتاً از دهه 1980 به اين سو رشد زيادي پيدا كرد و مورد استقبال دانشمندان قرار گرفت. منطق فازي ابتدا توسط پروفسور لطفي زاده، در 1965 معرفي شد و از آن زمان به بعد توسط خود او و ديگر دانشمندان دنبال شد.
در دهه 1980 تلاشهاي دانشمندان ژاپني براي كاربردي كردن منطق فازي به ترويج و معرفي منطق فازي كمك زيادي كرد. مثلاً طراحي و شبيه سازي سيستم كنترل فازي براي راه آهن Sendai توسط دو دانشمند به نامهايYasunobu  و Miyamoto در 1985، نمايش كاربرد سيستمهاي كنترل فازي از طريق چند تراشه مبتني بر منطق فازي در آزمون <پاندول معكوس> توسط Takeshi Yamakawa در همايش بين المللي پژوهشگران منطق فازي در توكيو در 1987 و نيز استفاده از سيستمهاي فازي در شبكه مونو ريل توكيو و نيز و معرفي سيستم ترمز ABS مبتني بر كنترلرهاي فازي توسط اتومبيل سازي هوندا در همين دهه تاثير زيادي در توجه مجدد دانشمندان جهان به اين حوزه از علم داشت.


فراتر از هوشمندي ماشين

چنانكه گفتيم، هوش مصنوعي دانش و مهندسي ساختن ماشينهاي هوشمند، به ويژه كامپيوترهاي هوشمند است. اما براستي هوشمندي چيست؟ در واقع هنوز دانشمندان نتوانسته اند تعريف واحدي از هوشمندي ارائه دهند كه مستقل از <هوش انساني> باشد. ما ميدانيم كه برخي از ماشينها يا جانداران ميتوانند هوشمند باشند، اما بشر هنوز نمي داند كه مايل است كدام دسته از فرآيندهاي محاسباتي يا پردازشي را هوشمندي بنامد. بنابراين براي پاسخ دادن به اين پرسش كه <آيا فلان ماشين هوشمند است؟> هنوز فرمول مشخصي وجود ندارد. در واقع هوشمندي، خود يك مفهوم فازي و نادقيق است. هوشمندي را ميتوان يك فرآيند تلقي كرد كه دانشمندان هنوز در حال شبيه سازي، تحليل و حتي تعريف مشخصه هاي آن هستند.
موضوع مهم ديگري كه در ارتباط با هوش مصنوعي مطرح است، هدف دانشمندان از به كارگيري آن است. روشن است كه هدف اوليه بشر از ورود به اين موضوع، شبيه سازي هوش انسان در كالبد ماشين بوده است. ولي امروزه ديگر چنين نيست و اين تصور كه هدف علم هوش مصنوعي تنها شبيه سازي هوش انساني است، تصوري نادرست است. در حقيقت موضوع شبيه سازي هوش انساني عاملي پيش برنده در اين حوزه از علم است كه به دانشمندان انگيزه ميدهد تا آن را توسعه دهند، اما در خلال روند توسعه، بشر ميتواند به دستاوردهايي برسد كه در تمام زمينه ها كاربرد دارد.

سيستمهاي خبره و مبتني بر دانش نمونه اي از اين دستاوردهاست. بسياري از نرم افزارهاي موسوم به سيستمهاي تصميم سازي (Decision Making Systems) در شاخه اقتصاد و يا سيستمهايي كه در تجزيه و تحليل داده هاي علم پزشكي به كار مي روند از اين دستاورد بهره مي گيرند. هوش منصوعي همچنين بستري براي توسعه علومي كه مانند تئوري بازيها يا منطق فازي خود شاخه مستقلي هستند پديد مي آورد تا در سايه همان عوامل انگيزشي، بتوانند رشد و توسعه پيدا كنند.
در عين حال برخي از دستاوردهاي اين علم فراتر از بحث هوشمندي است. به عنوان مثال، افزايش قدرت محاسباتي و پردازشي كامپيوتر همواره به پيشرفت اين علم كمك كرده است. بنابراين ميزان موفقيت هوش مصنوعي در آينده نه فقط به خبرگي الگوريتمها و متدولوژيها، بلكه به سرعت پردازشها و محاسبات كامپيوتري نيز بستگي دارد. اين دو لازم و ملزوم يكديگرند و به رشد هم كمك ميكنند.

 شايد پيروزي كامپيوتر Deep Blue بر كاسپاروف، قهرمان شطرنج، تأثير محسوسي بر زندگي روزانه ما نگذاشته باشد. اما همين مسابقه و تلاشهاي ديگري از اين دست، به صنعت كامپيوتر امكان مي دهند، توانايي خود را براي توليد سيستم هاي كارآمدتر و سودمندتري كه در زندگي روزانه بشر كاربرد دارند، افزايش دهد.