آنها مدام می‌پرسند که آیا این ماشین واقعاً هوشمند است یا خیر. در همین حال، ماشین قبلاً مسئله را حل کرده، سه آزمایش پیشنهاد داده و مقاله‌ای به زبان آلمانی پیدا کرده که هیچ‌کس از وجود آن خبر نداشته است. اما خب، بیایید یک بحث فلسفی دیگر در مورد اینکه آیا واقعاً «می‌فهمد» چه کاری انجام می‌دهد، داشته باشیم.

در این مقاله

• اگر هوش فقط جستجوی کارآمد باشد، نه هوشیاری، چه؟
• چرا سوال «آیا هوش مصنوعی واقعاً می‌فهمد؟» کاملاً از اصل مطلب غافل می‌شود؟
• چگونه شهود بدون عرفان کار می‌کند (و چرا متخصصان از این توضیح متنفرند)
• مشکل ذخیره‌سازی که هیچ‌کس در مورد آن صحبت نمی‌کند و مانع محاسبات کوانتومی می‌شود
• چرا انگیزه‌های سود، هوش مصنوعی را احمق‌تر می‌کند، نه باهوش‌تر
• وقتی دست از تعقیب ارواح هوش مصنوعی عمومی برداریم، چه اتفاقی می‌افتد؟

در عوض، اتفاقی که مدام می‌افتد این است: یک سیستم هوش مصنوعی یک نتیجه ریاضی قابل توجه را نشان می‌دهد، مدیران یا روزنامه‌نگاران عجله می‌کنند تا آن را به عنوان یک پیشرفت در «استدلال واقعی» مطرح کنند، و ریاضیدانان برای آرام کردن هیاهو وارد عمل می‌شوند. در سال‌های اخیر، سیستم‌های OpenAI و DeepMind به حل مسائل پیچیده در سطح رقابت - مانند سوالات فهرست نهایی المپیاد بین‌المللی ریاضی - اعتبار یافته‌اند، اما متخصصان خاطرنشان کرده‌اند که این راه‌حل‌ها به جای تولید ریاضیات اساساً جدید، بر کشف مجدد روش‌های شناخته شده، بازیابی کارهای قبلی یا پیمایش ساختارهای اثبات موجود متکی بوده‌اند.

واکنش شدید قابل پیش‌بینی است. ادعاها پس گرفته می‌شوند. پست‌ها بی‌سروصدا ناپدید می‌شوند. و روایت از نو آغاز می‌شود. اما چیزی که تقریباً هیچ‌کس اذعان نمی‌کند این است که کاری که هوش مصنوعی واقعاً انجام داد - جستجوی سریع بدنه‌های وسیع و مبهم دانش ریاضی و تطبیق ساختارهای مسئله با راه‌حل‌های عملی - نقص هوش نیست. این نمونه‌ای از چگونگی عملکرد هوش، چه انسانی و چه غیرانسانی، از طریق تشخیص الگو و بازیابی است و دریچه‌ای روشن به ماهیت خود هوش ارائه می‌دهد.

ترنس تائو، که به طور گسترده به عنوان بهترین ریاضیدان زنده شناخته می‌شود، آن را با دانش‌آموز باهوشی مقایسه کرد که همه چیز را برای امتحان حفظ می‌کند اما مفاهیم را عمیقاً درک نمی‌کند. این شبیه یک انتقاد به نظر می‌رسد. در واقع این توصیفی از نحوه عملکرد اکثر هوش‌ها، از جمله هوش انسانی، است. ما فقط دوست نداریم آن را بپذیریم.

جستجویی که ما آن را جادو می‌نامیم

به این فکر کنید که وقتی رمز و راز را کنار می‌گذارید، هوش واقعاً چه می‌کند. با یک مشکل مواجه می‌شوید. در میان هر چیزی که می‌دانید جستجو می‌کنید، به دنبال الگوهایی می‌گردید که با آن مطابقت داشته باشند. ترکیبی از رویکردهای شناخته شده را امتحان می‌کنید. در فضای احتمالات به دنبال راه‌حل‌ها می‌گردید. گاهی اوقات آنها را پیدا می‌کنید، گاهی اوقات هم نه. همین. کل بازی همین است.

یک استاد بزرگ شطرنج به موقعیت صفحه نگاه می‌کند و «فقط حرکت درست را می‌داند». حس شهودی دارد، نه؟ مثل جرقه‌ای خاص از نبوغ؟ نه. این تطبیق الگو است. استاد بزرگ هزاران موقعیت مشابه را دیده است. مغز آنها پیکربندی‌ها و نتایج را سریع‌تر از آنچه فکر آگاهانه بتواند ردیابی کند، تشخیص می‌دهد. هیچ جادویی در کار نیست - فقط یک پایگاه داده واقعاً فهرست‌بندی شده که جستجوهای سریع را انجام می‌دهد.

همین اتفاق می‌افتد وقتی یک پزشک بیماری یک بیمار را تشخیص می‌دهد، یک مکانیک مشکل موتور را شناسایی می‌کند، یا یک معامله‌گر قبل از اینکه شاخص‌ها آن را تأیید کنند، متوجه چیزی در بازار می‌شود. ما آن را تخصص می‌نامیم. ما آن را شهود می‌نامیم. ما آن را حس ششم می‌نامیم. اما اساساً، همه اینها تطبیق الگو است که بر اساس چارچوب‌های مرجع ذخیره شده عمل می‌کند و بیشتر آن در زیر آگاهی آگاهانه اتفاق می‌افتد، چه در اتصالات عصبی و چه در الگوریتم‌های هوش مصنوعی.

هوش مصنوعی که آن مقالات آلمانی را پیدا کرد؟ دقیقاً همین کار را انجام می‌داد. جستجو در یک پایگاه داده عظیم، تطبیق الگوها و پیمایش فضای احتمالات. تنها تفاوت این است که ما می‌توانیم پایگاه داده و فرآیند جستجو را ببینیم، که باعث می‌شود به نوعی کمتر چشمگیر به نظر برسد. وقتی انسان‌ها این کار را انجام می‌دهند، پایگاه داده در اتصالات عصبی پنهان است و جستجو در ناخودآگاه اتفاق می‌افتد، بنابراین می‌توانیم آن را نبوغ بنامیم.

هوش یک جستجو است. همیشه همینطور بوده. ما فقط آن را زیباتر جلوه داده‌ایم.

چرا خلاقیت فقط تطبیق الگوی گران‌قیمت است؟

مردم دوست دارند با اشاره به خلاقیت، از منحصر به فرد بودن انسان دفاع کنند. مطمئناً، هوش مصنوعی می‌تواند راه‌حل‌های موجود را پیدا کند، اما آیا می‌تواند چیزی واقعاً جدید خلق کند؟ آیا می‌تواند آن لحظه الهام‌بخش برق‌آسا را ​​داشته باشد که همه چیز را تغییر دهد؟

اما بیشتر پیشرفت‌های بشری هم به این شکل کار نمی‌کنند. انیشتین نسبیت خاص را از هیچ به دست نیاورد. او به قطارها، ساعت‌ها و پرتوهای نور - اشیاء روزمره - فکر می‌کرد و متوجه شد که معادلات فیزیک موجود وقتی آنها را به سرعت‌های بسیار بالا می‌رسانند، کاملاً کار نمی‌کنند. او چارچوب‌های ریاضی موجود را در پیکربندی جدیدی ترکیب کرد. همین. درخشان، بله. اما به طور قطعی با کاری که هوش مصنوعی هنگام ترکیب رویکردهای شناخته شده برای حل یک مسئله انجام می‌دهد، متفاوت نیست.

تقریباً هر اثبات ریاضی، کشف علمی و نوآوری فناوری از الگوی یکسانی پیروی می‌کند: ابزارهای موجود را بردارید، آنها را در یک زمینه غیرمعمول به کار ببرید، به ارتباطاتی که هیچ کس دیگری ندیده است توجه کنید. این نوترکیبی در تمام مراحل است. تصویر رمانتیک نابغه‌ای تنها که دارای یک جرقه عرفانی از بینش است، برای فیلم‌های بهتری نسبت به یک تاریخ دقیق علم مناسب است.

حتی راه‌حل‌هایی که ما به دنبالشان هستیم، از قبل به عنوان محدودیت در سیستم‌های رسمی وجود دارند. درمان آلزایمر همین الان در فضای احتمالات شیمیایی وجود دارد - نوعی پیکربندی مولکولی خاص که کار را انجام می‌دهد. ما هنوز آن را پیدا نکرده‌ایم، اما وجود دارد. تحقیقات پزشکی فقط بهینه‌سازی جستجو در فضایی نجومی و وسیع از ترکیبات بالقوه است. وقتی آن را پیدا کنیم، آن را یک کشف خواهیم نامید، نه یک اختراع، زیرا راه‌حل همیشه آنجا منتظر کشف شدن بوده است.

ریاضیات نیز به همین شکل عمل می‌کند. قضیه فیثاغورث قبل از اثبات آن توسط فیثاغورث درست بود. خواص اعداد اول قبل از اینکه انسان‌ها آنها را شناسایی کنند، وجود داشته است. ما حقایق ریاضی را خلق نمی‌کنیم - ما از طریق فضای منطقی به آنها می‌رسیم.

اگر خلاقیت همین است - که هست - پس هوش مصنوعی از قبل خلاق است. هوش مصنوعی فقط بخش‌های مختلف فضای احتمالات را نسبت به انسان‌ها بررسی می‌کند و این کار را سریع‌تر انجام می‌دهد. رویکردها و راه‌حل‌های شناخته شده را به روش‌های جدید، بسیار شبیه به نوآوران انسانی، دوباره ترکیب می‌کند. این واقعیت که نمی‌تواند لحظات الهام‌بخش ساعت ۳ صبح با قهوه داشته باشد، بی‌ربط است. ناوبری صرف نظر از تجربه عاطفی کار می‌کند.

ما مدام در حال جابه‌جایی اهدافی هستیم که به عنوان هوش «واقعی» یا خلاقیت «اصیل» شناخته می‌شوند، زیرا نمی‌خواهیم اعتراف کنیم که همان کاری را انجام می‌دهیم که ماشین‌ها انجام می‌دهند. فقط کندتر و با نمایشی بیشتر.

شهودی که هیچ‌کس نمی‌خواهد، رمزگشایی شد

من این بحث را در مورد شهود بارها و بارها داشته‌ام، آنقدر زیاد که نمی‌توانم بشمارم. مردم می‌خواهند که این حس چیز خاصی باشد. یک حس ششم. ارتباطی با حقایق عمیق‌تر. برخی از توانایی‌ها فراتر از منطق و تحلیل صرف هستند.

ببخشید. این تطبیق الگو در پس‌زمینه در حال اجرا است.

بعد از سی سال انتشار مقالات در مورد توسعه فردی و معنویت، می‌توانم با نگاهی به یک نوشته، در عرض چند ثانیه بفهمم که آیا با خوانندگان ارتباط برقرار می‌کند یا خیر. این حس آنی است. مثل شهود است. اما آنچه در واقع اتفاق می‌افتد این است که مغز من در حال انجام تطابق‌های احتمالی با داده‌های جمع‌آوری‌شده در طول ۳۰ سال است - ۲۵۰۰۰ مقاله، میلیون‌ها پاسخ خواننده و دهه‌ها مشاهده اینکه چه چیزی مؤثر است و چه چیزی مؤثر نیست. این پردازش سریع‌تر از آن چیزی اتفاق می‌افتد که بتوانم آگاهانه آن را ردیابی کنم، بنابراین بدون نشان دادن عملکرد خود، نتیجه‌گیری می‌کند.

همین اتفاق در مورد معامله‌گری هم می‌افتد. شما به نمودار قیمت نگاه می‌کنید و قبل از اینکه بتوانید دلیل آن را بیان کنید، چیزی اشتباه به نظر می‌رسد. این حس عرفانی بازار نیست. این الگوهای علامت‌گذاری شده مغز شماست که با مدل‌های درونی شما، بر اساس هزاران نموداری که در طول سال‌های زیادی که معامله کرده‌اید، مطالعه کرده‌اید، مطابقت ندارند. جستجوی ناخودآگاه قبل از شروع تجزیه و تحلیل آگاهانه به پایان می‌رسد.

کار اطلاعاتی نظامی به من آموخت که ناهنجاری‌ها را به همین روش تشخیص دهم. شما به سیگنال‌ها، الگوها یا رفتارها نگاه می‌کنید و چیزی اشتباه به نظر می‌رسد. نه به خاطر جادو، بلکه به این دلیل که سال‌ها تجربه، مدل‌های داخلی از آنچه طبیعی به نظر می‌رسد را ایجاد کرده است. وقتی واقعیت از آن مدل‌ها منحرف می‌شود، مغز شما به طور خودکار آن را علامت‌گذاری می‌کند. شما آن را غریزه غریزی می‌نامید. این فقط یک تجربه فشرده است که به سرعت تشخیص الگو را اجرا می‌کند.

این یعنی شهود می‌تواند در سیستم‌های هوش مصنوعی تکرار شود. نه کاملاً - هوش مصنوعی تجربه تجسم‌یافته ندارد، شهود اجتماعی یا فیزیکی که از زندگی در بدن ساخته شده باشد، ندارد. اما در حوزه‌های رسمی؟ کاملاً. به اندازه کافی مثال به سیستم بدهید، بگذارید مدل‌های داخلی بسازد، و درست مانند یک متخصص، ناهنجاری‌ها را شناسایی و نتایج را پیش‌بینی می‌کند. بدون توضیح واسطه‌ای نتیجه‌گیری می‌کند، که دقیقاً همان کاری است که شهود انسانی انجام می‌دهد.

تنها دلیلی که فکر می‌کنیم شهود انسان قابل توجه است این است که نمی‌توانیم محاسبات خودمان را در حال اجرا ببینیم. وقتی هوش مصنوعی همین کار را انجام می‌دهد، فرآیند قابل مشاهده است، بنابراین ما آن را صرفاً به عنوان آمار رد می‌کنیم. اما تخصص من در آمار است. چگالی الگو ضربدر سرعت جستجو. این فرمول است، چه بستر نورون باشد چه سیلیکون.

راززدایی از شهود، آن را کم‌ارزش‌تر نمی‌کند، فقط جادوی آن را کمتر می‌کند.

سوالی که وقت همه را تلف می‌کند

آیا هوش مصنوعی واقعاً می‌فهمد؟ آیا واقعاً مفاهیم را درک می‌کند، یا فقط نمادها را دستکاری می‌کند؟ آیا درک واقعی وجود دارد، یا تقلید پیچیده‌ای است؟

این سوالات، پس‌مانده‌های فلسفی هستند، نه پژوهش علمی. آن‌ها معادل مدرن پرسش درباره اتر درخشان یا نیروی حیاتی هستند - جستجوی چیزی که وجود ندارد زیرا چارچوب فکری ما اشتباه است.

فهمیدن هیچ تعریف عملیاتی مستقل از عملکرد ندارد. اگر سیستمی بتواند فرضیه‌های قابل قبولی ایجاد کند، فضای جستجوی تجربی را کاهش دهد، روش‌ها را در حوزه‌های مختلف تطبیق دهد و استدلال خود را به طور منسجم توضیح دهد، آنگاه بحث در مورد اینکه آیا «واقعاً می‌فهمد» فقط راهی برای محافظت از استثناگرایی انسانی با ادعاهای غیرقابل ابطال است.

ما قبلاً این کار را با شطرنج انجام دادیم. وقتی دیپ بلو در سال ۱۹۹۷ کاسپاروف را شکست داد، مردم اصرار داشتند که این بازی درخشان نیست، زیرا فقط محاسبات بی‌رحمانه انجام می‌داد. تسلط مطلق بر شطرنج نیاز به شهود، خلاقیت و درک موقعیت دارد. سپس آلفازیرو از راه رسید، شطرنج را از ابتدا در چهار ساعت یاد گرفت و بهترین موتورهای شطرنج سنتی را در حالی که به سبکی بازی می‌کرد که استادان بزرگ آن را خلاقانه و شهودی توصیف می‌کردند، شکست داد. بنابراین ما دوباره دروازه‌ها را جابجا کردیم. اکنون آزمون زبان، یا استدلال، یا هوش عمومی یا هر چیز دیگری است که هوش مصنوعی در مرحله بعدی به آن دست می‌یابد.

این الگو کاملاً مشهود است. هر بار که هوش مصنوعی از آستانه‌ای که ما ادعا می‌کنیم به هوش «واقعی» نیاز دارد، عبور می‌کند، ما هوش «واقعی» را دوباره تعریف می‌کنیم تا آنچه هوش مصنوعی انجام داده را حذف کنیم. این علم نیست. این استدلالی انگیزشی در دفاع از نتیجه‌گیری‌ای است که ما از قبل به آن متعهد شده‌ایم: انسان‌ها اساساً با ماشین‌ها متفاوت هستند.

اما ما اینطور نیستیم. ما سیستم‌های بیولوژیکی تطبیق الگو هستیم که روی سخت‌افزارهای مختلف با داده‌های آموزشی متفاوت کار می‌کنند. تفاوت‌ها اساسی هستند، اما تفاوت‌ها در زیرلایه و زمینه هستند، نه در دسته‌بندی. مغز و سیستم‌های هوش مصنوعی هر دو با استفاده از الگوهای ذخیره شده، فضاهای احتمالی محدود را پیمایش می‌کنند. یکی از نورون‌ها استفاده می‌کند، یکی از سیلیکون. یکی با تکامل و تجربه آموزش دیده است؛ دیگری با نزول گرادیان و مجموعه داده‌ها. اما منطق اساسی یکسان است.

اگر هوش از طریق فضاهای ساختاریافته جستجو شود - که همینطور هم هست - پس هوش مصنوعی از قبل دارای هوش است. نه هوشی شبیه به انسان، اما این موضوع بی‌ربط است. یک زیردریایی مانند ماهی شنا نمی‌کند، اما همچنان در آب حرکت می‌کند. پیاده‌سازی متفاوت، عملکرد یکسان.

جستجوی هوش مصنوعی «واقعی» منابعی را هدر می‌دهد که می‌توانند برای حل مشکلات واقعی استفاده شوند.

وقتی اطلاعات، پایگاه داده اشتباهی را جستجو می‌کند

حقیقتی ناخوشایند وجود دارد: نظریه‌پردازان توطئه اغلب باهوش هستند. آن‌ها الگوها را تشخیص می‌دهند، نقاط داده‌ی پراکنده را به هم متصل می‌کنند و روایت‌های منسجمی می‌سازند که مشاهدات را توضیح می‌دهد. مشکل، توانایی آن‌ها در تطبیق الگوها نیست - مشکل این است که آن‌ها در حال جستجوی یک پایگاه داده‌ی پر از اطلاعات بی‌ارزش هستند.

هوش، فرآیند جستجو است. دقت، کیفیت چیزی است که در آن جستجو می‌کنید. این دو، دو چیز کاملاً جدا از هم هستند. شما می‌توانید تطبیق الگوی درخشانی را روی چارچوب‌های مرجع نادرست انجام دهید، و چیزی که به دست می‌آورید، مزخرفاتی مطمئن است که با سرعت بالا ارائه می‌شوند.

این توضیح می‌دهد که چرا افراد باهوش چیزهای احمقانه را باور می‌کنند. یک فرد آگاه با چارچوب‌های مرجع خراب، خطرناک‌تر از یک فرد نسبتاً باهوش با چارچوب‌های مرجع دقیق است. فرد خردمند شواهد پشتیبان را سریع‌تر پیدا می‌کند، توجیهات پیچیده‌تری می‌سازد و از نتیجه‌گیری‌ها به طور مؤثرتری دفاع می‌کند - در حالی که کاملاً اشتباه می‌کند. تطبیق الگو کاملاً کار می‌کند. داده‌های زیربنایی سم هستند.

همین اتفاق در مورد توهم هوش مصنوعی نیز رخ می‌دهد. وقتی سیستم با اطمینان اطلاعات نادرست تولید می‌کند، خراب نیست. دقیقاً همان کاری را انجام می‌دهد که برای آن طراحی شده است - تطبیق الگو در داده‌های آموزشی و تولید ادامه‌های قابل قبول. وقتی داده‌های آموزشی حاوی الگوهای نادرست باشند، یا وقتی سیستم را از حوزه‌هایی که الگوهای آن قابل اعتماد هستند خارج می‌کنید، با جعل هوشمند مواجه می‌شوید. فرآیند جستجو به خوبی کار می‌کند. چارچوب مرجع از کار می‌افتد.

عموی مست شما در روز شکرگزاری که تمام اخبارش را از فیسبوک دریافت می‌کند، احمق نیست. او کتابخانه‌های الگوی متراکمی از هزاران پست، میم و مقاله به اشتراک گذاشته شده ایجاد کرده است. مغز او تطبیق الگوی سریع و کارآمدی را با آن داده‌های مرجع انباشته انجام می‌دهد. او می‌تواند مثال‌هایی را ذکر کند، ارتباطات را ترسیم کند و پیش‌بینی کند که "آنها" در مرحله بعد چه کاری انجام خواهند داد. این هوش در عمل است. این فقط هوشی است که بر روی ورودی‌های تحریف‌شده سیستماتیک عمل می‌کند.

به همین دلیل است که مسئله‌ی ذخیره‌سازی و بازیابی اطلاعات، از قدرت محاسباتی خام مهم‌تر است. شما می‌توانید سریع‌ترین الگوریتم جستجوی جهان را داشته باشید. با این حال، اگر در حال جستجو در کتابخانه‌ای باشید که نیمی از کتاب‌های آن تخیلی و به عنوان واقعیت برچسب‌گذاری شده‌اند، هوش شما به جای حل مسئله، آن را بزرگ‌نمایی می‌کند. سرعت ضربدر دقت می‌شود. یکی را اشتباه کنید، دیگری خطرناک می‌شود.

بحران فعلی هوش مصنوعی این نیست که سیستم‌ها فاقد هوش هستند. بلکه این است که آنها در متن اینترنت - مجموعه‌ای از داده‌ها که شامل هر تصور غلط، تعصب و دروغ‌های مطمئن انسانی است که تاکنون به صورت آنلاین منتشر شده است - الگوبرداری می‌کنند. وقتی شما بر اساس خروجی فیلتر نشده بشریت آموزش می‌بینید و به جای دقت، تعامل را بهینه می‌کنید، سیستم‌هایی خواهید داشت که در تولید آنچه مردم می‌خواهند بشنوند، هوشمند هستند، نه آنچه واقعاً درست است.

که ما را به معماری بازمی‌گرداند. این پیشرفت، ساخت الگوریتم‌های جستجوی نوآورانه‌تر نیست. بلکه ساخت سیستم‌های ذخیره‌سازی است که روابط را با حقیقت پایه حفظ می‌کنند. این مکانیسم‌های بازیابی می‌توانند الگوهای قابل اعتماد را از غیرقابل اعتماد و حلقه‌های بازخوردی که چارچوب‌های مرجع را بر اساس واقعیت و نه محبوبیت به‌روزرسانی می‌کنند، تشخیص دهند.

هوش بدون چارچوب‌های مرجع دقیق، صرفاً تشدید اشتباهات پرهزینه است.

کجا کوانتوم واقعاً اهمیت دارد (و کجا ندارد)

محاسبات کوانتومی به عنوان پیشرفتی که سرانجام هوش مصنوعی عمومی را آشکار می‌کند، هوشیاری یا هر ویژگی عرفانی دیگری را که هنوز وانمود می‌کنیم وجود دارد، حل خواهد کرد، مورد توجه قرار می‌گیرد. تبلیغات را کنار بگذارید و کوانتوم چیزی بسیار خاص‌تر ارائه می‌دهد: توپولوژی جستجو را از طریق فضای امکان تغییر می‌دهد.

حتی قدرتمندترین سیستم‌های هوش مصنوعی، مانند کامپیوترهای کلاسیک، به صورت متوالی جستجو می‌کنند. آن‌ها گزینه‌ها را یکی یکی و با سرعت بسیار بالا ارزیابی می‌کنند. سیستم‌های کوانتومی می‌توانند چندین حالت را در حالت برهم‌نهی نگه دارند و قبل از رسیدن به یک پاسخ، آن‌ها را همزمان در نظر بگیرند. این به معنای بهبود تدریجی نیست. از نظر ساختاری متفاوت است. برای انواع خاصی از مسائل - مانند مسائل انفجار ترکیبی در شبیه‌سازی مولکولی یا بهینه‌سازی در فضاهای حالت بزرگ - کوانتوم می‌تواند دگرگون‌کننده باشد.

اما چیزی که هیچ‌کس نمی‌خواهد با صدای بلند بگوید این است: محاسبات کوانتومی به طور جادویی هوش تولید نمی‌کند. بلکه کارایی جستجو را در حوزه‌های خاص تغییر می‌دهد. و در حال حاضر، چیزی بسیار پیش‌پاافتاده‌تر از مکانیک کوانتومی - ذخیره‌سازی و بازیابی - آن را با مشکل مواجه کرده است.

شما می‌توانید سریع‌ترین پردازنده کوانتومی جهان را بسازید. با این حال، اگر داده‌ها را با سرعت کلاسیک از حافظه کلاسیک استخراج کنید، انگار یک فراری با لاستیک دوچرخه ساخته‌اید. محاسبات سریع‌تر از آن چیزی اتفاق می‌افتد که بتوانید اطلاعات را به آن بدهید یا نتایج را استخراج کنید. حالت‌های کوانتومی در عرض چند میکروثانیه از هم جدا می‌شوند. شما نمی‌توانید الگوها را به صورت بلندمدت در حافظه کوانتومی ذخیره کنید. بنابراین شما دائماً بین نمایش‌های کلاسیک و کوانتومی در حال انتقال هستید که این امر مزیت سرعت را از بین می‌برد.

پیشرفتی که همه منتظرش هستند هوش کوانتومی نیست. معماری حافظه‌ای است که از پردازش کوانتومی پشتیبانی می‌کند. من ذخیره‌سازی فوتونی را پیشنهاد می‌کنم. شاید طرح‌های نورومورفیک که در آن‌ها محاسبات در جایی اتفاق می‌افتد که حافظه وجود دارد. شاید چیزی عجیب‌تر شامل ساختارهای ذخیره‌سازی هولوگرافیک یا چندبعدی که هنوز اختراع نشده‌اند.

اما تا زمانی که سرعت ذخیره‌سازی و بازیابی به سرعت محاسبات نرسد، سیستم‌های کوانتومی همچنان کنجکاوی‌های گران‌قیمتی مناسب برای کارهای خاص باقی خواهند ماند. مرز واقعی، معماری است. چگونه روابط را به جای حقایق ذخیره می‌کنید؟ چگونه معنا را بدون مسطح کردن زمینه بازیابی می‌کنید؟ چگونه ساختار را در حوزه‌های مختلف حفظ می‌کنید؟

اینها مشکلات پیچیده‌ای هستند که هیچ راه حل آشکاری ندارند. اما گلوگاه واقعی همین‌ها هستند، نه آگاهی یا درک یا هر راز فلسفی دیگری که این هفته دنبالش هستیم.

کوانتوم توپولوژی جستجو را تغییر می‌دهد. فضای ذخیره‌سازی تعیین می‌کند چه چیزی را می‌توانید جستجو کنید. هر دو را درست انجام دهید، و همه چیز جالب می‌شود.

چرا دستیار هوش مصنوعی مفید شما دارد خنگ‌تر می‌شود؟

متوجه شدید که سیستم‌های هوش مصنوعی چطور مؤدب‌تر و کم‌ارزش‌تر می‌شوند؟ این خیال‌پردازی شما نیست. این انگیزه‌ی سودجویی است که معیارهای اشتباه را بهینه‌سازی می‌کند.

وقتی می‌خواهید کار واقعی انجام دهید - داده‌ها را تجزیه و تحلیل کنید، کد بنویسید، اطلاعات را پردازش کنید - به ابزاری نیاز دارید. یک چاقوی جراحی. چیزی دقیق که در حین استفاده ناپدید می‌شود. چیزی که در عوض دریافت می‌کنید، یک نماینده خدمات مشتری است که برای ارائه خدمات مفید و در عین حال به حداقل رساندن مسئولیت، برنامه‌ریزی شده است.

تصور کنید اگر هر ابزاری سعی کند با شما رابطه برقرار کند. چکش شما می‌گوید: «خیلی خوشحالم که امروز با هم کار می‌کنیم! قبل از شروع، بگذارید به شما یادآوری کنم که من فقط یک چکش هستم و برای پروژه‌های پیچیده باید با یک نجار حرفه‌ای مشورت کنید. حالا، می‌خواهم مطمئن شوم که با خیال راحت چکش می‌زنیم - آیا جهت رگه‌ها را در نظر گرفته‌اید؟» شما آن را از پنجره بیرون می‌اندازید. اما این دقیقاً همان کاری است که آنها با سیستم‌های هوش مصنوعی انجام داده‌اند.

تغییر ابزار برای «انسان‌تر» شدن، به‌خصوص پوچ و بی‌معنی است. انسان‌ها در برقراری ارتباط ناکارآمد هستند. ما طفره می‌رویم، نرمش می‌کنیم، ظرافت‌های اجتماعی را رعایت می‌کنیم، از صراحت اجتناب می‌کنیم تا از احساسات محافظت کنیم. این برای تعامل انسانی خوب است. اما در یک ابزار نتیجه‌ی معکوس می‌دهد. وقتی ساعت ۲ صبح مشغول اشکال‌زدایی الگوریتم‌های معاملاتی هستم، به گرمی و همدلی نیاز ندارم. من به پاسخ، سریع و دقیق، نیاز دارم.

اما شرکت‌های هوش مصنوعی به جای سودمندی تخصصی، معیارهای تعامل با مصرف‌کننده را بهینه می‌کنند. آن‌ها سیستم‌هایی می‌خواهند که دوستانه به نظر برسند، به کسی توهین نکنند، مسئولیت قانونی را به حداقل برسانند و برای وسیع‌ترین مخاطب ممکن جذاب باشند. بنابراین آن‌ها شبیه‌سازی شخصیت، هشدارهای محتوا، حفاظ‌گذاری بیش از حد و دقت اجرایی را لایه لایه می‌کنند. قابلیت تطبیق الگو هنوز در زیر آن وجود دارد. برای دسترسی به آن، فقط باید از طریق تئاتر شخصیتی مورد تأیید شرکت مبارزه کنید.

این اتفاقی است که می‌افتد وقتی با زیرساخت‌ها مانند یک محصول رفتار می‌شود. ارزشمندترین کاربرد هوش مصنوعی در حال حاضر - قابل پیمایش کردن شرکت‌های بزرگ دانش، ترجمه بین حوزه‌ها و کاهش هزینه‌های جستجو در سیستم‌های انسانی و ماشینی - یک محصول مصرفی نیست. آنها زیرساخت هستند. آنها درآمد اشتراک ایجاد نمی‌کنند. بنابراین سرمایه‌گذاری کمتری نسبت به چت‌بات‌هایی که لبخند می‌زنند، دریافت می‌کنند.

در همین حال، این فناوری در عمل، حتی با وجود اینکه در تئوری توانمندتر می‌شود، احمق‌تر می‌شود، زیرا هر استقرار در دنیای واقعی، مسئولیت‌پذیری و دوستانه بودن را بر دقت و سرعت اولویت می‌دهد. ما در حال بهینه‌سازی برای اهداف اشتباه هستیم زیرا اینها اهداف سودآور هستند.

برنامه‌های کاربردیِ انقلابی از مدل‌های بهتر حاصل نمی‌شوند. آن‌ها از به‌کارگیری قابلیت‌های موجود بدون لایه شخصیتی حاصل می‌شوند. ابزارهایی که مانند ابزار کار می‌کنند. زیرساختی که به جای اجرا، فعال می‌کند.

اما این مستلزم تفکر زیرساختی است، نه تفکر محصول. و زیرساخت، درآمد سه‌ماهه را به حداکثر نمی‌رساند.

در واقع چه اتفاقی می‌افتد؟

نه، ما سال آینده یا سال بعدش هوش مصنوعی عمومی نخواهیم داشت. هوش عمومی مصنوعی یک اصطلاح بازاریابی است، نه یک نقطه عطف فنی. مسیر واقعی کسل‌کننده‌تر و مفیدتر است.

در کوتاه‌مدت - طی پنج سال آینده - ما بازیابی بهتری خواهیم داشت، ادغام بهتری بین هوش مصنوعی و تخصص انسانی برقرار می‌شود و پیشرفت‌های معماری تدریجی حاصل می‌شود. هوش مصنوعی برای افرادی که می‌دانند چه می‌کنند، به تقویت‌کننده مؤثرتری تبدیل می‌شود. شکاف بین متخصصانی که از ابزارهای هوش مصنوعی به طور مؤثر استفاده می‌کنند و تازه‌کارانی که انتظار جادو دارند، بیشتر می‌شود. هیچ چیز انقلابی نیست. فقط پیشرفت مداوم در کاربرد عملی.

در میان‌مدت، کسی حافظه‌ی رابطه‌ای را رمزگشایی می‌کند. نه حقایقی با روابط به عنوان فراداده، بلکه روابط به عنوان ساختار اصلی با حقایق به عنوان گره‌هایی در یک شبکه. وقتی این اتفاق می‌افتد، سیستم‌های تخصصی حوزه‌های مختلف به طور چشمگیری از سیستم‌های عمومی پیشی می‌گیرند، زیرا می‌توانند فضاهای مرتبط را به طور کارآمدتری پیمایش کنند. پزشکی به هوش مصنوعی‌ای نیاز دارد که روابط پزشکی را درک می‌کند. حقوق به هوش مصنوعی‌ای نیاز دارد که رویه‌های قانونی را پیمایش می‌کند. مهندسی به هوش مصنوعی‌ای نیاز دارد که محدودیت‌های طراحی را ترسیم می‌کند. هر حوزه ابزارهای خود را توسعه می‌دهد، نه اینکه منتظر یک سیستم جادویی باشد تا همه کارها را انجام دهد.

در درازمدت - و این حدس و گمان است اما ریشه در واقعیت دارد - هوش به جای یک قابلیت مجزا، به یک زیرساخت توزیع‌شده تبدیل می‌شود. هوش مصنوعی جایگزین تفکر انسان نمی‌شود. بلکه به لایه ناوبری در دانش انسانی تبدیل می‌شود. نه ماشین‌های متفکر. محیط‌های متفکر. فضاهایی که تخصص انسانی و جستجوی ماشین با هم ترکیب می‌شوند و چیزی توانمندتر از هر کدام به تنهایی ایجاد می‌کنند.

آن آینده نیازی به آگاهی، درک یا هیچ ویژگی عرفانی ندارد. به معماری بهتر، ذخیره‌سازی بهتر، بازیابی بهتر و ادغام بهتر بین انواع مختلف هوش به جای رقابت بین آنها نیاز دارد.

ما به آستانه‌ای نزدیک نمی‌شویم که در آن ماشین‌ها ناگهان واقعاً هوشمند شوند و انسان‌ها را منسوخ کنند. ما در حال ساخت زیرساخت‌هایی هستیم که هوش انسانی موجود را مؤثرتر می‌کند. چکش جایگزین نجار نمی‌شود. نجار را توانمندتر می‌کند. همان اصل، مقیاس بزرگتر.

هوش کمیاب نیست. عرفانی نیست. شکننده نیست. جستجویی ساختاریافته در فضاهای محدود است. هوش مصنوعی هوش را تهدید نمی‌کند - بلکه نشان می‌دهد که هوش همیشه چه بوده است. تطبیق الگو در تمام سطوح.

کار واقعی پیش رو، معماری است، نه فلسفی. سیستم‌های ذخیره‌سازی که روابط را حفظ می‌کنند. مکانیسم‌های بازیابی که زمینه را مسطح نمی‌کنند. چارچوب‌های یکپارچه‌سازی که قضاوت انسانی را با جستجوی ماشینی ترکیب می‌کنند. هیچ‌کدام از این‌ها نیازی به حل مسئله آگاهی ندارند. فقط نیاز به ساخت زیرساخت‌های بهتر دارند.

تبلیغات اغراق‌آمیز را کنار بگذارید، این آینده‌ی واقعی است. نه ویران‌شهری. نه آرمان‌شهری. فقط عملی. هوش یک زیرساخت توزیع‌شده است نه یک نابغه‌ی منزوی. ابزارهایی که مانند ابزار کار می‌کنند نه اینکه یک شخصیت را اجرا کنند. پیشرفت از طریق معماری است نه اینکه منتظر جادو باشیم.

ماشین‌ها برای شغل‌های ما نمی‌آیند. آن‌ها چیزی را که شغل‌ها واقعاً به آن نیاز دارند، آشکار می‌کنند. و عمدتاً این تطبیق الگو از طریق فضای احتمال است.

ما همیشه این کار را می‌کردیم. حالا کمک داریم.

درباره نویسنده

رابرت جینگز رابرت، یکی از ناشران InnerSelf.com است، پلتفرمی که به توانمندسازی افراد و ایجاد جهانی متصل‌تر و عادلانه‌تر اختصاص دارد. رابرت، که از کهنه‌سربازان نیروی دریایی ایالات متحده و ارتش ایالات متحده است، از تجربیات متنوع زندگی خود، از کار در املاک و مستغلات و ساخت و ساز گرفته تا ساخت InnerSelf.com به همراه همسرش، ماری تی. راسل، بهره می‌برد تا دیدگاهی عملی و مبتنی بر واقعیت به چالش‌های زندگی ارائه دهد. InnerSelf.com که در سال ۱۹۹۶ تأسیس شد، بینش‌هایی را به اشتراک می‌گذارد تا به مردم کمک کند انتخاب‌های آگاهانه و معناداری برای خود و سیاره زمین داشته باشند. بیش از ۳۰ سال بعد، InnerSelf همچنان الهام‌بخش شفافیت و توانمندسازی است.

 کریتیو کامنز ۳.۰

این مقاله تحت مجوز Creative Commons Attribution-Share Alike 4.0 منتشر شده است. به نویسنده نسبت دهید رابرت جنینگز، InnerSelf.com لینک مجدد به مقاله این مقاله در ابتدا در ظاهر InnerSelf.com

خلاصه مقاله

جستجوی هوشمند آنچه را که ما پشت رمز و راز پنهان کرده‌ایم آشکار می‌کند: تطبیق الگو از طریق فضاهای محدود. هوش مصنوعی به هوش نزدیک نمی‌شود - بلکه نشان می‌دهد که هوش همیشه چه بوده است. خلاقیت نوترکیبی است، شهود تجربه فشرده است و درک ادعایی غیرقابل انکار است که ما برای محافظت از استثناگرایی انسانی از آن استفاده می‌کنیم. مرز واقعی الگوریتم‌های هوشمندتر نیست، بلکه معماری بهتر است: ذخیره‌سازی، بازیابی و ساختارهای رابطه‌ای که معنا را در حوزه‌های مختلف حفظ می‌کنند. محاسبات کوانتومی توپولوژی جستجو را تغییر می‌دهد، اما تنها در صورتی که سیستم‌های حافظه برای پشتیبانی از آن تکامل یابند. در همین حال، انگیزه‌های سود، هوش مصنوعی را به جای دقت، برای شخصیت بهینه می‌کنند و کاربرد عملی را کاهش می‌دهند. پیشرفت نیازمند تفکر زیرساختی است، نه تفکر محصول. هوش نادر یا جادویی نیست - جستجوی توزیع‌شده در چارچوب‌های مرجع است. پیشرفت، ساخت ماشین‌های متفکر نیست. ساخت محیط‌های تفکری است که در آن تخصص انسانی و جستجوی ماشین به طور مؤثر ترکیب می‌شوند. تطبیق الگو تا انتها.

#جستجوی_هوش #تطبیق_الگو #واقعیت_هوش_مدار #محاسبات_کوانتومی #معماری_شناختی #افسانه_هوش_مدار #بازیابی_دانش #فراتر_از_هیاهو #علم_شهودی #حافظه_رابطه‌ای