تاریخچه هوش مصنوعی: هفتاد سال امید، ناامیدی و جهش
از پرسش تورینگ در ۱۹۵۰ تا چتجیپیتی در ۲۰۲۲، هوش مصنوعی چند بار تا اوج رفت و دوباره فراموش شد. روایت این مسیر، و درسی که برای قضاوت دربارهی هیاهوی امروز دارد.
حدود سال ۱۹۶۶ برنامهای در دانشگاه امآیتی ساخته شد به اسم الیزا که نقش رواندرمانگر را بازی میکرد. کارش ساده بود: جملهی کاربر را برمیگرداند و سؤال میکرد. «از مادرم ناراحتم» جواب میگرفت «بیشتر از مادرتان بگویید». با این حال بعضی کاربرها ساعتها با آن حرف میزدند و باور داشتند فهمیده شدهاند.
این داستان را اول آوردم چون خلاصهی کل تاریخچه هوش مصنوعی در آن هست: ماشینی که کمتر از آنچه بهنظر میرسد میفهمد، آدمهایی که بیشتر از واقعیت امید میبندند، و چرخهای که هفتاد سال است تکرار میشود. اگر پیشزمینه میخواهید، اول هوش مصنوعی چیست را ببینید؛ اینجا فقط سراغ روایت میرویم.
۱۹۵۰: پرسشی که همهچیز را شروع کرد
آلن تورینگ، ریاضیدان انگلیسی که در جنگ جهانی دوم در شکستن رمزهای آلمان نقش داشت، در ۱۹۵۰ مقالهای نوشت با یک سؤال ساده: آیا ماشین میتواند فکر کند؟
زیرکیاش در این بود که سؤال را عوض کرد. بهجای بحث بیپایان دربارهی معنای «فکر»، یک آزمون پیشنهاد داد: اگر داوری در گفتگوی متنی نتواند ماشین را از انسان تشخیص دهد، دیگر به چه دلیل بگوییم فکر نمیکند؟ این «آزمون تورینگ» هنوز هم بحثبرانگیز است. متن و زمینهی آن در مدخل آزمون تورینگ در ویکیپدیا آمده.
۱۹۵۶: تابستانی که اسم گذاشت
شش سال بعد، گروهی از پژوهشگران در کالج دارتموث آمریکا یک کارگاه تابستانی برگزار کردند. جان مککارتی، یکی از برگزارکنندگان، اسم این رشتهی تازه را «هوش مصنوعی» گذاشت. پیشنهادشان پر از اعتمادبهنفس بود: فکر میکردند گروهی کوچک در یک تابستان میتواند پیشرفت چشمگیری در زبان و یادگیری ماشین بکند.
نکرد. ولی همین خوشبینی بود که دو دهه پول و استعداد را به این رشته کشید. برنامههایی ساخته شد که قضیهی ریاضی ثابت میکردند، شطرنج بازی میکردند و به زبان سادهی انگلیسی جواب میدادند. پژوهشگران برجسته پیشبینی میکردند ظرف یکی دو دهه ماشینی همتراز انسان خواهیم داشت.
زمستانها: وقتی وعدهها عملی نشد
مشکل این بود که کارهایی که برای انسان سخت است — ریاضی، شطرنج — برای ماشین نسبتاً آسان درآمد، و کارهایی که برای یک بچه آسان است — دیدن، راه رفتن، فهمیدن یک جملهی مبهم — بهطرز ناامیدکنندهای سخت. برنامههایی که در آزمایشگاه درخشیده بودند، در دنیای واقعی با اولین ورودی غیرمنتظره میشکستند.
در دههی ۱۹۷۰ دولتها و سرمایهگذارها عقب کشیدند و بودجهها قطع شد. به این دوره «زمستان هوش مصنوعی» میگویند. در دههی ۱۹۸۰ «سیستمهای خبره» دوباره امید را زنده کردند: برنامههایی که دانش متخصص را به شکل هزاران قاعدهی «اگر این، آنگاه آن» ذخیره میکردند. چند شرکت بزرگ از آنها استفاده کردند، ولی نگهداریشان گران بود و با هر وضعیت تازه قاعدهی تازه لازم داشتند. اواخر همان دهه زمستان دوم رسید.
سیستم خبرهای را تصور کنید که بخواهد تشخیص دهد یک فرش دستباف کاشان است یا تبریز. متخصص دهها نشانه را میشناسد که بخشیاش را حتی نمیتواند به زبان بیاورد. نوشتن همهی اینها بهصورت قاعده عملاً ناممکن است. راهحلی که بعدها جواب داد برعکس بود: بهجای نوشتن قاعده، به ماشین هزاران مثال نشان بده تا خودش الگو را پیدا کند.
۱۹۹۷: شکست کاسپاروف
در ۱۹۹۷، کامپیوتر دیپبلوی آیبیام گری کاسپاروف، قهرمان شطرنج جهان، را در یک مسابقهی چندبازی شکست داد. تیترها نوشتند ماشین از انسان جلو زد.
واقعیت فروتنانهتر بود. دیپبلو بیشتر با قدرت محاسبه برد، نه با یادگیری: در هر حرکت تعداد عظیمی از ادامههای ممکن را میسنجید. در شطرنج بیرقیب بود و بیرون از آن هیچ. نمونهی کامل چیزی که امروز «هوش مصنوعی محدود» مینامیم؛ تفاوت این نوعها در انواع هوش مصنوعی آمده.
۲۰۱۲: شبکههای عصبی برمیگردند
ایدهی شبکهی عصبی، یعنی لایههایی از واحدهای ساده که با دیدن مثال تنظیم میشوند، از همان دههی ۱۹۵۰ وجود داشت. سالها کنار گذاشته شده بود چون داده و قدرت محاسبهی کافی نبود.
تا ۲۰۱۲. آن سال شبکهای به اسم الکسنت در مسابقهی تشخیص تصویر ایمیجنت با فاصلهی چشمگیری از بقیه جلو افتاد. دو چیز این را ممکن کرده بود: میلیونها عکس برچسبخورده، و پردازندههای گرافیکی که برای بازیهای کامپیوتری ساخته شده بودند ولی برای این محاسبهها هم عالی بودند. از آن سال «یادگیری عمیق» شد موتور اصلی این رشته. اینکه دقیقاً چه فرقی با یادگیری ماشینِ قدیمیتر دارد، در تفاوت یادگیری ماشین و یادگیری عمیق آمده.
۲۰۱۷ تا ۲۰۲۲: از یک مقاله تا گوشی همه
در ۲۰۱۷ پژوهشگران گوگل مقالهای منتشر کردند که ساختار تازهای به اسم «ترنسفورمر» را معرفی میکرد. مزیتش این بود که میتوانست رابطهی هر کلمه با همهی کلمههای دیگر جمله را همزمان در نظر بگیرد و آموزشش روی دادهی عظیم ممکن و مقرونبهصرفه بود.
چند سال بعد، مدلهای زبانیای که روی این ساختار و روی بخش بزرگی از متنهای اینترنت آموزش دیده بودند، کارهایی میکردند که کسی انتظارش را نداشت: ترجمه، خلاصه، کدنویسی، بدون اینکه برای هیچکدام جداگانه آموزش دیده باشند. سازوکارش در مدل زبانی بزرگ چیست توضیح داده شده.
بعد نوامبر ۲۰۲۲ رسید. چتجیپیتی فناوری تازهای نبود؛ رابط تازهای بود. یک جعبهی گفتگو که هر کسی میتوانست با آن حرف بزند. در چند ماه به یکی از سریعترین محصولهای پرکاربر تاریخ تبدیل شد، و «هوش مصنوعی» از اصطلاح دانشگاهی به حرف سر سفره رسید. داستان خود این محصول در چت جیپیتی چیست و چطور کار میکند آمده.
درس تاریخچه برای امروز
با این هفتاد سال چه کنیم؟ اول یک نگاه کنار هم به موجها:
| دوره | امیدِ آن زمان | آنچه واقعاً شد |
|---|---|---|
| دههی ۱۹۵۰ و ۶۰ | ماشینِ همترازِ انسان ظرفِ یکی دو دهه | برنامههای شکننده و زمستانِ اول |
| دههی ۱۹۸۰ | سیستمِ خبره جای متخصص را میگیرد | نگهداریِ گران و زمستانِ دوم |
| ۱۹۹۷ | ماشین از انسان جلو زد | قهرمانِ یک بازی، بیرون از آن هیچ |
| از ۲۰۱۲ تا امروز | هوشِ عمومی نزدیک است | ابزارهای پرکاربردِ واقعی، با خطاهای واقعی |
از این جدول سه درس درمیآید، به نظر من:
هیاهو و ناامیدی چرخه دارد. هر جهش با پیشبینیهای بزرگ همراه بوده و بیشترشان در زمان گفتهشده عملی نشده. این بار پیشرفت واقعیتر و گستردهتر است، چون میلیونها نفر هر روز از این ابزارها استفادهی واقعی میکنند. ولی هر کس دقیق میگوید «تا دو سال دیگر همهی شغلها…»، همان حرف ۱۹۶۰ را تکرار میکند.
کار سخت و کار آسان جابهجاست. امروز هم مدلی که مقالهی دانشگاهی مینویسد، ممکن است در شمردن حروف یک کلمه یا جمع چند عدد بلغزد. همان درس دههی ۱۹۷۰ است، در لباس تازه.
الیزا هنوز در ماست. همانطور که کاربرهای ۱۹۶۶ فکر میکردند فهمیده شدهاند، ما هم جواب روان و مطمئن را با جواب درست یکی میگیریم. این خطای ذهن ماست، نه ماشین. برای همین است که عدد و منبع را باید خودمان بررسی کنیم؛ اینکه ماشین چرا گاهی با اطمینان چیز ساختگی میگوید، در توهم هوش مصنوعی چیست باز شده.
یک راه خوب برای ملموس کردن این تاریخ، پرسیدن از خود این ابزارهاست. پرامپتی مثل این را در یک چت فارسی امتحان کنید:
تاریخچهی هوش مصنوعی را برای یک دانشآموز پایهی دهم توضیح بده.
فقط از رویدادهایی بگو که تاریخشان قطعی است.
برای هر رویداد یک جمله بگو که چرا مهم بود.
اگر دربارهی تاریخی مطمئن نیستی، صریح بنویس «مطمئن نیستم».جواب را با همین مقاله مقایسه کنید. اگر تاریخی جابهجا شده بود، همان درس سوم را زنده دیدهاید.
جمعبندی
تاریخچه هوش مصنوعی داستان یک خط صاف رو به بالا نیست. پرسش تورینگ در ۱۹۵۰، اسمگذاری در دارتموث ۱۹۵۶، دو زمستان، پیروزی دیپبلو در ۱۹۹۷، برگشت شبکههای عصبی در ۲۰۱۲، ترنسفورمر در ۲۰۱۷ و چتجیپیتی در ۲۰۲۲؛ بین هر کدام، سالها امید بیش از اندازه و بعد ناامیدی بیش از اندازه.
امروز هم در یکی از همین موجهاییم. بهترین موضع نه ذوقزدگی است نه بدبینی؛ استفاده از ابزار در جایی که واقعاً کار میکند، و بررسی خروجی در جایی که ممکن است نکند.
