درک انقلاب هوش مصنوعی | واقعیت یا توهم؟

انقلاب هوش مصنوعی (AI) فرا رسیده‌است و بی‌گمان دنیای ما را دگرگون خواهد ساخت. این نوید را جنجال و هیاهوی پیرامون انتشار ChatGPT نسخه‌ی 3.5 توسط شرکت OpenAI در نوامبر 2022 به گوش جهانیان رساند؛ ChatGPT تنها آغازی در این عرصه بود. در واقع، از آن تاریخ تاکنون شاهد پیشرفت‌های چشمگیری بوده‌ایم، از جمله انتشار نسخه‌ی به‌روزرسانی‌شده‌ی 4.0 که در موتور جستجوی Bing مایکروسافت ادغام شد و همچنین عرضه‌ی Gemini گوگل.

معرفی GPT-4o : نقطه عطف انسان و ChatGPT

درباره پیامدهای احتمالی هوش مصنوعی برای بشریت و جامعه، مطالب بسیاری از زمان‌های دور نگاشته شده‌است. این مباحث طیف وسیعی را در بر می‌گیرند، از چشم‌اندازهای خوش‌بینانه‌ی افراطی که فناوری‌های مشابه سریال “پیشتازانِ فضا” را در آینده‌ای نزدیک نوید می‌دهند و جامعه‌ای با “هزینه نهایی صفر” را ترسیم می‌کنند، تا سناریوی به‌ظاهر قریب‌الوقوع “سلطه‌ی هوش مصنوعی” که منجر به بیکاری گسترده یا بردگی (و حتی نابودی) نوع بشر خواهد شد. با این وجود، تا چه حد این سناریوها واقعیت دارند و چه بخش‌هایی داستان‌پردازی صرف‌اند؟ در این مجموعه مقالات سه‌گانه، به طور اجمالی به واقعیت و داستان‌پردازی پیرامون هوش مصنوعی، تأثیر آن بر علم اقتصاد (و اقتصاد کلان) و خطرات و تهدیدات واقعی آن خواهیم پرداخت. آیا این آغاز یک پایان است؟

هوش مصنوعی در تخیل و واقعیت

درک عمومی از اصطلاح “هوش مصنوعی” عمدتاً متاثر از کتاب‌ها و فیلم‌های علمی-تخیلی است. هوش مصنوعی در این گونه رسانه‌ها، به مثابه موجودی آگاه و البته غیرزیستی تصویر می‌شود (نوعی انسان ماشینی). این ماشین هوشمند اغلب فاقد برخی ویژگی‌های انسانی، مانند همدردی یا اخلاق نشان داده می‌شود. با این حال، بر خلاف انسان، از محدودیت‌های محاسباتی ناقص و فقدان دانش نیز رهایی دارد. گاهی اوقات هوش مصنوعی نیک‌خواه و دوست یا حتی خدمتگزار بشر است، مانند شخصیت دیتا (Data) در سریال “پیشتازان فضا: نسل بعدی”. اما اغلب از هوش مصنوعی برای برجسته کردن مشکلات، تنش‌ها یا حتی تهدیدی برای هستی بشر استفاده می‌شود. نمونه‌هایی از چنین هوش مصنوعی‌های مخرب شامل اسکای‌نت در فیلم‌های ترمیناتور، ماشین‌ها در ماتریکس و هال ۹۰۰۰ در فیلم “2001: ادیسه فضایی” هستند.

آن هوش مصنوعی (AI) که در هیاهوی دنیای واقعی امروزمان وجود دارد، مانندِ ChatGPT از OpenAI و Gemini گوگل، هیچ شباهتی به این “موجودات” علمی-تخیلی ندارد؛ آن‌ها به هیچ وجه به موجودات آگاه حتی نزدیک هم نیستند. در واقع، آن چیزی که ما امروز در اختیار داریم آنقدر از چیزی که معمولاً “هوش” می‌نامیم فاصله دارد که اصطلاح جدیدی برای تمایز بین “مورد واقعی” و چت‌بات‌هایی که اکنون به عنوان “هوش مصنوعی” شناخته می‌شوند، ابداع شده‌است: “هوش مصنوعی عمومی (AGI)”. موجودات-ماشین‌های غیرزیستی باهوش، متفکر، استدلال‌کننده و عمل‌کننده در داستان‌های علمی-تخیلی، همان هوش مصنوعی عمومی هستند. این موضوع سوالی را مطرح می‌کند: هوش مصنوعی چیست؟

فناوری پشت هوش مصنوعی امروز

هوش مصنوعیِ در حال حاضر، همانندِ کتابخانه‌ای سرشار از کتاب است. هر دو، انبوهی از اطلاعات را در خود جای داده‌اند که به شیوه‌های گوناگونی نظیر موضوع، کلیدواژه، نویسنده و ناشر، دسته‌بندی شده‌اند. در کتابخانه‌ی معمولی، دسته‌بندیِ کتاب‌ها به منظور یافتنِ آنچه کاربر جستجو می‌کند، صورت می‌پذیرد.

با این حال، تصور کنید تمامی کتاب‌های موجود در یک کتابخانه اسکن شده و تمامی حروف، کلمات، جملات و سایر اجزاء تشکیل‌دهنده‌ی آن‌ها به صورت یکپارچه ذخیره و به سهولت قابل جستجو باشند. بدین ترتیب، این انبوه محتوا قابلیت دسته‌بندی بر اساس استقراء را خواهند یافت. به عبارت دیگر، یک نرم‌افزار رایانه‌ای با غربالگری همه‌ی این محتوا، قادر خواهد بود بر مبنای داده‌های موجود، دسته‌بندی‌های جدیدی را کشف کند. سؤالاتی از این قبیل مطرح می‌شوند: کلمات و عبارات رایج کدامند؟ ترتیب و نحوه‌ی ترکیب کلمات چگونه است و این چینش‌ها در چه بافت‌هایی پدیدار می‌شوند؟ چه عباراتی در انواع خاص کتاب‌ها یا فصول، تکرار بیشتری دارند؟ کدام ترکیب‌های واژگانی نادر بوده یا اصلاً وجود ندارند؟ آیا در نحوه‌ی به‌کارگیری کلمات و ساختار جمله، میان نویسندگان، کتاب‌ها و موضوعات مختلف، اختلافاتی مشهود است؟

یادگیری ماشین: کشف سوزن در انبار کاه اطلاعات

این غربالگری استقرایی از طریق محتوا، که تحت هدایت الگوریتم‌های آماری صورت می‌پذیرد، با عنوان “یادگیری ماشینی” شناخته می‌شود و ابزاری قدرتمند برای یافتن نکات ارزشمند پنهان در انبوهی از اطلاعات است. لازم به ذکر است که این نکات ممکن است از پیش شناخته‌شده نباشند؛ یادگیری ماشینی می‌تواند هم نکاتی را بیابد که از وجود آن‌ها آگاهیم و هم نکاتی را کشف کند که حتی تصور وجودشان را نمی‌کردیم. برای نمونه، به کارگیری چنین فنونی برای بررسی داده‌های پزشکی می‌تواند (و توانسته‌است) همبستگی‌ها و علل بالقوه‌ی بیماری‌هایی را بیابد که پیش‌تر ناشناخته بوده‌اند. به طور مشابه، مرکز مرکاتوس در دانشگاه جورج میسون متون حقوقی را از طریق همین الگوریتم‌های یادگیری ماشینی پردازش کرده‌است تا RegData را ایجاد نماید. RegData پایگاه داده‌ای است که به کاربران امکان تحلیل، مقایسه و ردیابی الزامات و محدودیت‌های نظارتی در ایالات متحده و فراتر از آن را می‌دهد.

از متن تا بینش: کاربردهای مدل‌های زبانی بزرگ

در حالی که RegData با هدف پشتیبانی از تحقیقات علوم اجتماعی در حوزه مقررات طراحی شده‌است، یادگیری ماشینی کاربردی به مراتب گسترده‌تر دارد و می‌توان از آن بر روی انواع مختلفی از اطلاعات بهره برد. یکی از کاربردهای برجسته‌ی یادگیری ماشینی در زمینه‌ی تحلیل متن است. هنگامی که الگوریتم‌های یادگیری ماشینی بر روی حجم عظیمی از متون به کار گرفته می‌شوند تا نحوه‌ی استفاده از زبان را کشف کنند، این مدل‌ها با عنوان “مدل زبانی بزرگ” (Large Language Model – LLM) شناخته می‌شوند.

مدل‌های زبان بزرگ، با تجزیه و تحلیل حجم انبوهی از متن، درک آماری عمیقی از ساختار و کاربرد زبان به دست می‌آورند. به عبارت دیگر، این مدل‌ها قادرند الگوهای موجود در زبان را شناسایی کرده و بر اساس آن، به تولید متون جدید، ترجمه زبان‌ها، پاسخ به سوالات پیچیده و انجام سایر وظایف مرتبط با زبان بپردازند.

همانطور که فرهنگ لغت کمبریج در توضیح مدلِ زبانی بزرگ (Generative Pre-trained Transformer – GPT) که ChatGPT بر اساس آن ساخته شده‌است، بیان می‌کند، این مدل‌ها “بازنمایی ریاضی پیچیده‌ای از متن یا سایر انواع رسانه هستند که به رایانه امکان می‌دهد برخی وظایف را انجام دهد، مانند تفسیر و تولید زبان، تشخیص یا ایجاد تصاویر و حل مسائل، به روشی که به عملکرد مغز انسان شباهت دارد.”

بر اساس درک آماریِ زبان که یک چت‌بات مدل زبان بزرگ (LLM) داراست، این چت‌بات قادر است به صورت پیش‌بینی‌پذیر پاسخ‌های متنی را برای پرسش‌ها و گفته‌ها تولید نماید؛ پاسخ‌هایی که تقلیدی از یک مکالمه‌ی واقعی به نظر می‌رسند. بدین ترتیب، چت‌بات مذکور وانمود به درک سؤالات و ایجاد پاسخ‌های مرتبط می‌کند؛ حتی می‌تواند بر پایه فهم خود از کاربرد کلمات، “احساساتی” را تظاهر کند و همدردی یا قدردانی خود را ابراز نماید.

گذر از آزمون تورینگ: توانایی شگفت‌انگیز چت‌بات‌ها

به عبارت دیگر، چت‌بات‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) مانند ChatGPT، می‌توانند به‌طور قابل‌توجهی از آزمون تورینگ عبور کنند، چرا که تشخیص پاسخ‌های آنها از پاسخ‌های یک انسان واقعی برای انسان‌ها بسیار دشوار است. با این حال، این چت‌بات‌ها در اصل موتورهای پیش‌بینی آماری هستند.

تاریخچه و سیر تکاملی هوش مصنوعی

آیا هوش مصنوعی واقعاً هوشمند است؟

تعریف هوش: فراتر از محاسبات و پیش‌بینی

قطعاً توانمند ساختن یک نرم‌افزار به ‌منظور تقلید گفتگوی انسانی، تا حدی که بتواند انسان‌های واقعی را فریب دهد، دستاوردی قابل توجه به شمار می‌آید. با این حال، پرسشِ محوری این است که آیا این نرم‌افزار حقیقتاً هوشمند است؟ برای ارجاع مجدد به فرهنگ لغت کمبریج، هوش به معنای “توانایی یادگیری، درک و قضاوت کردن یا داشتن عقاید مبتنی بر استدلال” تعریف می‌شود. اگرچه ما گاه از فعل‌هایی مانند “یادگیری” و “فهمیدن” در رابطه با ماشین‌ها استفاده می‌کنیم، این کاربردها مجازی بوده و مفهوم حقیقی این واژگان را منتقل نمی‌کنند. یک ماشین حساب صرفاً به این دلیل که قادر است پاسخ‌های مسائل ریاضی را ارائه‌دهد یا معادلات را حل کند، “فهم” ریاضی ندارد. ماشین حساب نه چیزی “یاد گرفته” است و نه می‌تواند “قضاوت” کند و نه حتی می‌تواند “عقیده‌ای” داشته‌باشد.

ماشین‌حساب‌ها و هوش مصنوعی: شباهت‌های پنهان

مسلماً هوش مصنوعی از ماشین‌حساب‌ها بسیار پیشرفته‌تر است. با این وجود، این پیشرفت، ماهیت مشابه آن‌ها از لحاظ منطقی را تغییر نمی‌دهد: هر دو بر اساس قواعد و داده‌های از پیش تعیین‌شده، ساختارمند و گردآوری‌شده، نتایج را ارائه می‌دهند. هیچکدام از آن‌ها اختیار یا آگاهی ندارند و قادر به خلق چیزی کاملاً نو (de novo) نیستند. بدیهی است که این موضوع در مورد ماشین‌حساب که نسبتاً ابزاری “احمق” است و تنها بر اساس قواعد ساده ریاضی خروجی تولید می‌کند، کاملاً آشکار است.

هرچند، در مورد هوش مصنوعی نیز همین موضوع صادق است. مسلما هوش مصنوعی به مراتب پیچیده‌تر از یک ماشین حساب است و از توانایی منحصر به فردی برای ایجاد دسته‌بندی‌های خاص خود و کشف روابط به صورت استقرایی برخوردار است. اما هوش مصنوعی فاقد “عقایدی مبتنی بر استدلال [خویش]” است. این فناوری تنها به تولید پیشگویانه‌ی پاسخ‌هایی مبادرت می‌ورزد که بر اساس متون از پیش پردازش‌شده، به لحاظ آماری احتمالاً همان چیزی است که یک انسان (یا حداقل می‌توانست) تولید می‌کرد. به همین علت است که هوش مصنوعی گاهی اوقات، با وجود دسترسی به دانش گسترده، عبارات نامفهوم و بی‌معنی تولید می‌کند و در پایبندی به حقیقت با مشکل مواجه می‌شود. هوش مصنوعی به سادگی قادر به تشخیص این تفاوت نیست (اصولا فاقد توانایی “تشخیص” است).

مقدمه‌ای بر انواع مدل‌های یادگیری ماشین

به عبارت دیگر، هوش مصنوعی از لحاظ منطقی، رفتاری کاملاً مغایر با آنچه از یک هوش انسانی (یا فرازمینی یا مصنوعی) انتظار داریم، از خود بروز می‌دهد: این هوش، گذشته‌نگر است، پاسخ‌ها را بر اساس داده‌های زبانی موجود تولید می‌کند و هیچ عنصری را که از لحاظ آماری قابل بازتولید از اطلاعات گذشته نباشد، به میان نمی‌آورد. همچنین، هوش مصنوعی دچار خطا، سردرگمی یا فراموشی نمی‌شود و فاقد عینیت است.

تفاوت‌های کلیدی بین هوش انسانی و مصنوعی

یک “هوش حقیقی” قطعا بر تجربه‌ی خویش تکیه خواهد کرد، اما علاوه بر آن، از توانایی تولید محتوای بدیع و استنتاجات ابتکاری نیز برخوردار است. چنین هوشمندی‌ای قادر خواهد بود رویکردی تازه و خلاقانه در پیش گیرد و بر مبنای داده‌های یکسان به نتایج متفاوتی دست یابد. هوش حقیقی، گاه بخش‌های ارزشمند اطلاعات را به فراموشی می‌سپارد، مرتکب اشتباه می‌شود و از استنتاجات نادرست بهره می‌گیرد. همچنین، هوش حقیقی به صورت ذهنی به سنجش و تفسیر حقایق می‌پردازد و یا ممکن است انتخاب کند که برخی از داده‌ها را نادیده انگارد.

انقلاب هوش مصنوعی: فراتر از هوشمندی

با وجود آنکه هوش مصنوعی، به معنای دقیق کلمه، همانند هوش به تصویر کشیده شده در داستان‌های علمی-تخیلی نیست، لکن این امر به معنای بی‌اهمیت بودن یا فقدان تأثیرگذاری آن نمی‌باشد. پیشرفت تکنولوژیکی‌ای که هوش مصنوعی نماینده‌ی آن است، انقلابی تمام‌عیار تلقی می‌شود و پیامدهای گسترده‌ای بر هر دو مقوله‌ی اقتصاد و جامعه خواهد داشت.