ناکامی غول‌های فناوری در برابر ۴ نقطه ساده

تصمیم‌گیری در چنین چندراهی‌هایی نیازمند منطق XOR است. پزشکی و تشخیص بیماری: یک بیماری خاص را در نظر بگیرید که اگر بیمار «فقط تب» داشته باشد نشان‌دهنده یک گرمازدگی ساده است، اگر «فقط سرفه» داشته باشد نشان‌دهنده حساسیت است، اما اگر «هم تب و هم سرفه» داشته باشد نوعی عفونت کاملاً متفاوت است!

مدل هوش مصنوعی که منطق XOR را نفهمد، نمی‌تواند چنین تفکیک متقاطعی را میان علائم بیماری انجام دهد. پزشکی قانونی و ژنتیک: در آزمایش‌های ژنتیک، ترکیب برخی ژن‌ها دقیقاً الگوی XOR دارد؛ یعنی وجود یک ژن به تنهایی یا ژن دیگر اثر خاصی دارد، اما حضور هم‌زمان هر دو ژن آن اثر را خنثی می‌کند.

اگر هوش مصنوعی توانایی فهم مسئله XOR را نداشت، از پس هیچ‌کدام از تصمیم‌گیری‌های چندوجهی در پزشکی، خودران‌ها، امنیت و پردازش زبان برنمی‌آمد.

لایه پنهان؛ وقتی هوش مصنوعی مسئله را خم می‌کند تا حل شود راه حل این مشکل، ساختن «شبکه چندلایه» (Multilayer Perceptron) بود. این کار فقط افزودن تعداد بیشتری نورون یا مغز مصنوعی نبود، بلکه اضافه کردن یک «لایه پنهان» (Hidden Layer) در میان مسیر بود.

کار لایه پنهان چیست؟ لایه پنهان مثل عینکی است که بعد تازه‌ای به مسئله می‌دهد.

اگر همان صفحه کاغذ دوبعدی را که ۴ نقطه روی آن بود تصور کنید، لایه پنهان کاغذ را از وسط خم می‌کند یا نقاط را به بعد سوم (ارتفاع) می‌برد! حالا که یکی از نقاط بالا رفته است، می‌توانید یک صفحه یا خط صاف را از زیر آن رد کنید و نقاط را جدا سازید.

دانشگاه استنفورد در پژوهش‌های خود نشان می‌دهد که شبکه چندلایه، مسئله‌ای را که در نگاه اول غیرقابل حل به نظر می‌رسد، به فرم دیگری تبدیل می‌کند تا منطق ساده قبلی دوباره روی آن کارساز شود.

مینسکی و پاپرت آینده هوش مصنوعی را نابود نکردند یکی از مشهورترین سوءتفاهم‌های تاریخ هوش مصنوعی این است که می‌گویند: «کتاب مینسکی و پاپرت ثابت کرد هوش مصنوعی به درد نمی‌خورد و آن را نابود کرد!». اما واقعیت این نیست.

آن‌ها فقط نشان دادند که مدل‌های تک‌لایه محدودیت ریاضی دارند و نمی‌توانند مسائلی مثل XOR را حل کنند. اتفاقاً خود آنها می‌دانستند اگر لایه‌های میانی (پنهان) اضافه شوند، مشکل حل می‌شود.

مسئله اصلی زمانِ آنها این بود که فرمول و روشی برای آموزش دادن به آن لایه‌های میانی وجود نداشت. دانشمندان نمی‌دانستند چگونه به لایه پنهان یاد دهند که چه ویژگی جدیدی بسازد.

این شکاف سال‌ها بعد با ابداع روشی به نام «پس‌انتشار خطا» (Backpropagation) و قوی‌تر شدن پردازنده‌های کامپیوتر حل شد.

اما «زمستان هوش مصنوعی» یعنی چه و چرا رخ داد؟ «زمستان هوش مصنوعی» به دوره‌هایی در دهه ۱۹۷۰ و ۱۹۸۰ میلادی اشاره دارد که در آن، به دلیل برآورده نشدن وعده‌های بزرگ دانشمندان، موجی از ناامیدی سرمایه‌گذاران و دولت‌ها را فرا گرفت؛ بودجه‌های پژوهشی قطع شد، پروژه‌ها تعطیل شدند و هوش مصنوعی وارد یک خواب زمستانی طولانی شد.

اما برخلاف تصور عموم، این زمستان فقط تقصیر انتشار یک کتاب نبود. شکست‌های پی‌درپی در پروژه‌های واقعی مانند «ترجمه خودکار زبان‌ها» و «تشخیص گفتار»، همراه با گزارش‌های بدبینانه سازمان‌های بودجه‌دهی در آمریکا (DARPA) و بریتانیا (گزارش لایت‌هیل) باعث شد سرمایه‌ها عقب بکشند.

بررسی‌های تاریخی پژوهشگران ام‌آی‌تی نشان می‌دهد بازگشت منابع سرمایه‌گذاری حدود ۱۰ سال طول کشید. درس واقعی این تاریخ یک چیز است: خطر اصلی، دادن وعده‌هایی فراتر از توان واقعی یک فناوری است.

امروز صورت مسئله عوض شده، اما درسِ آن همان است امروز در سال ۲۰۲۶، مدل‌های هوش مصنوعی بسیار غول‌پیکر و پیچیده شده‌اند و اصلاً با مدل‌های ساده دهه ۱۹۵۰ قابل مقایسه نیستند. اما منطق آزمون همان است.

هم‌زمان با سرمایه‌گذاری‌های صدها میلیارد دلاری در زیرساخت‌های هوش مصنوعی، رویترز گزارش می‌دهد که اقتصاددانان می‌پرسند: «آیا این هزینه‌ها واقعاً بازده اقتصادی دارند؟». داستان تاریخی مسئله XOR به ما هشدار می‌دهد وقتی یک فناوری را با هایپ و وعده‌های شگفت‌انگیز تبلیغ می‌کنیم، قبل از هر چیز باید ببینیم ساختار و معماری آن واقعاً چقدر توان یادگیری دارد، کجاها زمین می‌خورد و در دنیای واقعی خارج از آزمایشگاه چه عملکردی نشان می‌دهد.

بمنظور دسترسی پایدار به اخبار و مطالب ما، آخرین نسخه اپلیکیشن را می‌توانید از اینجا و در فروشگاه‌های « کافه بازار » و « مایکت » دانلود و نصب کنید.