حقایقی درباره هوش مصنوعی توسط افرادی که آن را خلق می‌کنند
معماران هوش (۲۰۱۸) مجموعه‌ای از مصاحبه‌ها با پژوهشگران، دانشمندان، بازرگانان و اندیشمندان پیشگام فناوری دیجیتال و هوش مصنوعی‌ست. درباره سرعت پیشرفت فناوری، سرعت فناوری در خودروهای خودران یا احتمال دستیابی به موفقیت در هوش عمومی، توافق چندانی وجود ندارد. اما می‌توانیم مطمئن باشیم که فناوری هوش مصنوعی قرارست محور اصلی جامعه، اقتصاد و زندگی را به طرز غیرقابل‌تصور و بی‌سابقه‌ای به هم بریزد.
مارتین فورد، آینده‌پژوه، سخنران و نویسنده‌ای‌ست که برای بسیاری از نشریات از جمله نیویورک‌تایمز و واشنگتن‌پُست در زمینه هوش مصنوعی و فناوری دیجیتال مطلب نوشته‌ست. از دیگر کتاب‌های وی می‌توان به چراغ‌هایی در تونل: خودکارسازی، سرعت فناوری و اقتصاد آینده و پرفروش‌ترین کتاب یعنی ظهور رُبات‌ها: فناوری و تهدید یک آینده بیکار اشاره کرد که برنده کتاب کسب‌وکار سال فایننشیال‌تایمز و مک‌کینزی شد.
این کتاب چه‌چیزی برای من دارد؟ نگاهی کلی به عملکردهای درونی و پیامدهای هوش مصنوعی.
از آخرین فیلم‌های علمی-تخیلی تا اخبار روزمره، به نظر می‌رسد هوش مصنوعی را می‌توان در همه جا یافت. اما شاید جای تعجب نباشد که توافق کمی درباره جزئیات مربوط به هوش مصنوعی وجود دارد. آیا خودکارسازی منجر به بیکاری گسترده خواهد شد؟ آیا خودروهای سنتی به‌زودی با خودروهای خودران جایگزین می‌شوند؟ آیا سرنوشت ما اینکه تحت سلطه رُبات‌های خودکار قرار بگیریم؟
علی‌رغم تنوع گسترده نظرات پیرامون این موضوعات، اغلب بدبینانه‌ترین و ملودراماتیک‌ترین صداها هستند. که هنگام بحث درباره هوش مصنوعی و تأثیرات بالقوه آن در مرکز توجه قرار می‌گیرند. معماران هوش
البته، هوش مصنوعی تهدیدهای واقعی برای اقتصاد ما در برخواهد داشت. اما تنها با تمرکز بر نکات منفی، ما از توانایی‌های هوش مصنوعی برای تغییر شکل جهان، تعریف مجدد کار و ارائه مزایای اصلی مراقبت‌های بهداشتی، از جمله بسیاری از مزایای دیگر، چشم‌پوشی می‌کنیم. بخش‌های مختلف این خلاصه‌کتاب یک دید کلی نسبت به هوش مصنوعی دارند. از نحوه عملکرد آن گرفته تا راههایی که می‌تواند به ما کمک کند یا به ما آسیب برساند. در طول مسیر، شما به یک درک کلی از نظرات ۲۳ متخصص هوش مصنوعی خواهید رسید که نویسنده در تدوین کتاب خودش با آنها مصاحبه کرده‌ست.
روش‌های مختلف یادگیری عمیق می‌توانند هوش مصنوعی را برای تکمیل وظایف آموزش دهند.
به دوران کودکی خودتان بیاندیشید. آیا اولین باری که یک گربه، یا عکسی از یک گربه را دیدید، به یاد می‌آورید؟ قبل از اینکه کاملاً بفهمید گربه چیست، باید چند گربه ببینید؟ معماران هوش
شما به احتمال زیاد فقط قبل از اینکه بتوانید گربه را از یک حیوان دیگر به‌راحتی تشخیص دهید فقط نیاز به دیدن یک یا دو مورد داشتید. این نوع یادگیری، که شامل مشاهده تعداد بسیار کمی از نمونه‌هاست. به‌راحتی و به‌طور طبیعی برای انسان به وجود می‌آید. اما برای هوش مصنوعی، بسیار دشوارست. برای اینکه هوش مصنوعی درک کند که چه حیوانی گربه‌ست، باید آموزش ببیند. امروزه، این امر اغلب از طریق یادگیری عمیق اتفاق می‌افتد. نوعی یادگیری ماشینی که بیشترین پیشرفت‌های عمده در هوش مصنوعی را طی دهه گذشته داشته‌ست.
فارغ از اینکه هوش مصنوعی در حال شناسایی گربه، سگ، فنجان قهوه یا هر چیزی باشد، همه‌چیز با یک شبکه عصبی شروع می‌شود. این نرم‌افزاری با چندین لایه «نورون»ست که همان‌هایی را تقلید می‌کند که در مغز انسان یافت می‌شود. معماران هوش
یادگیری عمیق
چند روش مختلف وجود دارد که دانشمندان معمولاً برای آموزش شبکه‌های عصبی استفاده می‌کنند. یکی یادگیری تحت نظارت، نوعی یادگیری عمیق‌ست که در آن هوش مصنوعی با مجموعه‌ای از مثال‌های آموزشی تغذیه می‌شود. که هر یک از آنها دارای توصیف هستند. پس از آموزش هوش مصنوعی، می‌توانیم تصویر گربه را به آن نشان دهیم. بعد، مجموعه پیکسل‌های موجود در تصویر از طریق شبکه عصبی عبور می‌کند، پس از آن دستگاه تأیید می‌کند – امیدواریم – آنچه «می‌بیند» واقعاً گربه باشد.
حتی اگر درست حدس بزند، این هوش مصنوعی هنوز تصوری از معنای کلمه «گربه» ندارد. نمی‌داند گربه چه‌کاری انجام می‌دهد یا زنده‌ست یا مرده. برای اینکه هوش مصنوعی این درک را ایجاد کند، باید از طریق یادگیری زبان زمینی آموزش داده شود. این یک روش یادگیری عمیق‌ست که در آن جملات یا کلمات با تصاویر، فیلم‌ها یا اشیاء در دنیای واقعی همراه هستند.
همه این شیوه‌ها یادگیری عمیق را برای داشتن انواع کاربردهای بالقوه امکان‌پذیر می‌کنند. از طرف دیگر، یادگیری مبتنی بر زبان می‌تواند به توسعه مهارت‌های زبانی هوش مصنوعی کمک کند. و آن را در دستیاران شخصی مانند سیری [Siri] مفید می‌داند. و یادگیری عمیق قبلاً برای آموزش هوش مصنوعی برای انجام بازی‌ها استفاده شده‌ست. در یکی از معروف‌ترین موارد، هوش مصنوعی آلفاگو [AI AlphaGo] با مشاهده بسیاری از بازی‌های گو [Go] آموزش دیده‌ست. و در نهایت، توانست بهترین قهرمان انسان را در بازی شکست دهد.
یادگیری عمیق محدودست.
تحت تأثیر قرار گرفتن یک هوش مصنوعی در بازی شطرنج، گو یا شوگی، بهترین بازیکنان انسانی را تحت تأثیر قرار می‌دهد. تحت تأثیر قرار نگرفتن سخت‌ست. اما به‌همان اندازه که به‌یادماندنی‌ست. به این معنی نیست که ما به دستیابی به هر نوع هوش عمومی نزدیک‌تر می‌شویم. هوش مصنوعی هنوز فقط در انجام کارهای مشخص و محدود مهارت دارد.
آلفازیرو [AlphaZero] را در نظر بگیرید. این برنامه از طریق یادگیری عمیق برای بازی در بازی‌های رومیزی، دو نفره و کاملاً قابل مشاهده مانند شطرنج و گو آموزش داده شد. با وجود مهارت آلفازیرو در این بازی، کارکرد آن در یادگیری هر نوع دیگر مانند پوکر کاملاً بی‌فایده‌ست.
برخلاف شطرنج یا گو، پوکر یک بازی با اطلاعات جزئی‌ست. این فقط تا حدی قابل مشاهده‌ست، به این معنی که هنگام بازی نمی‌توانید «تخته» کامل را ببینید. بنابراین، هوش مصنوعی پوکر بازی نیاز به الگوریتم‌هایی دارد که برای تخمین حرکاتی طراحی شده‌ست. و ماشین در واقع نمی‌تواند ببیند. آلفازیرو نمی‌تواند این کار را انجام دهد. به گونه‌ای طراحی شده‌ست که بازی را که انجام می‌دهد فقط شامل قطعات روی صفحه‌ست. معماران هوش
شبکه‌های عصبی برای آموزش
بنابراین، در حال حاضر، هوش مصنوعی فقط قادر به انجام کاری که به طور خاص برای آن آموزش دیده‌ست. اما مسئله اصلی دیگر درباره یادگیری عمیق و شبکه‌های عصبی، داده‌هایی‌ست که برای آموزش آنها استفاده می‌کنیم.
بر هیچ کس پوشیده نیست که انسان‌ها می‌توانند مغرضانه عمل کنند، حتی اگر ما قصد این کار را نداشته باشیم. به عنوان مثال، وقتی صحبت از پلیس می‌شود، آمارها نشان می‌دهد که در برخی از محله‌ها بیش از سایر مناطق گشت‌زنی می‌شود. به این معنی که ما در نهایت اطلاعات بیشتری درباره آن محله‌ها نسبت به مناطق دیگر داریم. اگر هوش مصنوعی با استفاده از این داده‌های انحرافی آموزش ببیند. در نهایت سیستم می‌تواند پیش‌بینی‌های مغرضانه‌ای درباره احتمال وقوع جرم انجام دهد.
محدودیت شیوه‌های یادگیری عمیق به معنی اینکه ما احتمالاً قادر به استفاده از هیچ یک از آنها برای رسیدن به مرحله بعدی توسعه هوش مصنوعی نیستیم. هوش عمومی مصنوعی یا AGI. چنین ماشینی به عقل سلیم یا توانایی استنباط درباره موقعیت‌هایی نیاز دارد که قبلاً هرگز روبرو نشده‌اند. معماران هوش
اما این چالش محققان را از بررسی روش‌های انجام این کار منصرف نکرده‌ست. چند روش برای دادن عقل سلیم به ماشین‌ها وجود دارد. یک راه اساساً شامل چسباندن هرچه بیشتر دانش به «مغز» هوش مصنوعی در قالب قوانین منطقی‌ست. با این وجود، این روش خیلی عملی نیست. زیرا تعداد بی‌نظیری از قوانین و موقعیت‌های بالقوه وجود دارد! روش دیگر، برخی از محققان امیدوارند که عقل سلیم از طریق ماشین صرفاً مشاهده‌گر جهان و یادگیری نحوه کار همه‌چیز، به روشی بدون ساختار پدید آید.
اما ممکن‌ست گزینه دیگری وجود داشته باشد. دانشمندان می‌توانند با استفاده از یک سیستم ترکیبی که شبکه‌های عصبی و قوانین منطقی سنتی را با هم ترکیب می‌کند. هوش عمومی مصنوعی [AGI] را ایجاد کنند. در بخش بعدی خلاصه‌کتاب نگاهی دقیق خواهیم انداخت.
سیستم‌های ترکیبی می‌توانند کلید پیشرفت بیشتر در هوش مصنوعی باشند.
در طول سال‌ها، شیوه‌های مختلف یادگیری ماشین مورد علاقه و دور از علاقه قرار گرفته‌ست. این پدیده دقیقاً همان چیزی‌ست که با مفهوم یادگیری عمیق اتفاق افتاد. این شیوه از اوایل دهه ۱۹۵۰ ظهور کرد. اما در دهه ۱۹۶۰ به عنوان شیوه‌ای بی‌فایده کنار گذاشته شد. با این حال امروز این روش دوباره یک روش غالب یادگیری ماشین‌ست. معماران هوش
یادگیری عمیق بدون شک در هوش مصنوعی آینده نقش خواهد داشت. اما محدودیت‌های آن بدان معنی‌ست که نمی‌تواند تنها شیوه‌ای باشد. و ما برای ایجاد هوش عمومی مصنوعی [AGI] استفاده می‌کنیم. در عوض، توسعه هوش عمومی مصنوعی [AGI] ممکن‌ست محققان را ملزم به ترکیب چندین روش مختلف یادگیری ماشین برای ایجاد یک سیستم ترکیبی کند.
مغز انسان با توانایی ذاتی یادگیری خلق می‌شود. کودکان تنها نمونه‌های ما برای افزایش مقیاس قابل اعتماد اطلاعاتی هستند که چیزی کمتر از هوش انسانی بزرگسالان‌ست. به همین دلیل، بسیاری از محققان هوش مصنوعی در حال مطالعه روی کودکان هستند. به امید کشف ساختارهای اساسی در مغز که به ما امکان یادگیری را می‌دهد.
توانایی ذاتی یادگیری انسان
یک دانشمند و محقق مغز و اعصاب، دمیس حسابیس، معتقدست که تلفیق یادگیری تقویت با سایر شیوه‌ها مناسب‌ترین مسیر برای هوش عمومی مصنوعی [AGI]ست. در انسان، این از طریق سیستم دوپامین ما اتفاق می‌افتد. جایی‌که سیناپس‌های مغز ما هنگام دریافت سیگنال‌های پاداش تقویت می‌شوند. ما می‌توانیم این مسئله را در هوش مصنوعی تقلید کنیم. و از ماشین بخواهیم که مرتباً یک کار را امتحان کند و «هر زمان که موفق شد» به آن «پاداش دهد». معماران هوش
البته، انسان‌ها از راه‌های دیگر نیز یاد می‌گیرند. ما بسیاری از یادگیری‌های بدون نظارت را انجام می‌دهیم. جایی‌که در اطراف خودمان گشت می‌زنیم و از طریق کاوش دانش را جمع می‌کنیم. اگر دانشمندان بتوانند چگونگی یادگیری هوش مصنوعی را از این طریق دریابند. بدون اینکه نیازی به تأمین تعداد زیادی داده برای آن داشته باشیم. تقریباً پیشرفت قطعی در توسعه هوش عمومی مصنوعی [AGI] خواهیم داشت.
مشابه مغز انسان، هوش مصنوعی به طور بالقوه می‌تواند با ساختاری اساسی ساخته شود. و سپس با شیوه‌های یادگیری عمیق در بالای آن آموزش ببیند. یک سیستم ترکیبی مانند این، اگرچه در کاربرد آن به طور بالقوه پیچیده‌ست، جدید نیست. این در حال حاضر در خودروهای خودران امروز مورد استفاده قرار گرفته‌ست. معماران هوش
چطوری؟ خُب، خودروهای خودران باید بتوانند درک کنند که در جاده چه تصمیماتی باید بگیرند. برخی از دانش خودروها می‌تواند از اطلاعات حاصله از طریق یادگیری عمیق کسب شود. اما هر شرایطی قابل پیش‌بینی نیست. این بدان معناست که انسان‌ها باید قوانینی را تنظیم کنند که شرایطی را تصور کند. که خودرو می‌تواند به طور بالقوه با آن روبرو شود. و نحوه پاسخ به آنها را بداند.
وسایل نقلیه خودران واقعاً هیجان‌انگیز هستند. اما برنامه‌های کاربردی بیشتری برای هوش مصنوعی وجود دارد. بیایید به برخی از آنها بپردازیم.
هوش مصنوعی این امکان را دارد که زندگی را برای همه راحت‌تر و بهتر کند.
در گذشته‌ای نه چندان دور، صحبت‌های زیادی درباره ظرفیت هوش مصنوعی برای تقویت تعصبات و کلیشه‌هایی وجود دارد. که انسان ناخواسته در آنها برنامه‌ریزی می‌کند. بسیاری از محققان دانشگاهی مسئله تعصب را هنگام استفاده از هوش مصنوعی درک می‌کنند. و الگوریتم‌هایی را برای پاسخ به آن اصلاح می‌کنند. اما، این می‌تواند به‌نفع ما مورد استفاده قرار گیرد. ما می‌توانیم از هوش مصنوعی برای از بین بردن سوگیری استفاده کنیم. معماران هوش
به صفر رساندن تعصب و اصلاح آن بسیار دشوارترست. اما، همانطورکه فِی-فِی لی [Fei-Fei Li]، دانشمند کامپیوتر، اشاره کرد. وقتی می‌بینیم تعصبات خودمان از طریق فناوری به ما بازتاب می‌یابد، می‌توانیم راههایی برای اصلاح آنها پیدا کنیم. و بنابراین، حذف تعصب فقط یک نمونه از توانایی هوش مصنوعی در بهبود زندگی مردم‌ست.
استفاده از هوش مصنوعی برای از بین بردن تعصب غیر واقعی‌ست. در واقع، این در حال حاضر در آفکتیوا [Affectiva] مورد استفاده قرار گرفته‌ست. آفکتیوا توسط دانشمند کامپیوتر و کارآفرین رانا الکالیوبی ایجاد شده‌ست. که معتقدست ما باید به جای «هوشمندی» آنها، در مورد هوش هیجانی ماشین بیاندیشیم. معماران هوش
الگوریتم‌ها و شیوه‌های پردازش زبان طبیعی
آفکتیوا از الگوریتم‌ها و شیوه‌های پردازش زبان طبیعی برای ایجاد یک ابزار استخدام هوش مصنوعی ضد تعصب استفاده کرده‌ست. به جای رزومه‌های مکتوب، داوطلبان مصاحبه‌های ویدئویی ارسال می‌کنند. که هوش مصنوعی براساس مهارت‌های ارتباطی غیرکلامی و پاسخ سؤالات داوطلبان رتبه‌بندی می‌کند. نتیجه چیست؟ در هیرِویو [Hirevue]، شرکتی که سیستم را آزمایش کرده‌ست. زمان استخدام ۹۰ درصد کاهش یافته و تنوع استخدام‌های جدید ۱۶ درصد افزایش یافته‌ست.
یکی دیگر از پروژه‌های الکالیوبی برای کمک به کودکان در طیف اوتیسم طراحی شده‌ست. که اغلب اوقات در تفسیر احساسات دیگران مشکل دارند. او و دیگران در آزمایشگاه خودشان نوع خاصی از عینک ایجاد کردند که می‌تواند احساسات مردم را «بخواند». و از این احساسات به صاحب آن بازخورد دهد. کودکانی که از این عینک استفاده می‌کردند در نهایت تماس چشمی بیشتری برقرار می‌کردند. و درک بیشتری را هنگام مشاهده چهره افراد تجربه می‌کردند. معماران هوش
گذشته از این کاربردهای تخصصی هوش مصنوعی، روش‌های زیادی برای کمک به یک فرد معمولی برای هوش ماشین وجود دارد. این ممکن‌ست با ربات‌هایی شروع شود که می‌توانند کارهای معمول و معمولی مانند لباس‌های تاشو را بر عهده بگیرند. و در نتیجه وقت ما را آزاد می‌کنند.
اما در اینجا متوقف نمی‌شود. به گفته ری کورزویل [Kurzweil]، مدیر مهندسی گوگل، ما احتمالاً روزی نانوربات‌هایی را در جریان خون خودشان شناور خواهیم کرد. این ربات‌های میکروسکوپی می‌توانند به طور بالقوه به سیستم ایمنی بدن ما کمک کنند، عمر ما را افزایش دهند و حتی مغز ما را به اینترنت وصل کنند. معماران هوش
هوش مصنوعی به پیشرفت‌های علمی، به‌ویژه در مراقبت‌های بهداشتی، کمک می‌کند.
امروز وارد هر بیمارستان یا مرکز مراقبتی در آمریکا می‌شوید، احتمالاً پزشکان و پرستاران پر استرسی را پیدا خواهید کرد. این روزها، متخصصان مراقبت‌های بهداشتی شیفت طولانی کار می‌کنند، برنامه‌های فشرده دارند و بسیار مستعد فرسودگی و استرس هستند.
نه‌تنها این، پزشکان و پرستاران عجول به این معنی هستند که بیماران تحت مراقبت با کیفیت پایین‌تر از آنچه هستند خدمات دریافت می‌کنند. در حقیقت، سومین علت اصلی مرگ‌ومیر در بیمارستان‌های آمریکا خطای پزشکی‌ست.
خوشبختانه، مراقبت‌های بهداشتی یکی از زمینه‌هایی‌ست که در آن هوش مصنوعی می‌تواند کمک بزرگی کند. بنابراین، همانطورکه کارآفرین اورن اتزیونی استدلال می‌کند – با انتخاب عدم برداشتن گام‌های فعال برای تلفیق هوش مصنوعی و مراقبت‌های بهداشتی، در واقع ما اجازه می‌دهیم زندگی بیشتری از بین برود.
بهداشت و درمان صنعت عظیمی‌ست. و طیف گسترده‌ای از روش‌های استفاده از هوش مصنوعی در آن وجود دارد.
آموزش شبکه‌های عصبی
از هم اکنون، شبکه‌های عصبی را می‌توان آموزش داد که وقتی یک تصویر حاوی تصویری از یک فنجان قهوه‌ست، تشخیص دهد. همان شبکه‌های عصبی هم‌چنین می‌توانند آموزش ببینند که مثلاً تومور در اسکن رادیولوژی چیست.
به همین ترتیب، تشخیص بیماری‌های روحی مانند افسردگی در حال حاضر دشوارست. زیرا ما بیشتر به گزارش از علائم، مانند افکار خودکشی اعتماد می‌کنیم. اما ما هم‌چنین می‌دانیم که برخی از نشانگرهای زیستی صورت و صوتی افسردگی وجود دارد. انتخاب آنها برای انسان‌ها بسیار دشوارست. اگرچه برای هوش مصنوعی با توانایی انجام اسکن‌های صورت و صوت، بسیار ساده‌ست.
اگر ربات‌ها مسئول بخشی از مراقبت از بیمار باشند، می‌توان وقت پزشکان و پرستاران را آزاد کرد و به مکان مورد نیاز واقعی اختصاص داد. از الگوریتم‌ها می‌توان برای تفسیر اطلاعات بیمار و ارائه بازخورد به پزشکان، بیماران و اعضای خانواده استفاده کرد که هم باعث صرفه‌جویی در وقت می‌شود. و هم ارتباطات را بهبود می‌بخشد.
اما فواید هوش مصنوعی درباره علم فقط با مراقبت‌های بهداشتی متوقف نمی‌شود. هم‌چنین می‌تواند به طور بالقوه در زمینه تحقیقات علمی کمک کند. پروژه سمنتک اسکولار [Semantic Scholar] را به سرپرستی اورن اتزیونی در نظر بگیرید. برای به‌روزبودن درباره آخرین تحقیقات، دانشمندان مجبورند تعداد زیادی از نشریات را بررسی کنند. سمنتک اسکولار با نشان دادن مقالاتی که احتمالاً می‌خواهند بخوانند. و یافتن یافته‌های مهم در آن مقالات به آنها کمک می‌کند. معماران هوش
تاکنون، ما درباره تمام هوش مصنوعی خوبی که در دنیا می‌تواند انجام وظیفه کند بحث کردیم، اما در بخش بعدی این خلاصه‌کتاب، برخی از نکات منفی احتمالی را بررسی خواهیم کرد.
هوش مصنوعی را می‌توان سلاح کرد.
بر هیچ کس پوشیده نیست که توانایی‌های مخرب بشریت با گذشت زمان بسیار زیاد شده‌ست، از تیر و کمان‌های قرون وسطایی گرفته تا بمب‌ها و هواپیماهای بدون سرنشین تخصصی که امروزه بیشتر نظامیان از آن استفاده می‌کنند.
این روزها، حتی شهروندان عادی نیز به هواپیماهای بدون سرنشین دسترسی دارند که می‌توانند آن را با بمب‌های کوچک مسلح کنند. خوشبختانه، هرچند، این نوع سلاح مقیاس‌پذیر نیست. هر پهپاد فقط می‌تواند یک بمب را در خود داشته باشد. و توسط یک شخص هدایت شود، به معنی اینکه توانایی‌های مخرب آن محدودست.
به لحاظ تئوریک، البته، هر سلاحی می‌تواند به صورت دسته‌جمعی تولید و برای مسلح کردن ارتش یک کشور استفاده شود. اما خوشبختانه ما از تحریم‌های بین‌المللی و آمادگی نظامی برای جلوگیری از چنین اتفاقاتی برخوردار هستیم. آنچه در حال حاضر نداریم یک سیستم بین‌المللی نظارت بر سلاح‌های خودران‌ست که می‌تواند فقط به یک نفر کنترل از راه دور کل ناوگان هواپیماهای بدون سرنشین مرگ‌بار را بدهد.
یک دلیل عمده خطرناک بودن سلاح‌های خودران اینکه بسیار مقیاس‌پذیر هستند. ناوگان عظیمی از ۱۰ میلیون پهپاد خودران را می‌توان فقط با پنج نفر که در اتاق کنترل کار می‌کنند نظارت و فقط با یک دکمه شلیک کرد. علاوه بر این، این سلاح‌های خودران می‌توانند برای حمله یا کشتن افراد خاص – مثلاً هر مرد بین ۱۲ تا ۶۰ سال در یک کشور خاص – برنامه‌ریزی شوند.
خطرات سلاح‌های خودران
و خطرات عمده دیگری نیز وجود دارد که با تولید سلاح‌های خودران همراه‌ست. برای اولین بار، به‌زودی می‌تواند یک مسابقه تسلیحاتی بین کشورهایی باشد که همه تلاش می‌کنند اولین نفر برای ایجاد این فناوری باشند. سلاح‌های خودران هم‌چنین در معرض هک دشمنان خواهند بود، به معنی اینکه در نهایت ممکن‌ست یک کشور توسط سلاح‌های خود مورد حمله قرار گیرد.
با توجه به این موضوعات قابل تصور، ضروری‌ست که تا زمانی که ما به توسعه فناوری سلاح خودران ادامه دهیم، خطرات را درک کرده و اقدامات پیشگیرانه لازم را انجام دهیم. مقررات دولتی یکی از راه‌های محافظت در برابر سوءاستفاده از این فناوری‌ست. و محققان باید اطمینان حاصل کنند که آنها از زمان شروع کار، ایمن‌ترین سیستم‌های ممکن را طراحی می‌کنند. معماران هوش
البته، به غیر از سلاح‌های واقعی، روش‌های دیگری نیز وجود دارد که می‌تواند هوش مصنوعی را مسلح کند. به عنوان مثال، تبلیغات می‌تواند از شیوه‌های یادگیری ماشین برای تأثیرگذاری در نحوه‌ی رأی‌گیری مردم استفاده کند. این در حقیقت، قبلاً نیز اتفاق افتاده‌ست، زمانی که کمبریج آنالیتیکا از داده‌های کاربران فیس‌بوک برای کمک به کارزار انتخاباتی ۲۰۱۶ ترامپ استفاده کرد.
اما ممکن‌ست چیزی نگران‌کننده‌تر از این نوع سلاح‌سازی وجود داشته باشد: تهدید به از دست دادن شغل در مقیاس گسترده.
درآمد پایه جهانی یا کمک هزینه تحصیلی می‌تواند مشکل خودکارسازی شغلی را حل کند.
تصور کنید که در طی ده سال، هرگز مجبور نیستید یک روز دیگر در زندگی‌تان کار کنید. آیا این شبیه آرمان‌شهر یا کابوس‌ست؟
پاسخ شما هرچه باشد، حضور روزافزون و مهارت هوش مصنوعی – خصوصاً درباره انجام کارآمد کارهای تکراری – ممکن‌ست به این معنی باشد که بسیاری از مشاغل به زودی خودکار می‌شوند. چند نمونه معمولاً ذکرشده از افرادی که می‌توانند به‌زودی از کار بیکار شوند، صندوق‌داران، رانندگان کامیون، حسابداران و کارگران کارخانه‌ها هستند.
درآمد پایه چهانی
بنابراین، وقتی مردم دیگر قادر به کار برای درآمدزایی نیستند، چگونه زنده می‌مانند؟ خُب، راه‌حل‌های مختلفی برای این مشکل وجود دارد، اگرچه بیشتر افرادی که نویسنده با آنها مصاحبه کرده‌ست موافقند که نوعی از درآمد پایه جهانی [UBI] در آینده لازم‌ست.
در درازمدت، اگر بخش كافی از اقتصاد یك كشور خودكار باشد، یو‌بی‌آی [UBI] ضروری می‌شود. هوش مصنوعی می‌تواند به طور چشمگیری بهره‌وری کسب‌وکار را افزایش دهد. و درآمدزایی کند که می‌تواند به صورت کمک هزینه ماهانه به شهروندان یک کشور بازگردد.
سؤال اینکه آیا یو‌بی‌آی واقعاً لازم خواهد بود؟ به هر حال، هر زمان که در طول تاریخ یک انقلاب عظیم فناوری رخ می‌دهد، مردم میزان شغل خودشان را در مقیاس گسترده پیش‌بینی کرده‌اند. البته، کسب‌وکارهای خاصی هستند که در واقع در طول زمان نابود نشده‌اند. اما کسب‌وکارهای جدید همیشه در زمان خودشان پدیدار شدند. به عنوان مثال، فقط چند سال پیش کسب‌وکارهای مرتبط با شبکه‌های اجتماعی وجود نداشت. حالا، تعداد زیادی از آنها وجود دارد! معماران هوش
خودکارسازی
برای افرادی که کار انجام تبدیل خودکار، برنامه‌های آموزش‌وپرورش قوی می‌تواند یک راه‌حل باشد. کشورها حتی می‌توانند سیاست پرداخت حقوق افراد بیکار برای تحصیل و ایجاد مشاغل جدید را در پیش بگیرند. پیشنهادی که اغلب به‌عنوان درآمد پایه مشروط شناخته می‌شود.
خوشبختانه، این احتمال وجود دارد که ما به‌راحتی نمی‌خواهیم همه جنبه‌های زندگی‌تان را که توسط رُبات‌ها اداره می‌شود، بپذیریم. ما هم‌چنان تجربیاتی را ارزیابی خواهیم کرد که شامل ارتباطات انسانی‌ست. به عنوان مثال، امروزه خرید موسیقی دیجیتال فقط با چند دلار امکان‌پذیرست. اما برای شرکت در یک کنسرت زنده، ممکن‌ست هزینه چندصددلاری بپردازید. بنابراین، کسب‌وکارهای متمرکز بر الهام‌بخشی به مردم و ایجاد ارتباطات، با ادغام بیشتر با رُبات‌ها در زندگی ما، احتمالاً درآمد بالاتری نیز خواهند داشت.
بله، از دست دادن شغل نگران‌کننده‌ست، اما برخی از محققان می‌اندیشند که باید توجه‌شان را بر روی تهدید بزرگ‌تری متمرکز کنند که هوش عمومی مصنوعی دارد. آنها اعتقاد دارند این فناوری ظرفیت ایجاد جرقه آخرالزمان را دارد.
نکات منفی احتمالی هوش عمومی مصنوعی به شدت مورد بحث قرار می‌گیرند.
بدون شک، افزایش هوش مصنوعی نگرانی‌های زیادی را با خودش به همراه آورده‌ست. اما شاید هیچ‌یک به‌اندازه تهدیدهای ناشی از هوش عمومی مصنوعی انسانی، به‌خوبی ترویج نشده باشد. چه اتفاقی می‌افتد اگر رُبات‌ها سریع‌تر، باهوش‌تر و قدرتمندتر از همه ما شوند و بشریت را گرفتار کنند؟
دنیایی که تحت سلطه رُبات‌ها قرار دارد، هنوز هم احتمالاً یک سناریوی کاملاً علمی-تخیلی‌ست. اما طبق گفته نیک بوستروم، فیلسوف و چند محقق دیگر، ارزش دارد که در نظر بگیریم که چگونه مأموریت ایجاد هوش عمومی مصنوعی در نهایت بسیار اشتباه پیش برود.
اگر تا به حال درباره مشکل گیره کاغذ شنیده‌اید، که برای اولین بار توسط نیک بوستروم مطرح شده‌ست، شما با یکی از معروف‌ترین آزمایشات فکری آشنا شده‌اید که خطرات احتمالی هوش عمومی مصنوعی را نشان می‌دهد.
تصور کنید که هوش مصنوعی وظیفه دارد یک کارخانه تولید گیره کاغذ را اداره کند. با گذشت زمان، هوش مصنوعی به‌تدریج در کارخانه و تولید گیره‌های کاغذ بهتر و کارآمدتر می‌شود. سرانجام، هوش مصنوعی به‌قدری هوشمند می‌شود که می‌فهمد بهترین روش ساخت گیره کاغذ کنترل انسانیت و تبدیل کل جهان به گیره کاغذست.
این سناریو به‌طور طبیعی کارتونی‌ست، اما آن به معنای اینکه چگونه هوش مصنوعی می‌تواند تبدیل به ماشینی برای دستیابی بیش از حد به اهداف ما در برنامه‌های خوب باشد.
مثال بوستروم
بیشتر محققانی که نویسنده با آنها مصاحبه کرده معتقدند که مثال بوستروم غیرواقعی‌ست. و چندین روش برای جلوگیری از سناریو گیره کاغذ وجود دارد. به عنوان مثال، شما به‌راحتی به هوش مصنوعی تولید گیره کاغذ، قدرت کنترل مثل یک شبکه الکتریکی را نمی‌دهید. علاوه بر این، مطمئناً هوش مصنوعی را با یک سیستم ارزش و برداشت از درست‌وغلط طراحی خواهید کرد، به‌گونه‌ای‌که تنها با ایجاد هرچه بیشتر گیره کاغذ، سخت‌گیر نباشد.
هنوز روش‌های بیشتری برای محافظت در برابر تصرف هوش عمومی مصنوعی وجود دارد. یکی از رادیکال‌ترین موارد توسط برایان جانسون مطرح شده‌ست. او معتقدست ما باید خودِ بشریت را ارتقاء دهیم – نه فقط ماشین‌ها. برای این منظور، جانسون شرکتی به نام کِرنل [Kernel] با هدف استفاده از علوم اعصاب برای «هک» مغز و افزایش توانایی‌های شناختی ما از طریق کاشت تراشه رایانه یا دستگاه دیگری تأسیس و راه‌اندازی کرده‌ست.
کارشناسان درباره زمان‌بندی دقیق زمان دستیابی به هوش عمومی مصنوعی اختلاف‌نظر دارند. اما آنچه مهم‌ست اینکه ما این مسائل را جدی بگیریم. و خودمان را برای دنیایی آماده کنیم که به‌زودی ممکن‌ست با ماشین‌هایی روبرو باشیم که هوش آنها با خودِ ما رقابت دارد.
خلاصه نهایی
