حقایقی درباره‌ی هوش مصنوعی توسط افرادی که آن را خلق می‌کنند
معماران هوش (کتابی که در سال ۲۰۱۸ منتشر شد) مجموعه‌ای از مصاحبه‌ها با پژوهشگران، دانشمندان، بازرگانان و اندیشمندان پیشگام فناوری دیجیتال و هوش مصنوعی است. در مورد 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 قرار است محور اصلی جامعه، اقتصاد و زندگی را به طرز غیرقابل‌تصور و بی‌سابقه‌ای به هم بریزد.
مارتین فورد، آینده‌پژوه، سخنران و نویسنده‌ای است که برای بسیاری از نشریات از جمله نیویورک تایمز و واشنگتن پُست در زمینه هوش مصنوعی و فناوری دیجیتال مطلب نوشته است. 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 آینده‌ی بیکار اشاره کرد که برنده‌ی کتاب کسب‌وکار سال فایننشیال تایمز و مک‌کینزی شد.
این کتاب چه چیزی 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 در مورد جزئیات مربوط به هوش مصنوعی وجود دارد. آیا خودکارسازی منجر به بیکاری گسترده خواهد شد؟ آیا خودروهای سنتی به زودی با خودروهای خودران جایگزین می‌شوند؟ آیا سرنوشت ما این است که تحت سلطه‌ی رُبات‌های خودکار قرار بگیریم؟
علی‌رغم تنوع گسترده‌ی نظرات پیرامون این موضوعات، اغلب بدبینانه‌ترین و ملودراماتیک‌ترین صداها هستند. که هنگام بحث در مورد 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 یادداشت یک دید کلی نسبت به هوش مصنوعی دارند. از نحوه‌ی عملکرد آن گرفته تا را هایی 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 خود با آن‌ها مصاحبه کرده است.
در این یادداشت، یاد خواهید گرفت
- چگونه هوش مصنوعی می‌آموزد که چه چیزی گربه است؛
- چرا ما باید از رُبات‌های قاتل بترسیم؛ و
- چرا بلیط‌های کنسرت زنده ممکن است حتی گران‌تر شوند.
روش‌های مختلف یادگیری عمیق می‌توانند هوش مصنوعی را برای تکمیل وظایف آموزش دهند.
به دوران کودکی خود فکر کنید. 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 به راحتی تشخیص دهید فقط نیاز به دیدن یک یا دو مورد داشتید. این نوع یادگیری، که شامل مشاهده‌ی تعداد بسیار کمی از نمونه‌ها است. به راحتی و به طور طبیعی برای انسان به وجود می‌آید. اما برای هوش مصنوعی، بسیار دشوار است. برای اینکه هوش مصنوعی درک کند که چه حیوانی گربه است، 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 دهه‌ی گذشته داشته است.
فارغ از اینکه هوش مصنوعی در حال شناسایی گربه، سگ، فنجان قهوه یا هر چیزی باشد، همه چیز با یک شبکه‌ی عصبی شروع می‌شود. این نرم‌افزاری با چندین لایه «نورون» است که همان‌هایی را تقلید می‌کند که در مغز انسان یافت می‌شود. معماران هوش
چند روش مختلف وجود دارد که دانشمندان معمولاً برای آموزش شبکه‌های عصبی استفاده می‌کنند. یکی یادگیری تحت نظارت، نوعی یادگیری عمیق است 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، مجموعه‌ی پیکسل‌های موجود در تصویر از طریق شبکه‌ی 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 چه کاری انجام می‌دهد یا زنده است یا مرده. برای اینکه هوش مصنوعی این درک را ایجاد کند، باید از طریق یادگیری زبان زمینی آموزش داده شود. این یک روش یادگیری عمیق است که در آن جملات یا کلمات با تصاویر، فیلم‌ها یا اشیاء در دنیای واقعی همراه هستند.
همه‌ی این شیوه‌ها یادگیری عمیق را برای داشتن انواع کاربردهای بالقوه امکان‌پذیر می‌کنند. از طرف دیگر، یادگیری مبتنی بر زبان می‌تواند به توسعهی 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 شده است. در یکی از معروف‌ترین موارد، هوش مصنوعی آلفاگو [AI AlphaGo] با مشاهده‌ی بسیاری از بازی‌های گو [Go] آموزش دیده است. و در نهایت توانست بهترین قهرمان انسان را در بازی خود شکست دهد.
یادگیری عمیق محدود است.
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 سخت است. اما به همان اندازه که به‌یادماندنی است. 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 بی‌فایده است.
برخلاف شطرنج یا گو، پوکر یک بازی با اطلاعات جزئی است. این فقط تا حدی قابل مشاهده است، 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 شده است. و ماشین در واقع نمی‌تواند ببیند. آلفازیرو نمی‌تواند این کار را انجام دهد. به گونه‌ای طراحی شده است که بازی را که انجام می‌دهد فقط شامل قطعات روی صفحه است. معماران هوش
بنابراین، در حال حاضر، هوش مصنوعی فقط قادر به انجام یک کار است که به طور خاص برای آن آموزش دیده است. اما مسئله‌ی اصلی دیگر در مورد یادگیری عمیق و شبکه‌های عصبی، داده‌هایی است 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 در مورد 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 این معنی است که ما احتمالاً قادر به استفاده از هیچ یک از آن‌ها برای رسیدن به مرحله بعدی توسعهی هوش مصنوعی نیستیم. هوش عمومی مصنوعی یا AGI. چنین ماشینی به عقل سلیم یا توانایی استنباط درمورد موقعیت‌هایی نیاز دارد که قبلاً هرگز روبرو نشده‌اند. معماران هوش
اما این چالش محققان را از بررسی روش‌های انجام این کار منصرف نکرده است. 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 منطقی است. 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 نحوه‌ی کار همه چیز، به روشی بدون ساختار پدید آید.
اما ممکن است گزینه‌ی 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 یادداشت 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 گرفته است. این پدیده دقیقاً همان چیزی است که با مفهوم یادگیری عمیق اتفاق افتاد. این شیوه از اوایل دهه‌ی ۱۹۵۰ ظهور کرد. اما در دهه‌ی ۱۹۶۰ به عنوان شیوه‌ای بی‌فایده کنار گذاشته شد. با این حال امروز این روش دوباره یک روش غالب یادگیری ماشین است. معماران هوش
یادگیری عمیق بدون شک در هوش مصنوعی آینده نقش خواهد داشت. اما محدودیت‌های آن بدان معنی است که نمی‌تواند تنها شیوه‌ای باشد. و ما برای ایجاد هوش عمومی مصنوعی [AGI] استفاده می‌کنیم. در عوض، توسعهی هوش عمومی مصنوعی [AGI] ممکن است 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 بزرگسالان است. 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.
یک دانشمند و محقق مغز و اعصاب، دمیس حسابیس، معتقد است که تلفیق یادگیری تقویت با سایر شیوه‌ها مناسب‌ترین مسیر برای هوش عمومی مصنوعی [AGI] است. در انسان، این از طریق سیستم دوپامین ما اتفاق می‌افتد. جایی که 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. جایی که در اطراف خود 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 توسعهی 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 پیچیده است، جدید نیست. این در حال حاضر در خودروهای خودران امروز مورد استفاده قرار گرفته است. معماران هوش
چطوری؟ خُب، خودروهای خودران باید بتوانند درک کنند که در جاده چه تصمیماتی باید بگیرند. برخی از دانش خودروها می‌تواند از اطلاعات به دست آمده از طریق یادگیری عمیق حاصل 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 نحوه‌ی 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 در مورد پتانسیل 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 مورد استفاده قرار گیرد و به نفع ما مورد استفاده قرار گیرد. ما می‌توانیم از هوش مصنوعی برای از بین بردن سوگیری استفاده کنیم. معماران هوش
به صفر رساندن تعصب در خود و اصلاح آن بسیار دشوارتر است. اما، همانطور که 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 مردم است.
استفاده از هوش مصنوعی برای از بین بردن تعصب غیر واقعی است. در واقع، این در حال حاضر در آفکتیوا [Affectiva] مورد استفاده قرار گرفته است. آفکتیوا توسط دانشمند کامپیوتر و کارآفرین رانا الکالیوبی ایجاد شده است. که معتقد است ما باید به جای «هوشمندی» آن‌ها، در مورد هوش هیجانی ماشین فکر کنیم. معماران هوش
آفکتیوا از الگوریتم‌ها و شیوه‌های پردازش زبان طبیعی برای ایجاد یک ابزار استخدام هوش مصنوعی ضد تعصب استفاده کرده است. 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 کرده است. زمان استخدام ۹۰ درصد کاهش یافته و تنوع استخدام‌های جدید ۱۶ درصد افزایش یافته است.
یکی دیگر از پروژه‌های الکالیوبی برای کمک به کودکان در طیف اوتیسم طراحی شده است. که اغلب اوقات در تفسیر احساسات دیگران مشکل دارند. او و دیگران در آزمایشگاه خود 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 مشاهده‌ی چهره‌ی 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 ممکن است 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 خود 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، به ویژه 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.
نه تنها 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 مرگ و میر در بیمارستان‌های آمریکا خطای پزشکی است.
خوشبختانه، مراقبت‌های بهداشتی یکی از زمینه‌هایی است 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 عظیمی است و طیف گسترده‌ای از روش‌های استفاده از هوش مصنوعی در آن وجود دارد.
از هم اکنون، شبکه‌های عصبی را می‌توان آموزش داد که وقتی یک تصویر حاوی تصویری از یک فنجان قهوه است، 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 دشوار است، زیرا ما بیشتر به گزارش خود 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 دشوار است. اگرچه برای هوش مصنوعی با توانایی انجام اسکن‌های صورت و صوت، بسیار ساده است.
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 در مورد علم فقط با مراقبت‌های بهداشتی متوقف نمی‌شود. هم‌چنین می‌تواند به طور بالقوه در زمینه‌ی تحقیقات علمی کمک کند. پروژه‌ی سمنتک اسکولار [Semantic Scholar] را به سرپرستی اورن اتزیونی در نظر بگیرید. برای به روز بودن در مورد 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 در مورد تمام هوش مصنوعی خوبی که در دنیا می‌تواند انجام وظیفه کند بحث کردیم، اما در بخش بعدی این یادداشت، 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 شده است، 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 این معنی که توانایی‌های مخرب آن محدود است.
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 کنترل سلاح‌های خودران است که می‌تواند فقط به یک نفر کنترل از راه دور کل ناوگان هواپیماهای بدون سرنشین مرگ‌بار را بدهد.
یک دلیل عمده‌ی خطرناک بودن سلاح‌های خودران این است که بسیار مقیاس‌پذیر هستند. ناوگان عظیمی از ۱۰ میلیون پهپاد خودران را می‌توان فقط با پنج نفر که در اتاق کنترل کار می‌کنند نظارت کرد 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.
و خطرات عمده‌ی دیگری نیز وجود دارد که با تولید سلاح‌های خودران همراه است. برای اولین بار، به‌زودی می‌تواند یک مسابقه‌ی 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 این معنی که در نهایت ممکن است یک کشور توسط سلاح‌های خود مورد حمله قرار گیرد.
با توجه به این موضوعات قابل تصور، ضروری است که تا زمانی که ما به توسعهی 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 فناوری است 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 افتاده است، زمانی که کمبریج آنالیتیکا از داده‌های کاربران فیس‌بوک برای کمک به کارزار انتخاباتی ۲۰۱۶ ترامپ استفاده کرد.
اما ممکن است چیزی نگران‌کننده‌تر از این نوع سلاح‌سازی وجود داشته باشد: تهدید به از دست دادن شغل در مقیاس گسترده.
درآمد پایه‌ی جهانی یا کمک هزینه‌ی تحصیلی می‌تواند مشکل خودکارسازی شغلی را حل کند.
تصور کنید که در طی ده سال، هرگز مجبور نیستید یک روز دیگر در زندگی خود کار کنید. آیا این شبیه آرمان‌شهر یا کابوس است؟
پاسخ شما هرچه باشد، حضور روزافزون و مهارت هوش مصنوعی – خصوصاً در مورد انجام کارآمد کارهای تکراری – ممکن است به این معنی باشد که بسیاری از مشاغل به زودی خودکار می‌شوند. چند نمونه‌ی معمولاً ذکرشده از افرادی که می‌توانند به زودی از کار بیکار شوند، صندوقداران، رانندگان کامیون، حسابداران و کارگران کارخانه‌ها هستند.
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 کرده است موافقند که نوعی از درآمد پایه‌ی جهانی یا UBI در آینده لازم است.
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 درآمد کسب کند که می‌تواند به صورت کمک هزینه‌ی ماهانه به شهروندان یک کشور بازگردد.
سؤال این است: آیا یو‌بی‌آی واقعاً لازم خواهد بود؟ به هر حال، هر زمان که در طول تاریخ یک انقلاب عظیم فناوری رخ داده باشد، مردم میزان شغل خود را در مقیاس گسترده پیش‌بینی کرده‌اند. البته، کسب‌وکارهای خاصی هستند که در واقع در طول زمان نابود نشده‌اند – اما کسب‌وکارهای جدید همیشه در زمان خود 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
برای افرادی که کار انجام تبدیل خودکار، برنامه‌های آموزش و پرورش 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 به عنوان درآمد پایه مشروط شناخته می‌شود.
خوشبختانه، این احتمال وجود دارد که ما به راحتی نمی‌خواهیم همه‌ی جنبه‌های زندگی خود را که توسط رُبات‌ها اداره می‌شود، بپذیریم. ما هم‌چنان تجربیاتی را ارزیابی خواهیم کرد که شامل ارتباطات انسانی است. به عنوان مثال، امروزه خرید موسیقی دیجیتال فقط با چند دلار امکان‌پذیر است. اما برای شرکت در یک کنسرت زنده، ممکن است هزینه‌ای چند صد دلاری 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 نگران‌کننده است، اما برخی از محققان فکر می‌کنند که باید توجه خود را بر روی تهدید بزرگتری متمرکز کنند که هوش عمومی مصنوعی دارد. آن‌ها اعتقاد دارند این فناوری پتانسیل ایجاد جرقه‌ی آخرالزمان را دارد.
نکات منفی احتمالی هوش عمومی مصنوعی به شدت مورد بحث قرار می‌گیرند.
بدون شک، افزایش هوش مصنوعی نگرانی‌های زیادی را با خود به همراه آورده است. اما شاید هیچ یک به اندازه‌ی تهدیدهای ناشی از هوش عمومی مصنوعی انسانی، به خوبی ترویج نشده باشد. چه اتفاقی می‌افتد اگر رُبات‌ها سریع‌تر، باهوش‌تر و قدرتمندتر از همه‌ی ما شوند و بشریت را گرفتار کنند؟
دنیایی که تحت سلطه رُبات‌ها قرار دارد، هنوز هم احتمالاً یک سناریوی کاملاً علمی-تخیلی است. اما طبق گفته‌ی 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 گیره‌ی کاغذ شنیده‌اید، که برای اولین بار توسط نیک بوستروم مطرح شده است، 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 کارخانه‌ی تولید گیره‌ی کاغذ را اداره کند. با گذشت زمان، هوش مصنوعی به تدریج در کارخانه و تولید گیره‌های کاغذ بهتر و کارآمدتر می‌شود. سرانجام، هوش مصنوعی به قدری هوشمند می‌شود که می‌فهمد بهترین روش ساخت گیره کاغذ کنترل انسانیت و تبدیل کل جهان به گیره‌ی کاغذ است.
این سناریو به عمد کارتونی است، اما آن به این معنا است که چگونه هوش مصنوعی می‌تواند تبدیل به ماشینی برای دستیابی بیش از حد به اهداف ما در برنامه‌های خوب باشد.
بیشتر محققانی که نویسنده با آن‌ها مصاحبه کرده معتقدند که مثال بوستروم غیرواقعی است و چندین روش برای جلوگیری از سناریو گیره‌ی کاغذ وجود دارد. به عنوان مثال، شما به راحتی به هوش مصنوعی تولید گیره‌ی کاغذ، قدرت کنترل مثل یک شبکه‌ی الکتریکی را نمی‌دهید. علاوه بر این، مطمئناً هوش مصنوعی را با یک سیستم ارزش و برداشت از درست و غلط طراحی خواهید کرد، به گونه‌ای که 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 شده است، که معتقد است ما باید خود 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 تراشه‌ی رایانه یا دستگاه دیگری تأسیس و راه‌اندازی کرده است.
کارشناسان در مورد زمان‌بندی دقیق زمان دستیابی به هوش عمومی مصنوعی اختلاف‌نظر دارند. اما آنچه مهم است این است که ما این مسائل را جدی بگیریم و خود را برای دنیایی آماده کنیم که به زودی ممکن است با ماشین‌هایی روبرو باشیم که هوش آن‌ها با خود ما رقابت دارد.
خلاصه نهایی
این کتاب را می‌توانید از سایت آمازون تهیه کنید.
