به گزارش حیات به نقل از فارس، در سال ۱۹۶۹، کتابی به نام «پرسپترون‌ها» نوشته ماروین مینسکی و سیمور پاپرت منتشر شد که نشان داد ساده‌ترین مدل هوش مصنوعیِ آن زمان، حتی از عهده حل یک منطق ساده ریاضی به نام «یا-انحصاری» (XOR) برنمی‌آید. [توضیحات مربوط به این مفهوم در ادامه طرح می‌گردد]این شکست به نمادی از اولین «زمستان هوش مصنوعی» تبدیل شد؛ یعنی دوره‌ای که سرخوردگی از وعده‌های بزرگ هوش مصنوعی، باعث قطع بودجه‌ها و تعطیلی تحقیقات شد.امروز، در سال ۲۰۲۶، تاریخ به شکل دیگری در حال تکرار است: گزارش‌های خبرگزاری رویترز نشان می‌دهد که هزینه‌های این صنعت در سال ۲۰۲۶ ممکن است به حدود ۷۹۵ میلیارد دلار برسد و همین امر نگرانی‌هایی را درباره پایداری سرمایه‌گذاری‌ها ایجاد کرده است. بنابراین پرسش امروز دیگر این این است که آیا ادعاهای این فناوری و اهداف و آرمان‌هایش با توان واقعی‌اش هم‌قد است؟!
پرسپترون فقط می‌تواند یک «خط راست» بین داده‌ها بکشد
حال معنای ساده پرسپترون و تفکیک‌پذیری خطی را توضیح می‌دهیم. پرسپترون (Perceptron) در واقع اولین نسل از مغزهای مصنوعی بود که فرانک روزنبلات، روان‌شناس، دانشمند علوم شناختی و یکی از پیشگامان برجسته هوش مصنوعی اهل آمریکا، در دهه ۱۹۵۰ آن را ساخت. کارکرد آن ساده بود: یک‌سری عدد (اطلاعات) را می‌گرفت، به هرکدام وزنی از اهمیت می‌داد و در نهایت تصمیم می‌گرفت که این اطلاعات متعلق به کدام دسته است.برای درک بهتر، تصور کنید می‌خواهید روی یک کاغذ، «سیب‌ها» را از «پرتقال‌ها» جدا کنید. اگر پرسپترون ببیند سیب‌ها قرمزند و پرتقال‌ها نارنجی، صاف یک «خط مستقیم» بین آنها می‌کشد و آنها را جدا می‌کند. به این توانایی در اصطلاح فنی «تفکیک‌پذیری خطی» می‌گویند. برای بسیاری از مسائل ساده روزمره، همین کشیدن یک خط راست کافی است؛ اما مشکلی به نام XOR دقیقاً جایی طراحی شده که این ترفند خط مستقیم شکست می‌خورد.
چهار نقطه ساده که هوش مصنوعی را گیر می‌اندازند
منطق XOR (یا-انحصاری) بسیار ساده است: «یا این، یا آن؛ اما نه هر دو با هم!». مثلاً شما در شهربازی می‌توانید یا سوار چرخ‌وفلک شوید یا ترن هوایی، اما نمی‌توانید هم‌زمان سوار هر دو شوید.حالا تصور کنید چهار نقطه روی یک صفحه داریم که مثل یک مربع کنار هم چیده شده‌اند: دو نقطه در قطر اصلی (مثلاً بالا-چپ و پایین-راست) سفید هستند. دو نقطه در قطر فرعی (بالا-راست و پایین-چپ) سیاه هستند.حالا سعی کنید تنها با کشیدن یک خط صاف روی کاغذ، نقاط سفید را کاملاً از نقاط سیاه جدا کنید! خواهید دید که هیچ خط مستقیمی در جهان وجود ندارد که بتواند این ۴ نقطه را بدون اشتباه جدا کند. پرسپترونِ اولیه چون فقط بلد بود خط صاف بکشد، در مواجهه با این ۴ نقطه کاملاً گیج می‌شد و شکست می‌خورد.
مسئله XOR اصلاً کجا در زندگی واقعی به درد می‌خورد؟
شاید بپرسید چهار نقطه روی کاغذ چه ربطی به دنیای واقعی دارد؟ و چرا حل این الگوی منطقی برای دنیای بیرون از ذهن حیاتی است؟واقعیت این است که منطق پیچیده جهان اطراف ما اصلاً «خطی و ساده» نیست؛ اکثر تصمیم‌گیری‌های هوشمند متکی بر همین الگوی XOR هستند. بعنوان مثال سه عرصه‌ی علمی زیر را درنظر بگیرید:سیستم‌های امنیتی و تشخیص نفوذ: تصور کنید یک سیستم هوشمند می‌خواهد دسترسی به یک فایل محرمانه را بررسی کند. شرط ورود این است: فرد «یا رمز عبور داشته باشد» یا «تأییدیه اثر انگشت»، اما «اگر کاربری هیچ‌کدام را نداشت» یا «هر دو شرط با هم تناقض امنیتی داشتند (مثلاً اثر انگشت با مالک رمز مطابقت نداشت)»، دسترسی رد شود. 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.
انتهای پیام//
نظر شما