6 اکتبر 2020توسط مارک لی
به نظر می رسد هوش مصنوعی پیشرفت های چشمگیری داشته است. این فناوری به فناوری کلیدی در پشت اتومبیل های خودران ، سیستم های ترجمه خودکار ، گفتار و تجزیه و تحلیل متن ، پردازش تصویر و انواع سیستم های تشخیص تبدیل شده است. در بسیاری از موارد ، هوش مصنوعی می تواند در کارهای خاص از بهترین سطح عملکرد انسانی پیشی بگیرد.ما شاهد ظهور یک صنعت تجاری جدید با فعالیت شدید ، سرمایه گذاری گسترده مالی و پتانسیل فوق العاده هستیم. به نظر می رسد هیچ زمینه ای وجود ندارد که در مقایسه با هوش مصنوعی فراتر از پیشرفت آن باشد .
مطالعات تئوری محاسباتی نشان داده است مواردی وجود دارد که قابل محاسبه نیستند. آلن تورینگ ، ریاضیدان و کد شکن مشهور ، ثابت کرد که ممکن است برخی از محاسبات هرگز تمام نشوند (در حالی که برای بعضی دیگر سالها یا حتی قرن ها طول می کشد).
به عنوان مثال ، ما می توانیم به راحتی چند حرکت پیش رو را در یک بازی شطرنج محاسبه کنیم ، اما بررسی همه حرکات تا انتهای یک بازی شطرنج 80 حرکته کاملاً غیر عملی است. حتی با استفاده از سریعترین ابر رایانه های جهان با بیش از یکصد هزار تریلیون عملیات در ثانیه. این مسئله به عنوان مشکل مقیاس گذاری نیز شناخته می شود.
تحقیقات اولیه هوش مصنوعی اغلب نتایج خوبی را در مورد تعداد کمی از ترکیبات یک مسئله به همراه داشت ، اما در موضوعات بزرگترها مانند شطرنج (مشکلات زندگی واقعی) مقیاس بخود نمی گرفت. خوشبختانه ، هوش مصنوعی مدرن روش های جایگزینی برای مقابله با چنین مشکلاتی ایجاد کرده است. اینها می توانند بهترین بازیکنان انسانی جهان را ببرند ، نه با دیدن همه حرکت های احتمالی پیش رو ، بلکه با نگاهی بسیار بیشتر از آنچه ذهن انسان مدیریت می کند. این کار را با استفاده از روش هایی شامل تقریب ، تخمین احتمال ، شبکه های عصبی بزرگ و سایر تکنیک های یادگیری ماشین انجام می دهد.
اما اینها واقعاً مشکلات علوم رایانه است نه هوش مصنوعی. آیا محدودیت اساسی در عملکرد هوشمند هوش مصنوعی وجود دارد؟ وقتی تعامل انسان و کامپیوتر را در نظر بگیریم ، یک مسئله جدی روشن می شود. به طور گسترده انتظار می رود که سیستم های هوش مصنوعی آینده با انسان ها در مبادلات اجتماعی دوستانه ، کاملاً تعاملی ارتباط برقرار کرده و به آنها کمک کنند.
نظریه ذهن
البته ، ما در حال حاضر نسخه های بدوی چنین سیستم هایی را داریم. اما سیستم های فرمان صوتی و پردازش متن به سبک مرکز تماس فقط وانمود می کنند مکالمه هستند. آنچه مورد نیاز است تعاملات اجتماعی مناسب است ، شامل مکالمه هایی با جریان آزاد در درازمدت که طی آن سیستم های هوش مصنوعی شخص و مکالمات گذشته وی را به یاد می آورند. هوش مصنوعی باید اهداف و اعتقادات و معنی آنچه مردم می گویند را بفهمد.
این مستلزم آن چیزی است که در روانشناسی به عنوان تئوری ذهن شناخته می شود – درک این که فردی که با او درگیر هستید روش تفکر خود را دارد و تقریباً جهان را به همان روشی که شما می بینید ، می بیند. بنابراین هنگامی که کسی در مورد تجربیات خود صحبت می کند ، می توانید آنچه را توصیف می کند و چگونگی ارتباط آن با خودتان را شناسایی کرده و از آنها اظهار نظر کنید.
ما همچنین اقدامات شخص را مشاهده می کنیم و اهداف و ترجیحات وی را از طریق اشاره ها و نشانه ها استنباط می کنیم. بنابراین وقتی سالی می گوید ، “من فکر می کنم جان از زوئی خوشش می آید اما فکر می کند زوئی او را نامناسب می داند” ، ما می دانیم که سالی یک مدل مرتبه اول از خودش (افکار خودش) ، یک مدل مرتبه دوم از افکار جان و یک مدل مرتبه سوم آنچه جان فکر می کند زوئی فکر می کند. توجه کنید که برای درک این مسئله باید تجربه های مشابه زندگی را داشته باشیم.
یادگیری بدنی
واضح است که تمام این تعاملات اجتماعی تنها در صورتی برای طرفین ایجاد می شود که دارای “احساس خود” باشند و به همین ترتیب می توانند مدلی از خود عامل دیگر را حفظ کنند. برای درک یک شخص دیگر ، شناختن خود ضروری است. “خود مدل” هوش مصنوعی باید شامل یک چشم انداز ذهنی باشد ، شامل نحوه عملکرد بدن آن (به عنوان مثال دیدگاه بصری آن به موقعیت فیزیکی چشمش بستگی دارد) ، یک نقشه دقیق از فضای خود و یک مجموعه از مهارت های کاملاً شناخته شده و اقداماتمرتبط با آن .
این بدان معناست که برای ایجاد احساس خود در داده ها و تجربیات مشخص ، به یک بدن فیزیکی نیاز است. وقتی عملی توسط یک عامل توسط عامل دیگری مشاهده می شود ، می توان آن را از طریق مو لفه های مشترک تجربه درک کرد. این بدان معناست که هوش مصنوعی اجتماعی باید در ربات هایی با یک بدن تحقق یابد. چگونه یک جعبه نرم افزار می تواند دارای دیدگاه ذهنی ، و در دنیای فیزیکی ، جهانی باشد که انسان در آن زندگی می کند؟ سیستم های مکالمه ما نه تنها باید جاسازی شده بلکه مجسم باشند.
یک طراح نمی تواند به طور موثر یک احساس نرم افزاری از خود برای یک ربات بسازد. اگر از همان ابتدا یک دیدگاه ذهنی طراحی شود ، این دیدگاه خود طراح خواهد بود و همچنین باید تجربه های ناشناخته برای طراح را بیاموزد و با آن کنار بیاید. بنابراین آنچه ما باید طراحی کنیم چارچوبی است که از یادگیری یک دیدگاه ذهنی پشتیبانی می کند.
خوشبختانه راهی برای برون رفت از این مشکلات وجود دارد. انسانها دقیقاً با همان مشکلات روبرو هستند اما همه آنها را یک باره حل نمی کنند. سالهای اول نوزادی پیشرفت خارق العاده ای از رشد را نشان می دهد ، که طی آن می آموزیم چگونه بدن خود را کنترل کنیم و چگونه اشیا، ، عوامل و محیط ها را درک و تجربه کنیم. ما همچنین یاد می گیریم که چگونه رفتار کنیم و عواقب اعمال و تعاملات چگونه است.
تحقیقات در زمینه جدید رباتیک تکاملی اکنون در حال بررسی چگونگی یادگیری ربات ها از ابتدا ، مانند نوزادان است. اولین مراحل شامل کشف خصوصیات اجسام منفعل و “فیزیک” دنیای ربات است. بعداً ، روباتها تعاملات با عوامل (مراقبین) را حفظ و کپی می کنند و به دنبال آن مدل تدریجی پیچیده تری از خود در متن ارائه می شود.
بنابراین در حالی که هوش مصنوعی جدا از بدن قطعاً یک محدودیت اساسی دارد ، تحقیقات آینده با ربات ممکن است روزی به ایجاد تعاملات اجتماعی پایدار ، همدلانه و بین هوش مصنوعی و انسان کمک کند.
