پیشنهادی دیگر برای تغییر نام هوش مصنوعی

وبلاگ CACM | هوش مصنوعی و یادگیری ماشین

نویسنده: ماریو آنتوان عون

تاریخ انتشار: ۲۲ اکتبر ۲۰۲۶

در این یادداشت، اصطلاح «هوشمندی ابررایانه‌ای» (Super Computer Intelligence) را به‌عنوان جایگزینی برای «هوش مصنوعی» (AI) پیشنهاد می‌کنم. این پیشنهاد همچنین پاسخی به درخواست دونالد جی. ترامپ، رئیس‌جمهور ایالات متحده، برای تغییر نام هوش مصنوعی به «هوشمندی برتر» (Super Intelligence) است.

از نظر ریشه‌شناسی، واژه انگلیسی «artificial» از واژه لاتین «artificialis» گرفته شده است که خود از دو بخش «ars» به معنای هنر، مهارت یا فن و «facere» به معنای ساختن یا انجام دادن تشکیل می‌شود. بنابراین، این واژه به معنای انجام دادن کاری با مهارت است. واژه «intelligence» نیز از «intelligentia» به معنای فهم یا قدرت تشخیص ریشه می‌گیرد و این واژه از «intelligere»، به معنای فهمیدن یا درک کردن، مشتق شده است. بر این اساس، ترکیب «هوش مصنوعی» را می‌توان به‌صورت تحت‌اللفظی به معنای «ساختنِ ماهرانه فهم» تفسیر کرد.

از نظر تاریخی، اصطلاح «هوش مصنوعی» در جریان پروژه پژوهشی تابستانی دارتموث در سال ۱۹۵۶ مطرح شد؛ پروژه‌ای که مک‌کارتی، مینسکی و دیگران آن را سازمان‌دهی کردند.^۱ من استدلال می‌کنم که نام‌گذاری‌ها در بسترهای اجتماعی و تاریخی شکل می‌گیرند.^۲ در واقع، جان مک‌کارتی آشکارا اذعان کرده بود که ترجیح می‌داد عنوان «هوش مصنوعی» را برای پروژه تابستانی خود انتخاب کند تا مجبور نباشد با نوربرت وینر تعامل کند یا زیر سایه او قرار بگیرد؛ وینر اصطلاح «سایبرنتیک» را ترجیح می‌داد. در آن زمان، سایبرنتیک، یعنی علم کنترل و ارتباطات در حیوانات و ماشین‌ها،^۳ بر نگاشت سازوکارهای بازخوردی الهام‌گرفته از زیست‌شناسی به حلقه‌های کنترل سخت‌افزاری آنالوگ تمرکز داشت. اما مک‌کارتی به دنبال نامی بود که منطق، محاسبات نمادین و برنامه‌نویسی سطح بالا را در بر بگیرد. گزارش‌های تاریخی^۴ حاکی از آن‌اند که او می‌خواست نامی کاملاً تازه و متمایز انتخاب کند؛ نامی که با اصطلاحاتی مانند «نظریه خودکارها» یا «پردازش پیچیده اطلاعات» تفاوت داشته باشد، اصیل‌تر به نظر برسد و بتواند حمایت مالی جذب کند. بعدها، عنوان «هوش مصنوعی» با نظریه «جامعه ذهن» مینسکی نیز تناسب پیدا کرد.^۵ بر اساس این نظریه، هوش انسان را نباید سازوکاری یکپارچه و منفرد دانست؛ بلکه می‌توان آن را پدیده‌ای برآمده از تعامل شمار زیادی از اجزای کوچک و فاقد ذهن، موسوم به «عامل‌ها»، در نظر گرفت. این عامل‌ها به‌تنهایی توانایی تفکر، احساس یا درک ندارند، اما می‌توان آن‌ها را مدیریت کرد و طوری مهندسی‌شان کرد که حاصل تعاملشان به‌عنوان پدیده‌ای مصنوعی شناخته شود.^۵

از منظر فلسفی، واژه «مصنوعی» نقطه مقابل «طبیعی» است. برای مثال، گل مصنوعی در برابر گل طبیعی قرار می‌گیرد. گل مصنوعی ممکن است از دور و در نگاه نخست زیبا به نظر برسد، اما در مقایسه با گل زنده، فاقد ویژگی‌های واقعی آن، از جمله احساس‌پذیری، حساسیت و جذابیتی است که از زیبایی طبیعی‌اش سرچشمه می‌گیرد؛ تفاوتی که با نزدیک شدن و لمس کردن آشکارتر می‌شود. از این رو، می‌توان استدلال کرد که اگر در آغاز، به‌جای هوش مصنوعی از اصطلاحاتی مانند «هوشمندی محاسباتی»، «هوشمندی رایانه‌ای»، «هوشمندی ماشینی» یا «ماشین‌های هوشمند» استفاده می‌کردیم،۶ انتظاراتی که بعدها از این فناوری شکل گرفت، هرگز به همان صورت پدید نمی‌آمد. در آن صورت، شگفتی‌های فناورانه آن را صرفاً در قالب کاربردهای عملی ساده‌ای می‌شناختیم که امروز نیز با آن‌ها سروکار داریم؛ از جمله تشخیص تصویر، تشخیص گفتار و یادگیری توالی واژه‌ها.

به بیان ساده، کافی است در نظر بگیریم که انواع گوناگونی از هوشمندی وجود دارد؛ از جمله هوشمندی اجتماعی، هوشمندی جمعی، هوشمندی تکاملی، هوشمندی غیرمتمرکز، هوشمندی زیستی و هوش مصنوعی عصب‌نمادین. با تغییر اصطلاحات می‌توان به‌آسانی هوشمندی مورد بحث را یکی از انواع متعدد هوشمندی دانست، بی‌آنکه فرض کنیم یک نوع لزوماً از انواع دیگر برتر است. همه این انواع، دست‌کم از این نظر که می‌توانند مسئله مشخصی را حل کنند، واجد هوشمندی‌اند. افزون بر این، هر یک از این شکل‌های هوشمندی قابلیت توسعه و مقیاس‌پذیری دارد و با محدودیت‌های خاص خود روبه‌روست.

برای مثال، الگوریتم «سامانه مورچگان» (Ant System)^۷ از رفتار هوشمندانه و غیرمتمرکز کلونی مورچه‌ها الهام گرفته شده است و می‌تواند مسیر به‌اندازه کافی مطلوبی برای رسیدن از منبع غذا به لانه پیدا کند. کلونی زمانی به این هدف می‌رسد که مورچه‌های جست‌وجوگر منبع غذا را پیدا کنند و در طول مسیر، فرومون بر جای بگذارند. مورچه‌های دیگر نیز همان مسیر را دنبال می‌کنند و در نتیجه، فعالیت کلونی در جهت رسیدن به منبع غذا هدایت می‌شود. این رفتار به الگوریتمی تبدیل شده است که در شبکه‌های رایانه‌ای به کار می‌رود تا داده‌ها از میان گره‌های اینترنتی با کمترین بار یا ترافیک عبور کنند.^۸ بنابراین، مورچه‌ها با استفاده از هوشمندی غیرمتمرکز می‌توانند مسئله‌ای بهینه‌سازی را حل کنند. در این چارچوب، هیچ سرور مرکزی یا مورچه بزرگی وجود ندارد که فعالیت دیگران را هدایت کند؛ هر مورچه از قواعد ساده‌ای پیروی می‌کند، اما رفتار کلی کلونی هوشمندانه تلقی می‌شود و برای انجام آن وظیفه مشخص، کارایی بالایی دارد.

در حوزه هوشمندی زیستی، حجم دانش و پژوهش موجود بسیار گسترده است و همچنان زمینه‌های فراوانی برای مطالعه وجود دارد. برای نمونه، انعطاف‌پذیری سیناپسی به ما کمک می‌کند مفاهیم و ارتباط میان آن‌ها را شکل دهیم؛ این فرایند از طریق تقویت پیوندهای میان نورون‌های مغز انجام می‌شود. همچنین، هنگام انتظار برای رسیدن به هدف نهایی، سطح دوپامین افزایش می‌یابد. این سیگنال‌های دوپامینی به تقویت ارتباط‌های سودمند کمک می‌کنند تا بتوانیم به هدف مورد نظر برسیم.

نمونه دیگر، هوشمندی تکاملی است که در آن الگوریتم‌های ژنتیکی برای یافتن بهترین گزینه، یا بهترین راه‌حل، رفتار وراثتی گونه‌ها را شبیه‌سازی می‌کنند؛ از جمله فرایندهای نوترکیبی و جهش کروموزوم‌ها. این الگوریتم‌ها طی نسل‌های متعدد و از طریق آمیزش، به جست‌وجوی راه‌حل مناسب‌تر می‌پردازند. حل چنین مسائلی برای انسان دشوار است، اما استفاده از هوشمندی رایانه‌ای برای یافتن راه‌حل آن‌ها امیدبخش به نظر می‌رسد. اگر همه این شکل‌های هوشمندی را بتوان با رایانه‌ها پیاده‌سازی و مدل‌سازی کرد و بپذیریم که هوش انسانی همواره یکی از دستاوردهای برجسته خواهد بود، چرا تلاش‌های انجام‌شده برای بازآفرینی این توانایی‌ها را به‌سادگی «هوشمندی رایانه‌ای» ننامیم و خود را از بار معنایی مصنوعیِ اصطلاح «هوش مصنوعی» رها نکنیم؟

در نهایت، هم‌زمان با نگارش این یادداشت، دونالد جی. ترامپ، رئیس‌جمهور ایالات متحده، در سخنرانی خود در مجمع عمومی سازمان ملل متحد در ۲۲ سپتامبر ۲۰۲۶ خواستار آن شد که در همه اسناد ایالات متحده، اصطلاح «هوش مصنوعی» با «هوشمندی برتر» جایگزین شود.^۹ با این حال، این عنوان مشخص نمی‌کند که منظور از برتری چیست؛ زیرا هر نوع هوشمندی، از جمله هوش انسانی، می‌تواند در زمینه‌ای برتر باشد. از سوی دیگر، اگر «هوشمندی برتر» به معنای توانایی فراتر از انسان باشد، چنین ادعایی با محدودیت‌هایی روبه‌روست؛ چراکه همواره حوزه‌هایی وجود خواهند داشت که انسان در آن‌ها توانمندتر از ماشین‌های هوشمند است. برای مثال، اگر داده‌هایی را که از مریخ یا برخورددهنده بزرگ هادرونی گردآوری می‌کنیم از دسترس ماشین‌ها خارج کنیم، آن‌ها هرگز نمی‌توانند درک ما از مواد مریخی یا بوزون‌ها را پشت سر بگذارند.

افزون بر این، با توجه به اینکه الگوریتم‌های پیشرفته هوش مصنوعی در حال حاضر به توان محاسباتی ابررایانه‌ای نیاز دارند، می‌توان نامی مناسب‌تر و منصفانه‌تر پیشنهاد کرد: «هوشمندی ابررایانه‌ای». این اصطلاح هم به شرط برخورداری از توان محاسباتی بسیار بالا اشاره دارد که برای عملکرد درست هوش مصنوعی و دستیابی احتمالی آن به نتایجی فراتر از انتظار ضروری است و هم بنیان اصلی این فناوری، یعنی هوشمندی رایانه‌ای، را حفظ می‌کند؛ عنوانی که از نظر من، نام‌گذاری پایه و شایسته این حوزه است.

منابع

1. مک‌کارتی، ج.؛ مینسکی، م. ل.؛ روچستر، ن.؛ و شنون، ک. ای.، «پیشنهادی برای پروژه پژوهشی تابستانی دارتموث درباره هوش مصنوعی»، ۳۱ اوت ۱۹۵۵، مجله AI Magazine، جلد ۲۷، شماره ۴، سال ۲۰۰۶، صفحه ۱۲.
2. دریدا، ج. و اسپیواک، گ. سی.، درباره دستورشناسی، جلد ۲، صفحات ۱۶۲ تا ۲۵۴، انتشارات دانشگاه جانز هاپکینز، بالتیمور، ۱۹۷۶.
3. وینر، ن. و فون نویمان، ج.، «سایبرنتیک یا کنترل و ارتباطات در حیوان و ماشین»، Physics Today، جلد ۲، شماره ۵، سال ۱۹۴۹، صفحات ۳۳ تا ۳۴.
4. رادانلیِف، پ.، «هوش مصنوعی: بازاندیشی در گذشته و نگاهی به تغییر الگوی بعدی»، Journal of Experimental & Theoretical Artificial Intelligence، جلد ۳۷، شماره ۷، صفحات ۱۰۴۵ تا ۱۰۶۲.
5. مینسکی، م. و لی، ج.، جامعه ذهن، جلد ۱، انتشارات سایمون اند شوستر، نیویورک، ۱۹۸۸.
6. تورینگ، آ.، ماشین‌های هوشمند، ۱۹۴۸.
7. دوریگو، م.؛ کولورنی، آ.؛ و مانیه‌تسو، و.، «بهینه‌سازی توزیع‌شده به کمک کلونی مورچه‌ها»، در مجموعه مقالات نخستین کنفرانس اروپایی حیات مصنوعی، ۱۹۹۱، صفحات ۱۳۴ تا ۱۴۲.
8. دی کارو، گ. و دوریگو، م.، «AntNet: کنترل توزیع‌شده مبتنی بر استیگمرژی برای شبکه‌های ارتباطی»، Journal of Artificial Intelligence Research، شماره ۹، سال ۱۹۹۸، صفحات ۳۱۷ تا ۳۶۵.
9. اخبار سازمان ملل متحد، «ترامپ از اقدام نظامی علیه ایران و ونزوئلا دفاع می‌کند و خواستار تغییر نام هوش مصنوعی می‌شود»، سازمان ملل متحد.

ماریو آنتوان عون عضو ارشد انجمن ماشین‌های محاسباتی (ACM) است و از سال ۲۰۰۶ به‌عنوان داور نشریه ACM Computing Reviews فعالیت کرده است. او بیش از ۲۵ سال سابقه برنامه‌نویسی رایانه دارد و مدرک دکتری خود را در رشته انفورماتیک شناختی از دانشگاه کبک در مونترال کانادا دریافت کرده است. حوزه اصلی پژوهش او مدل‌سازی حافظه بر پایه نظریه آشوب و نورون‌های اسپایکی است.